简介：传统上,时间域航空电磁数据通过拟合迭代反演计算得到大地模型,然而,由于航空电磁数据道间的较强相关性,导致病态反演,并引起超定问题;同时电磁数据的相关性使其与模型参数的映射关系复杂,增加了反演的复杂度。采用主成分分析法将航空电磁数据变换为正交的较少数量的主成分,不仅降低了数据道间的相关性,减小了数据量,同时压制了数据的不相关噪声。本文利用人工神经网络(ANN)逼近主成分与大地模型参数间的映射关系,避免了传统反演算法中雅克比矩阵的复杂计算。层状模型的主成分神经网络与数据神经网络的反演结果对比显示,主成分神经网络反演方法网络结构简单,训练步数少,反演结果好,特别是对于含噪数据。准二维模型的主成分ANN、数据ANN以及Zhody方法的反演结果显示了主成分神经网络具有更接近真实模型的反演效果,进一步证明了主成分神经网络反演方法适合海量航空电磁探测数据反演。

简介：有限差分方法广泛应用于求解许多科技领域所涉及的偏微分方程，高阶显式有限差分方法通常用来提高求解精度，已经提出的高阶隐式有限差分方法和截断高阶显式有限差分方法可用来进一步提高模拟精度而不增加计算量。本文首先计算了针对常规网格上的一阶导数和二阶导数、交错网格上的一阶导数的有限差分系数，发现高阶隐式有限差分系数中存在一些小的系数。频散分析结果表明：忽略这些小的差分系数能够近似维持有限差分的精度，但是显著减小了计算量。然后，引入镜像对称边界条件来提高隐式有限差分方法的精度和稳定性，采用混合吸收边界条件来减小来自模型边界所不需要的反射。最后，给出了针对均匀和非均匀介质模型的弹性波模拟例子，表明了本文方法的优点。