برآورد سری بازتاب زمین با استفاده از شبکة عصبی هاپفیلد

نویسندگان

1 مؤسسة ژئوفیزیک دانشگاه تهران، صندوق پستی 6466- 14155

2 پردیس دانشکده‌های فنی دانشگاه تهران، دانشکده برق و کامپیوتر، صندوق پستی 515- 14395

چکیده

خاصیت پردازش موازی شبکه‌های عصبی مصنوعی، آنها را برای پیاده‌سازی سخت‌افزاری مناسب ساخته‌ است، بنابراین استفاده از شبکه‌های عصبی مصنوعی در پردازش سیگنال‌های لرزه‌ای دارای این پتانسیل است که عملیات پردازش داده‌های لرزه‌ای را به میزان زیادی تسریع می‌کند. در این مقاله، یکی از رایج‌ترین شبکه‌های عصبی، شبکة عصبی هاپفیلد، به منظور عملی ساختن واهمامیخت مورد استفاده قرار گرفته است. فرایند واهمامیخت به دو زیرفرایند تقسیم می‌شود: یافتن محل بازتاب‌ها و برآورد دامنة بازتاب‌ها. برای به انجام رساندن هر یک از این دو مرحله یک شبکة هاپفیلد طراحی شده است. اولین شبکه عصبی برای پیدا کردن محل بازتاب‌ها و دومین شبکه عصبی به منظور برآورد دامنة بازتاب‌های پیدا شده ایجاد شده است. این دو شبکه برای موجک مدل‌سازی شده‌اند و نتایج حاصل با نتایج حاصل از واهمامیخت تابع ضربه مورد مقایسه قرار گرفته است.
با مقایسة نتایج با یکدیگر می‌توان نوشت: (1) روش واهمامیخت داده‌های لرزه‌ای با استفاده از شبکة عصبی هاپفیلد بر خلاف روش واهمامیخت تابع ضربه، به نوفه حساس نیست؛ (2) روش واهمامیخت با استفاده از شبکة عصبی هاپفیلد برای یک ردلرزه به همراه نوفه از روش واهمامیخت تابع ضربه پاسخ بهتری می‌دهد.

کلیدواژه‌ها


عنوان مقاله [English]

Estimation of earth reflection coefficient series using Hopfield neural network

نویسندگان [English]

  • Amin Roshandel 1
  • Abdolrahim Javaherian 1
  • Babak Najar-Arabi 2
1 Institute of Geophysics, University of Tehran, P.O. Box 14155-6466, Tehran, Iran
2 Faculty of Engineering, University of Tehran, P.O. Box 14395-515
چکیده [English]

The parallel processing of artificial neural networks makes them suitable for hardware implementations; therefore, using artificial neural networks for seismic signal processing problems has the potential of greatly speeding up seismic data processing. In this paper, a commonly used neural networks, Hopfield neural network, is used to implement deconvolution. The deconvolution procedure decomposes into two subprocesses: reflectivity locatin detection and reflectivity magnitude estimation. A Hopfield neural network is developed for each of subprocesses. The first neural network is developed to detect the reflectivity sequence. The second neural network is developed to determine the magnitudes of the detected reflections. These two neural networks are simulated for narrow-band wavelet, and the result is compared with that of using spiking deconvolution.
With comparing the results, deconvolution of seismic data using Hopfield neural network: (1) unlike spiking deconvolution, is not sensitive to noise and (2) gives much better result than spiking deconvolution for a trace with noise.

کلیدواژه‌ها [English]

  • Artificial neural networks
  • Seismic data processing
  • Deconvolution
  • Hopfield neural network
  • Parallel processing