ترجمه مقاله شبکه های عصبی مصنوعی عمیق به عنوان ابزاری برای تحلیل داده های لرزه ای – سال 2018
مشخصات مقاله:
عنوان فارسی مقاله:
شبکه های عصبی مصنوعی عمیق به عنوان ابزاری برای تحلیل داده های لرزه ای
عنوان انگلیسی مقاله:
Deep Artificial Neural Networks as a Tool for the Analysis of Seismic Data
کلمات کلیدی مقاله:
شبکه های عصبی عمیق، یادگیری عمیق، الگوریتم حریصانه، داده های لرزه ای، یادگیری چند منظوره
مناسب برای رشته های دانشگاهی زیر:
ژئوفیزیک
مناسب برای گرایش های دانشگاهی زیر:
لرزه نگاری، زلزله شناسی
وضعیت مقاله انگلیسی و ترجمه:
مقاله انگلیسی را میتوانید به صورت رایگان با فرمت PDF از باکس زیر دانلود نمایید. ترجمه این مقاله با فرمت WORD – DOC آماده خریداری و دانلود آنی میباشد.
فهرست مطالب:
چکیده
مقدمه
شبکه های عصبی عمیق
ویژگی های تحلیل داده های لرزه ای
یادگیری چند منظوره
نتایج و بحث
نتیجه گیری ها
منابع
قسمتی از مقاله انگلیسی و ترجمه آن:
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.
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.
