EA004907B1

EA004907B1 - Прогнозирование формы сейсмоприемной косы с помощью нейронной сети

Info

Publication number: EA004907B1
Application number: EA200300355A
Authority: EA
Inventors: Дэвид Ли Найлэнд
Original assignee: Вестернджеко, Л.Л.С.
Priority date: 2000-09-11
Filing date: 2001-09-07
Publication date: 2004-08-26
Also published as: GB2384558B; US6418378B1; GB2384558A; CA2421981A1; WO2002023224A3; US6775619B2; US20030023382A1; NO20031121D0; NO20031121L; MXPA03002084A; AU8884901A; AU2001288849B2; BR0114125A; EA200300355A1; CN1239919C; GB0305365D0; WO2002023224A2; CN1470000A

Abstract

Нейронная сеть для предсказания формы сейсмоприемной косы во время сейсморазведочных работ, имеющая входной уровень, необязательный скрытый уровень и выходной уровень, при этом каждый уровень имеет один или несколько узлов. Каждое соединение между узлами имеет соответствующий вес, а для определения весов для каждого из соединений нейронной сети используется процесс обучения. Обученная нейронная сеть реагирует на входные сигналы и формирует выходные данные о предсказанной форме сейсморазведочного кабеля. В процессе обучения нейронной сети представляется совокупность обучающих множеств. Каждое обучающее множество содержит набор входных данных и данные о желаемой форме кабеля. С помощью каждого обучающего множества в процессе обучения определяется различие между формой кабеля, предсказанной нейронной сетью, и требуемой или известной формой кабеля. Затем в процессе обучения веса узлов нейронной сети корректируются на основе различия между формой кабеля, предсказанной в выходных данных, и желаемой формой кабеля.

Description

Эта заявка является частично продолжающейся относительно патентной заявки США № 09/603068, поданной 26 июня 2000 г. под названием Орйта1 ра!Й8 ίοτ тапие ба!а со11ескоп. которая включена в настоящую заявку посредством ссылки.

Настоящее изобретение относится к системе и к способу для формирования данных о прогнозировании формы сейсморазведочного кабеля во время сбора сейсмических данных. В частности, согласно изобретению предусмотрена нейронная сеть, обученная для прогнозирования формы сейсмоприемной косы или сейсморазведочного кабеля во время проведения в море работ по сбору сейсмических данных на буксирующем судне.

Форма кабеля и перемещения, связанные с буксировкой в море, являются важными факторами при определении оптимальной траектории движения сейсморазведочного судна и косы приемников во время проведения работ по сбору сейсмических данных. При геофизических исследованиях, связанных со сбором сейсмических данных, значительная часть района разреза не исследуется должным образом или полностью пропускается вследствие изгиба или смещения кабеля. Точный прогноз формы приемного кабеля является важным для предвидения и компенсации изгиба или смещения сейсмического кабеля во время сбора сейсмических данных. Можно более точно выбирать и выдерживать траекторию исследований, при этом траектория исследований станет более оптимальной и более эффективной.

Существует бесконечное число возможных траекторий, по которым сейсморазведочное буксирующее судно может следовать во время первоначальной и дополнительной сейсмической разведки или при прокладке участков сейсмической разведки. Кроме того, во многих случаях может быть затруднительным определение оптимальной траектории. Однако в случае, если можно обозначить оптимальные первоначальную и прокладочную траектории, то существенно сокращаются суммарные усилия и затраты, связанные со сбором сейсмических данных. Поэтому существует необходимость в эффективном средстве определения формы кабеля для достижения оптимальных траекторий при сейсмической разведке.

Объекты разведки, пропущенные при первоначальном проходе, должны быть повторно исследованы при дополнительных проходах. Каждый дополнительный проход увеличивает стоимость разведки. Такие дополнительные проходы существенно увеличивают время, необходимое для выполнения разведки, и связанные с ним затраты. Типичные эксплуатационные расходы для одного сейсморазведочного судна превышают 50000 долларов в сутки. Поэтому прогноз формы кабеля с целью достижения оптимальной траектории даст в результате значительное сокращение затрат при проведении каждой сейсмической разведки. Эти значительные снижения затрат обеспечат конкурентоспособное преимущество на рынке сбыта морских сейсмических данных. Поэтому прогнозирование формы кабеля имеет существенное значение при выборе исследуемых площадей с объектами разведки во время первоначального и дополнительного проходов. В области техники, к которой относится изобретение, в течение длительного времени ощущается необходимость в прогнозирование формы сейсмоприемной косы во время выполнения работ по сбору сейсмических данных.

Указанная выше, ощущаемая в течение длительного времени необходимость решается настоящим изобретением, относящимся к нейронной сети для прогноза формы сейсмоприемной косы во время сейсмических работ. В соответствии с предпочтительным вариантом осуществления настоящего изобретения предложена система для прогноза формы кабеля, содержащая нейронную сеть, имеющую входной уровень, необязательный скрытый уровень и выходной уровень, при этом каждый уровень имеет один или несколько узлов. Первый уровень содержит входные узлы, с которыми связаны следующие рабочие параметры сбора сейсмических данных: координаты судна, координаты приемников, время, скорость судна, скорость течения, скорость ветра, температура воды, соленость, сведения о приливном режиме, глубина воды, плотность размещения элементов в сеисмоприемной косе и размеры сеисмоприемной косы. Каждый узел во входном уровне соединен с каждым узлом в скрытом уровне, а каждый узел в скрытом уровне соединен с каждым узлом в выходном уровне, при этом выходной уровень выводит данные о прогнозировании формы кабеля. Скрытый уровень может отсутствовать. Когда скрытый уровень отсутствует, каждый узел во входном уровне соединен с каждым узлом в выходном уровне.

