Нейросетевое сглаживание геофизических данных на основе алгоритма многоуровневой регуляризации

В.И. Васильев; И.Ф. Нугаев

Нейросетевое сглаживание геофизических данных на основе алгоритма многоуровневой регуляризации

В.И. Васильев¹, И.Ф. Нугаев²

научная статья Страницы: 69-78

¹ д.т.н., профессор, зав. кафедрой вычислительной техники и защиты информации, Уфимский государственный авиационный технический университет (УГАТУ)
² к.т.н., доцент кафедры «Промышленная электроника», УГАТУ

Ключевые слова: управление нефтегазовой скважиной RBF-сети сглаживающие нейросетевые модели

Аннотация

Рассмотрена задача повышения точности измерений геофизических данных, используемых для формирования траектории ствола бурящейся нефтегазовой скважины. Представленный подход основан на фильтрации измерений искажений и шумов посредством нейросетевой сглаживающей модели. Обсуждается предложенный алгоритм синтеза сглаживающей нейросетевой модели, основанный на многоуровневой регуляризации. Приведен пример реализации данного алгоритма на базе RBF-сети, с применением предложенного векторного критерия регуляризации и иерархического ранжирования параметров сети. Рассмотрен пример сглаживания геонавигационных данных на основе синтезированной RBF-сети.

Для цитирования

Васильев В.И., Нугаев И.Ф. Нейросетевое сглаживание геофизических данных на основе алгоритма многоуровневой регуляризации // Нейрокомпьютеры: разработка, применение. 2010. № 4. С. 69–78.

Список источников

Исаченко В.Х. Инклинометрия скважин. М.: Недра, 1987.
Хайкин С. Нейронные сети. Полный курс. М.: Изд. Вильямс. 2006.
Lei Xu BYY Harmony Learning, Model Selection, And Information Approach: Further Results // Proc. оf the 8-th International Conference on Neural Information Processing (ICONIP 2001). Vol. 1. Р. 30-37.
Минаев Ю.Н., Филимонова О.Ю., Лиес Б. Методы и алгоритмы идентификации и прогнозирования в условиях неопределенности в нейросетевом и логическом базисе. М: Горячая линия - Телеком. 2003.
Тихонов А.Н., Арсенин В.Я. Методы решения некорректных задач. М.: Наука. 1986.
Шумский С.А. Байесова регуляризация обучения // Научная сессия МИФИ-2002: Лекции по нейроинформатике. Ч. 2. М.: МИФИ. 2002. С. 30-71.
Елисеева И. Эконометрика: Учебник. 2-е изд. М.: Финансы и статистика. 2007.
Федосеев М. Экономико-математические методы и прикладные модели. М.: ЮНИТИ. 1999. С.187-228.

[1] Исаченко В.Х. Инклинометрия скважин. М.: Недра, 1987.

[2] Хайкин С. Нейронные сети. Полный курс. М.: Изд. Вильямс. 2006.

[3] Lei Xu BYY Harmony Learning, Model Selection, And Information Approach: Further Results // Proc. оf the 8-th International Conference on Neural Information Processing (ICONIP 2001). Vol. 1. Р. 30-37.

[4] Минаев Ю.Н., Филимонова О.Ю., Лиес Б. Методы и алгоритмы идентификации и прогнозирования в условиях неопределенности в нейросетевом и логическом базисе. М: Горячая линия - Телеком. 2003.

[5] Тихонов А.Н., Арсенин В.Я. Методы решения некорректных задач. М.: Наука. 1986.

[6] Шумский С.А. Байесова регуляризация обучения // Научная сессия МИФИ-2002: Лекции по нейроинформатике. Ч. 2. М.: МИФИ. 2002. С. 30-71.

[7] Елисеева И. Эконометрика: Учебник. 2-е изд. М.: Финансы и статистика. 2007.

[8] Федосеев М. Экономико-математические методы и прикладные модели. М.: ЮНИТИ. 1999. С.187-228.