مقاله انگلیسی شبکه های عصبی مصنوعی عمیق ابزاری برای تحلیل داده های لرزه ای (2018 اسپرینگر)

شبکه های عصبی مصنوعی (NNs) به طور گسترده ای برای پردازش داده های لرزه ای مورد استفاده قرار می گیرند (Böse et al.، 2008؛ Gravirov et al.، 2012؛ Lin et al.، 2012؛ Kislov and Gravirov، 2017). ممکن است NN آموزش برای حل وظایف پیچیده مانند تشخیص الگو، تشخیص سیگنال، مدل سازی غیر خطی، طبقه بندی و رگرسیون با استفاده از یک نمونه آموزشی که پاسخ صحیح برای هر نمونه (یادگیری نظارت شده) را آموزش دهد. با این حال، گسترش فناوری های شبکه عصبی محدود به تعداد زیادی از قوانین اکتشافی برای طراحی و آموزش شبکه است. نکته اصلی این است که در این مورد، هرگز شناخته نمی شود که آیا معماری شبکه ساخته شده بهینه است یا اینکه بهترین روش آن آموزش داده شده است، یعنی آیا حداقل حداقل تابع خطای پیدا شده است. اگر چه یک NN با یک لایه پنهان می تواند هر تابع را با هر دقت متقابل تقریبا نزدیک کند، می توان آن را یک جدول جستجو برای نمونه آموزش با در نظر گرفتن مقادیر متوسط ​​یا مقادیر متوسط ​​و استخراج در لبه ها در نظر گرفت (Cybenko، 1989). محدودیت های اصلی کاربرد NN همچنین با مشکلات بیش از حد تعادل، اعتماد پذیری پلاستیکی و لعن ابعاد همراه است (فریدمن، 1994). بدیهی است، روش های متفاوتی برای جلوگیری از این مشکلات بوجود می آیند، اما اغلب اووریستی هستند. یک NN آموزش دیده سریع کار می کند، اما فرایند یادگیری نیاز به زمان نامحدود دارد. علاوه بر این، آماده سازی نمونه آموزشی معمولا یک فرآیند وقت گیر است (Gravirov and Kislov، 2015). برخی از راه حل های این مشکل نیز یافت شده است. به عنوان مثال، برخی از NN ها می توانند نمونه هایی را با پاسخ نامعلومی (یادگیری بی نظیر) خوشه بندی کنند، که کارهای آماده سازی را کاهش می دهد (Köhler et al.، 2010). آماده سازی نمونه آموزشی (مطالعه، ارزیابی، تجزیه و تحلیل و پیش پردازش) وقت گیر است، اما تا حد زیادی کارایی شبکه را تعیین می کند. لازم به ذکر است که این تقریبا یک هنر است و نتیجه به شدت به تجربه محقق بستگی دارد.

توجه؛ (این ترجمه توسط نرم افزار انجام شده و ویرایش نشده است و احتمال وجود اشتباه در آن وجود دارد. در صورت ثبت سفارش، ترجمه توسط مترجمین مجرب انجام خواهد شد. برای مشاهده نمونه ترجمه های تخصصی و اخیر مترجمین جهت اطمینان از کیفیت ترجمه، اینجا کلیک نمایید.)

1.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. Although an NN with one hidden layer can approximate any function with any accuracy, it can be considered to be a lookup table for the training sample with the more or less correct interpolation of intermediate values and extrapolation at the edges (Cybenko, 1989). The main limitations of the applicability of the NN are also associated with the problems of overfitting, stability-plasticity tradeoff, and the curse of dimensionality (Friedman, 1994). Obviously, different methods are developed to bypass these difficulties, but they are mostly heuristic. A trained NN works fast, but the learning process requires an indefinite time. In addition, the preparation of the training sample is usually a time-consuming process in itself (Gravirov and Kislov, 2015). Some solutions for this problem have also been found. For example, some NNs can cluster examples with an unknown answer (unsupervised learning), which reduces preparatory work (Köhler et al., 2010). Preparation of the training sample (study, evaluation, analysis, and preprocessing) is time-consuming, but it largely determines the efficiency of the network. It should be added that this is almost an art, and the result depends heavily on the experience of the researcher.