شبکه های عصبی مصنوعی عمیق به عنوان ابزاری برای تحلیل داده های لرزه ای
چکیده
تعداد مطالعات لرزه شناسی برمبنای شبکه های عصبی مصنوعی در حال افزایش است. با این حال، شبکه های عصبی با یک لایه مخفی (پنهان) تقریباً به محدوده قابلیت های خود دست یافته است. در چند سال اخیر پیشرفت های جدیدی در زمینه فناوری نرونی مرتبط با توسعه شبکه های نسل سوم یعنی شبکه عصبی عمیق وجود داشته است. این شبکه ها با داده هایی در یک سطح بالاتر کار می کنند. داده های بدون علامت برای پیشگیری از شبکه قابل استفاده هستند، به این معنا که نیازی وجود ندارد که یک متخصص از قبل مشخص کند که این داده ها به چه پدیده ای مرتبط هستند. آموزش نهایی نیازمند مقدار کمی از داده های علامت گذاری شده است. شبکه های عمیق دارای یک سطح بالاتر از انتزاع هستند و خطاهای کمتری تولید می کنند. شبکه ای یکسان برای حل کارهای متعدد در یک زمان قابل استفاده است یا دستیابی به آن از یک کار به کار دیگر آسان است. این مقاله درباره امکان به کارگیری شبکه های عمیق در لرزه شناسی بحث می کند. ما به طور کامل شبکه های عمیق، مزیت های آن ها، نحوه آموزش آن ها، نحوه تطبیق آن ها با ویژگی های داده های لرزه شناسی و چشم اندازهای موجود در ارتباط با استفاده از آن ها را به طور کامل مورد بررسی قرار داده ایم.
مقدمه
شبکه های عصبی (NN) مصنوعی به طور گسترده در پردازش داده های لرزه شناسی مورد استفاده قرار می گیرند. امکان آموزش شبکه عصبی برای حل چنین امور پیچیده ای همانند شناسایی الگو، تشخیص سیگنال، مدل سازی غیرخطی، طبقه بندی و رگرسیون با استفاده از یک نمونه آمورش وجود دارد به نحوی که پاسخ صحیح برای هر نمونه معلوم است (یادگیری نظارتی). با این حال، توسعه فناوری های شبکه عصبی به دلیل تعداد زیاد قوانین اکتشافی برای طراحی و آموزش شبکه با محدودیت مواجه است. نکته اصلی این است که در این وضعیت مشخص نیست که معماری شبکه ساخته شده بهینه است یا به بهترین روش آموزش دیده است به این معنا که حداقل عمومی تابع خطا یافت شده باشد.
Abstract
The number of seismological studies based on artificial neural networks has been increasing. However, neural networks with one hidden layer have almost reached the limit of their capabilities. In the last few years, there has been a new boom in neuroinformatics associated with the development of third-generation networks, deep neural networks. These networks operate with data at a higher level. Unlabeled data can be used to pretrain the network, i.e., there is no need for an expert to determine in advance the phenomenon to which these data correspond. Final training requires a small amount of labeled data. Deep networks have a higher level of abstraction and produce fewer errors. The same network can be used to solve several tasks at the same time, or it is easy to retrain it from one task to another. The paper discusses the possibility of applying deep networks in seismology. We have described what deep networks are, their advantages, how they are trained, how to adapt them to the features of seismic data, and what prospects are opening up in connection with their use.
INTRODUCTION
Artificial neural networks (NNs) are widely used for the processing of seismic data (Böse et al., 2008; Gravirov et al., 2012; Lin et al., 2012; Kislov and Gravirov, 2017). It is possible to train the NN to solve such complex tasks as pattern recognition, signal detection, nonlinear modeling, classification, and regression using a training sample in which the correct answer is known for each example (supervised learning). However, the expansion of neural network technologies is constrained by a large number of heuristic rules for network design and training. The main thing is that, in this case, it is never known whether the architecture of the constructed network is optimal or whether it has been trained in the best way, i.e., whether the global minimum of the error function is found.
چکیده
مقدمه
شبکه های عصبی عمیق
ویژگی های تحلیل داده های لرزه ای
یادگیری چند منظوره
نتایج و بحث
نتیجه گیری ها
منابع
Abstract
INTRODUCTION
DEEP NEURAL NETWORKS
FEATURES OF SEISMIC DATA ANALYSIS
MULTITASK LEARNING
RESULTS AND DISCUSSION
CONCLUSIONS
- ترجمه فارسی مقاله با فرمت ورد (word) با قابلیت ویرایش، بدون آرم سایت ای ترجمه
- ترجمه فارسی مقاله با فرمت pdf، بدون آرم سایت ای ترجمه