Розв’язання промислово-геофізичних задач класифікації методами штучних нейронних мереж та вейвлет-аналізу - Автореферат

КИЇВСЬКИЙ НАЦІОНАЛЬНИЙ УНІВЕРСИТЕТ Автореферат дисертації на здобуття наукового ступеня кандидата фізико-математичних наукРобота виконана в Київському національному університеті імені Тараса Шевченка Науковий керівник: доктор геолого-мінералогічних наук, професор Курганський Валерій Микитович, Київський національний університет імені Тараса Шевченка, професор кафедри геофізики, м. Офіційні опоненти: доктор фізико-математичних наук, професор Тяпкін Юрій Костянтинович, Український державний геологорозвідувальний інститут (УКРДГРІ) Міністерства охорони навколишнього природного середовища України, завідувач сектору, м. Київ кандидат фізико-математичних наук, доцент Пічугіна Оксана Сергіївна, Полтавський національний технічний університет імені З дисертацією можна ознайомитись в науковій бібліотеці Київського національного університету імені Тараса Шевченка за адресою: 01033, м.Київ, вул.Володимирська, 58.Найбільш широко вживані статистичні методи вирішення цих задач, як правило, передбачають існування інформації про умовні щільності розподілів ймовірностей для кожної ознаки та апріорні ймовірності віднесення обєкта до певного класу, що також значно звужує і обмежує можливості цих методів. Він базується на здатності штучних нейронних мереж будь-як точно визначити довільну неперервну функцію багатьох змінних через довільну нелінійну функцію одної змінної за допомогою лінійних операцій і суперпозицій. До таких задач відносяться зворотні задачі геофізики, різноманітні задачі розпізнавання образів (класифікація, кластеризація, таксономія тощо) та багато інших. Дисертаційну роботу виконано в Київському національному університеті імені Тараса Шевченка в рамках наступних науково-дослідних тем: “Розробка, виготовлення й випробування приймальної системи компютеризованого свердловинного сейсмокомплексу” (№ держ. реєстр. В роботі використовуються методи масштабно-часового аналізу (неперервне та ортогональне діадне вейвлет-перетворення), методи спектрального аналізу (швидке перетворення Фурє), статистичні методи аналізу даних (кластер-аналіз) та сучасні кібернетичні методи розпізнавання образів (метод динамічних ядер, окремі модифікації штучних нейронних мереж - одношарова нейронна мережа Кохонена, багатошаровий персептрон).Послідовно розглядаються загальні питання використання штучних нейронних мереж та вейвлет-аналізу в геологічних науках, а також зроблений короткий огляд можливостей різноманітних алгоритмів, методів, програмних продуктів тощо стосовно вирішення задач детального розчленування розрізу та класифікації обєктів за комплексом геолого-геофізичних ознак. На відміну від штучних нейронних мереж, апарат вейвлет-аналізу повністю математично обґрунтований і базується на теорії функціонального аналізу, теорії наближень функцій, теорії обробки сигналів. Термін “сигнал” в даній роботі використовується для позначення будь-якого впорядкованого набору чисельно зафіксованої інформації про деякий процес, обєкт, функцію тощо, зокрема сигналом будемо вважати впорядковану послідовність числових даних, наприклад, даних геофізичних досліджень свердловин. Неперервним вейвлет-перетворенням (continiuos wavelet transform) функції називається функція двох змінних: Змінна у виразах визначає масштаб вейвлета і є аналогом частоти в аналізі Фурє. Вейвлет-перетворення, як і перетворення Фурє, є оберненим, але в задачах, де таке перетворення використовується, необхідно тільки отримання вейвлет-образу (набору коефіцієнтів вейвлет-спектра), і виконувати зворотне перетворення не потребується.Проведено аналіз та узагальнення проблем, які виникають під час отримання та формування масивів вхідних даних, що підлягають подальшій обробці. Запропоновано новий граф попередньої обробки даних геофізичних досліджень свердловин, який передбачає обовязкове видалення тренду, фільтрацію, операції центрування та нормування вхідних даних. Вперше в практиці обробки промислово-геофізичних даних для фільтрації та апроксимації каротажних діаграм, а також для формування вектора ознак, що характеризує вибрану точку геологічного розрізу, був залучений масштабно-часовий аналіз (вейвлет-аналіз).

ОСНОВНИЙ ЗМІСТ РОБОТИ