دانلود ترجمه مقاله تحلیل اطلاعات لرزه ای به کمک شبکه های عصبی مصنوعی عمیق (اسپرینگر ۲۰۱۸) (ترجمه ویژه – طلایی ⭐️⭐️⭐️)

 تحلیل اطلاعات لرزه ای به کمک شبکه های عصبی مصنوعی عمیق

Deep Artificial Neural Networks as a Tool for the Analysis of Seismic Data

چکیده

مقدمه

شبکه های عصبی عمیق

ویژگی های تحلیل داده های لرزه ای

یادگیری چند منظوره

نتایج و بحث

نتیجه گیری ها

منابع

چکیده

تعداد مطالعات لرزه شناسی برمبنای شبکه های عصبی مصنوعی در حال افزایش است. با این حال، شبکه های عصبی با یک لایه مخفی (پنهان) تقریباً به محدوده قابلیت های خود دست یافته است. در چند سال اخیر پیشرفت های جدیدی در زمینه فناوری نرونی مرتبط با توسعه شبکه های نسل سوم یعنی شبکه عصبی عمیق وجود داشته است. این شبکه ها با داده هایی در یک سطح بالاتر کار می کنند. داده های بدون علامت برای پیشگیری از شبکه قابل استفاده هستند، به این معنا که نیازی وجود ندارد که یک متخصص از قبل مشخص کند که این داده ها به چه پدیده ای مرتبط هستند. آموزش نهایی نیازمند مقدار کمی از داده های علامت گذاری شده است. شبکه های عمیق دارای یک سطح بالاتر از انتزاع هستند و خطاهای کمتری تولید می کنند. شبکه ای یکسان برای حل کارهای متعدد در یک زمان قابل استفاده است یا دستیابی به آن از یک کار به کار دیگر آسان است. این مقاله درباره امکان به کارگیری شبکه های عمیق در لرزه شناسی بحث می کند. ما به طور کامل شبکه های عمیق، مزیت های آن ها، نحوه آموزش آن ها، نحوه تطبیق آن ها با ویژگی های داده های لرزه شناسی و چشم اندازهای موجود در ارتباط با استفاده از آن ها را به طور کامل مورد بررسی قرار داده ایم.

نتیجه گیری ها

شبکه های عصبی مصنوعی عمیق انتخاب بهتری از ویژگی ها در داده های سری های زمانی در مقایسه با شبکه های NN کم عمق ارائه می کنند و ویژگی های بیشتری را نیز در نظر می گیرند. واضح است که تمامی ساختارهای موجود DNN و انتخاب های آموزش آن ها در این مقاله ارائه نشده است.. به عنوان مثال، یک جهت گیری امیدوار کننده توسعه مدل هایی است که معماری خود را در فرآیند یادگیری تغییر می دهند. کارهای تحقیقاتی عملی در حال حاضر در اختیار ریاضی دانان است تا هر چیزی را در ارتباط با DNN اثبات کنند. نسخه های بسیاری از معماری عمیق وجود دارد و در بیشتر موارد هیچ اثبات ریاضی مبنی بر بهتر یا خوب بودن آن ها نسبت به موارد دیگر وجود ندارد. آموزش عمیق یک حوزه در حال پیشرفت است و ساختارها، نسخه ها و الگوریتم ها جدید تقریباً روزانه پدید می آیند. فرمول D NN برای موفقیت به صورت ذیل است: ۱٫ الگوریتم های پیش آموزش امکان یافتن یک نقطه شروع خوب برای تنظیم مناسب اجرا شده توسط روش بازگشت به عقب را فراهم می کنند که براساس آن روش نزول گرادیان امکان دستیابی به یک کمینه (حداقل) محلی خوب را امکان پذیر می سازد (و بیشتر اوقات یک حداقل عمومی است).

Abstract

The number of seismological studies based on artificial neural networks has been increasing. However, neural networks with one hidden layer have almost reached the limit of their capabilities. In the last few years, there has been a new boom in neuroinformatics associated with the development of third-generation networks, deep neural networks. These networks operate with data at a higher level. Unlabeled data can be used to pretrain the network, i.e., there is no need for an expert to determine in advance the phenomenon to which these data correspond. Final training requires a small amount of labeled data. Deep networks have a higher level of abstraction and produce fewer errors. The same network can be used to solve several tasks at the same time, or it is easy to retrain it from one task to another. The paper discusses the possibility of applying deep networks in seismology. We have described what deep networks are, their advantages, how they are trained, how to adapt them to the features of seismic data, and what prospects are opening up in connection with their use.

CONCLUSIONS

Deep artifical neural networks offer a better selection of features in the time series data compared to shallow NNs and take into account more features. Obviously, not all existing DNN architectures and their training options are presented in the paper. For example, a promising direction is the development of models that change their architecture in the learning process. Practical research work is now far ahead of mathematicians’ ability to prove anything about the DNN. There are many versions of deep architecture and, in most cases, there is no mathematical proof why they are good or better than others. Deep training is a rapidly developing field, and new architectures, versions, and algorithms appear almost daily. The DNN formula for success is as follows: (1) Pretraining algorithms make it possible to find a good starting point for fine-tuning conducted by the backpropagation method from which the gradient descent method makes it possible to achieve a good local minimum (and most often a global minimum).

تصویری از مقاله ترجمه و تایپ شده در نرم افزار ورد

 تحلیل اطلاعات لرزه ای به کمک شبکه های عصبی مصنوعی عمیق

Deep Artificial Neural Networks as a Tool for the Analysis of Seismic Data