| 摘要 | 第4-6页 |
| Abstract | 第6-7页 |
| 1 绪论 | 第12-28页 |
| 1.1 电阻率成像 | 第12页 |
| 1.2 电阻率成像技术国内外研究进展及发展趋势 | 第12-17页 |
| 1.2.1 国外电阻率成像反演的研究进展 | 第12-14页 |
| 1.2.2 国内电阻率成像反演的研究进展 | 第14-15页 |
| 1.2.3 电阻率成像反演的发展趋势 | 第15-17页 |
| 1.3 神经网络的研究现状 | 第17-20页 |
| 1.3.1 神经网络的概念和历史 | 第17页 |
| 1.3.2 神经网络的基本模型 | 第17-19页 |
| 1.3.3 神经网络在电阻率法反演中的应用 | 第19-20页 |
| 1.4 粒子群优化算法 | 第20-22页 |
| 1.4.1 粒子群优化算法的研究现状 | 第20-21页 |
| 1.4.2 粒子群优化算法在地球物理资料反演中的应用 | 第21-22页 |
| 1.5 微分进化算法 | 第22-24页 |
| 1.5.1 微分进化算法的研究现状 | 第22-23页 |
| 1.5.2 微分进化算法在地球物理资料反演中的应用 | 第23-24页 |
| 1.6 论文的主要研究工作和章节安排 | 第24-27页 |
| 1.6.1 课题研究的目的与意义 | 第24-25页 |
| 1.6.2 论文的主要研究工作 | 第25-26页 |
| 1.6.3 论文的章节安排 | 第26-27页 |
| 1.7 本章小结 | 第27-28页 |
| 2 基于神经网络的电阻率反演成像 | 第28-48页 |
| 2.1 电阻率法的基本理论 | 第28-37页 |
| 2.1.1 稳定电流场的基础理论 | 第28-30页 |
| 2.1.2 视电阻率的概念和意义 | 第30-31页 |
| 2.1.3 常用电阻率方法 | 第31-33页 |
| 2.1.4 正演问题的数值模拟方法 | 第33-37页 |
| 2.2 BP神经网络的反演方法 | 第37-46页 |
| 2.2.1 BP神经网络的基本结构 | 第37-40页 |
| 2.2.2 BP神经网络的学习算法 | 第40-44页 |
| 2.2.3 BP神经网络的样本划分与建模 | 第44-45页 |
| 2.2.4 BP神经网络的反演流程 | 第45-46页 |
| 2.3 本章小结 | 第46-48页 |
| 3 基于混沌振荡PSO-BP算法的电阻率成像反演 | 第48-70页 |
| 3.1 粒子群优化算法的基本原理 | 第48-50页 |
| 3.2 基于混沌惯性权重的PSO算法 | 第50-58页 |
| 3.2.1 基于振荡递减的PSO算法 | 第50-53页 |
| 3.2.2 混沌的基本理论 | 第53-57页 |
| 3.2.3 基于混沌振荡的PSO算法 | 第57-58页 |
| 3.3 混沌振荡PSO-BP算法反演建模 | 第58-64页 |
| 3.3.1 BP神经网络的样本划分与建模 | 第58-59页 |
| 3.3.2 BP神经网络的隐含层结构设计 | 第59-61页 |
| 3.3.3 混沌振荡PSO-BP算法的实现步骤 | 第61-64页 |
| 3.4 数值仿真与模型反演 | 第64-67页 |
| 3.4.1 混沌振荡PSO-BP算法的性能验证 | 第64-65页 |
| 3.4.2 理论模型反演结果评估 | 第65-67页 |
| 3.5 本章小结 | 第67-70页 |
| 4 基于混沌约束DE-BP算法的电阻率成像反演 | 第70-90页 |
| 4.1 微分进化算法的基本原理 | 第70-74页 |
| 4.2 基于混沌约束的DE算法 | 第74-79页 |
| 4.3 混沌约束DE-BP算法反演建模 | 第79-83页 |
| 4.3.1 BP神经网络的样本划分与建模 | 第79-80页 |
| 4.3.2 BP神经网络的隐含层结构设计 | 第80-82页 |
| 4.3.3 混沌约束DE-BP算法的实现步骤 | 第82-83页 |
| 4.4 数值仿真与模型反演 | 第83-88页 |
| 4.4.1 混沌约束DE-BP算法的性能验证 | 第83-86页 |
| 4.4.2 理论模型反演结果评估 | 第86-88页 |
| 4.5 本章小结 | 第88-90页 |
| 5 基于信息准则的RBF神经网络电阻率成像反演 | 第90-114页 |
| 5.1 RBF神经网络结构 | 第90-93页 |
| 5.2 RBF神经网络学习算法 | 第93-98页 |
| 5.2.1 聚类算法 | 第93-95页 |
| 5.2.2 梯度算法 | 第95-96页 |
| 5.2.3 正交最小二乘法 | 第96-98页 |
| 5.3 基于汉南-奎因信息准则的OLS学习算法 | 第98-103页 |
| 5.3.1 RBF神经网络的泛化能力 | 第98-99页 |
| 5.3.2 信息准则 | 第99-100页 |
| 5.3.3 HQOLS算法的实现步骤 | 第100-103页 |
| 5.4 HQOLS-RBF电阻率成像反演建模 | 第103-105页 |
| 5.5 数值仿真与模型反演 | 第105-111页 |
| 5.5.1 HQOLS-RBF算法的性能验证 | 第105-107页 |
| 5.5.2 理论模型反演结果评估 | 第107-111页 |
| 5.6 本章小结 | 第111-114页 |
| 6 基于二阶段学习的RBF神经网络电阻率成像反演 | 第114-128页 |
| 6.1 基于二阶段学习的RBF神经网络基本理论 | 第114-119页 |
| 6.1.1 OLS-RBFNN的不足 | 第114-115页 |
| 6.1.2 RBF神经网络的样本规划与建模 | 第115页 |
| 6.1.3 第一阶段学习 | 第115-117页 |
| 6.1.4 第二阶段学习 | 第117-119页 |
| 6.2 基于二阶段学习的RBF神经网络实现步骤 | 第119-121页 |
| 6.3 数值仿真与模型反演 | 第121-126页 |
| 6.3.1 信息准则的选择 | 第121-123页 |
| 6.3.2 阶段学习RBF神经网络的性能验证 | 第123页 |
| 6.3.3 理论模型反演结果评估 | 第123-126页 |
| 6.4 本章小结 | 第126-128页 |
| 7 非线性反演工程实例分析 | 第128-136页 |
| 7.1 工程概况 | 第128-129页 |
| 7.2 神经网络直接反演 | 第129-131页 |
| 7.3 基于最小二乘反演结果的反演 | 第131-134页 |
| 7.4 本章小结 | 第134-136页 |
| 8 总结与展望 | 第136-140页 |
| 8.1 总结 | 第136-138页 |
| 8.2 展望 | 第138-140页 |
| 参考文献 | 第140-152页 |
| 攻读学位期间主要的研究成果目录 | 第152-154页 |
| 致谢 | 第154页 |