机器学习算法在断层识别及地震相波形分类中的应用探讨
| 摘要 | 第3-4页 |
| Abstract | 第4-8页 |
| 第1章绪论 | 第8-15页 |
| 1.1研究背景及研究意义 | 第8-9页 |
| 1.2国内外研究现状及发展趋势 | 第9-12页 |
| 1.2.1断层识别研究现状及发展趋势 | 第9-10页 |
| 1.2.2地震相分析的研究现状及发展趋势 | 第10-12页 |
| 1.3研究内容和研究思路 | 第12-13页 |
| 1.3.1研究内容 | 第12页 |
| 1.3.2研究思路及技术路线 | 第12-13页 |
| 1.4主要成果与认识 | 第13-15页 |
| 第2章机器学习算法理论 | 第15-29页 |
| 2.1传统机器学习算法 | 第15-19页 |
| 2.1.1自组织映射网络 | 第15-17页 |
| 2.1.2K均值聚类 | 第17页 |
| 2.1.3支持向量机 | 第17-19页 |
| 2.2机器学习算法中的参数选择及影响分析 | 第19-22页 |
| 2.2.1轮廓系数 | 第19-20页 |
| 2.2.2Calinski-Harabaz指数 | 第20页 |
| 2.2.3聚类效果分析 | 第20-22页 |
| 2.3基于深度学习的机器学习算法 | 第22-28页 |
| 2.3.1多层感知机 | 第23-25页 |
| 2.3.2卷积神经网络 | 第25-27页 |
| 2.3.3全卷积神经网络 | 第27-28页 |
| 2.4小结 | 第28-29页 |
| 第3章基于深度学习的断层自动识别方法研究 | 第29-40页 |
| 3.1神经网络模型构建 | 第29-33页 |
| 3.1.1数据处理 | 第29-30页 |
| 3.1.2模型结构 | 第30-32页 |
| 3.1.3反卷积与上采样对比 | 第32-33页 |
| 3.2模型评估 | 第33-36页 |
| 3.2.1损失函数 | 第33-35页 |
| 3.2.2评估指标 | 第35-36页 |
| 3.3结构优化 | 第36-38页 |
| 3.4小结 | 第38-40页 |
| 第4章基于深度学习的波形分类方法研究 | 第40-49页 |
| 4.1数据预处理 | 第41-42页 |
| 4.2模型构建 | 第42-45页 |
| 4.2.1CNN模型结构 | 第42页 |
| 4.2.2标签数据制作 | 第42-45页 |
| 4.3模型训练 | 第45-48页 |
| 4.4小结 | 第48-49页 |
| 第5章实际资料应用效果分析 | 第49-60页 |
| 5.1概述 | 第49页 |
| 5.2断层识别应用效果分析 | 第49-55页 |
| 5.2.1研究区概况 | 第49-51页 |
| 5.2.2应用效果分析 | 第51-55页 |
| 5.3地震相波形分类应用效果分析 | 第55-60页 |
| 5.3.1研究区概况 | 第55-56页 |
| 5.3.2应用效果分析 | 第56-60页 |
| 结论 | 第60-62页 |
| 致谢 | 第62-63页 |
| 参考文献 | 第63-67页 |
| 攻读学位期间取得学术成果 | 第67-68页 |