Каждое соединение между узлами имеет соответствующий вес, и предусмотрен процесс обучения, предназначенный для определения весов для каждого из соединений нейронной сети. Обученная нейронная сеть реагирует на входные данные и формирует выходные данные о прогнозируемой форме кабеля. В процессе обучения на нейронную сеть подается совокупность обучающих множеств. Каждое обучающее множество содержит набор входных значений и информацию о требуемой форме кабеля. С помощью каждого обучающего множества в процессе обучения определяется различие между формой кабеля, прогнозируемой нейронной сетью, и требуемой или известной формой кабеля. Затем в процессе обучения на основании различия между прогнозируемой в выходных данных формой кабеля и требуемой формой кабеля корректируются веса узлов нейронной сети. Ошибка, приписываемая каждому узлу в нейронной сети, может быть приписана процессом обучения путем использования обратного распространения или некоторого другого алгоритма обучения.

На чертежах изображены:

фиг. 1 - иллюстрация нейронной сети в предпочтительном варианте осуществления настоящего изобретения;

фиг. 2 - пример нейронной сети, имеющей входной уровень, скрытый уровень и выходной уровень;

фиг. 3 - диаграмма этапов процесса, иллюстрирующая предпочтительные этапы, выполняемые при обучении нейронной сети согласно настоящему изобретению; и фиг. 4 - иллюстрация прямого потока активации и обратного потока ошибки в нейронной сети.

Нейронные сети хорошо известны в области техники, к которой относится изобретение. Следующие термины будут полезными для понимания нейронной сети согласно настоящему изобретению. «Узел» является вычислительным элементом в нейронной сети. «Вес» представляет собой регулируемое значение, относящееся к соединению между узлами в сети. Величина веса определяет «интенсивность» связи. Отрицательные веса тормозят активизацию узла, тогда как положительные веса возбуждают активизацию узла. «Соединения» являются путями между узлами, которые соединяют узлы в сеть.

«Закон обучения» представляет собой математическую зависимость, которая изменяет все или некоторые из весов в локальной памяти узлов в ответ на входные сигналы. В соответствии с уравнением закона обучения нейронной сети представляются адаптированные примеры того, что она должна делать, и посредством этого обучаться. Законы обучения, предназначенные для регулировки весов, можно охарактеризовать управляемым обучением или неуправляемым обучением. При управляемом обучении предполагается, что желаемый выходной сигнал узла известен или может быть определен из суммарной ошибки, которая используется для корректировки весов.

При неуправляемом обучении желаемый выходной сигнал неизвестен. При неуправляемом обучении веса, соответствующие узлу, не изменяются пропорционально выходной ошибке, соответствующей конкретному узлу, а вместо этого изменяются пропорционально некоторому глобальному усиливающему сигналу. «Активационная функция» представляет собой математическую зависимость, которая определяет выходные сигналы узлов в зависимости от самых последних входных сигналов и весов. «Обратное распространение» является методом управляемого обучения, в котором сигнал выходной ошибки подается обратно через сеть, подстраивая веса соединений так, чтобы ошибка минимизировалась. «Входной уровень» является уровнем из узлов, предназначенным для подачи входных данных на нейронную сеть. «Скрытый уровень» представляет собой уровень из узлов, который непосредственно не соединен со входом или выходом нейронной сети. «Выходной уровень» является уровнем из узлов, который обеспечивает доступ к результатам нейронной сети.

Настоящее изобретение представляет собой систему на основе нейронной сети и способ для формирования данных о прогнозируемой форме кабеля. На фиг.1 показаны нейронная сеть 101 и блок 107 предобработки. Нейронная сеть 101 формирует данные 109 о прогнозируемой форме кабеля по входным данным, поступающим на входной уровень. Рабочие входные данные для нейронной сети включают в себя координаты 110 судна, координаты 111 приемников, время 112, скорость 113 судна, скорость 114 течения, скорость 115 ветра, температуру 116 воды, соленость 117, сведения 118 о приливном режиме, глубину 119 воды, плотность 120 размещения элементов в сейсмоприемной косе и размеры 121 сейсмоприемной косы. Эти рабочие входные данные определяются в реальном времени и подаются на нейронную сеть во время сбора сейсмических данных. В качестве входных сигналов для нейронной сети могут быть определены и использованы дополнительные рабочие данные. Как показано на фиг. 1, данные, подаваемые на нейронную сеть, могут быть предварительно обработаны средством 107 предобработки. Предобработку можно использовать для нормирования или перегруппировки входных данных.

Нейронная сеть 101 работает в трех основных режимах: обучение, работа и повторное обучение. Этапы (шаги) обучения показаны на фиг. 3. Во время обучения нейронная сеть обучается с использованием обучающего средства, которое подает на нейронную сеть множество обучающих данных. Множества обучающих данных включают в себя координаты 1110 судна, координаты 1111 приемников, время 1112, скорость 1113 судна, скорость 1114 течения, скорость 1115 ветра, температуру 1116 воды, соленость 1117, сведения 1118 о приливном режиме, глубину 1119 воды, плотность 1120 размещения элементов в сейсмоприемной косе и размеры 1121 сейсмоприемной косы, а также требуемый выходной сигнал (то есть реальный, известный или точный выходной сигнал). Обучающие данные собирают во время реальных работ или формируют с помощью модели и сохраняют для последующего обучения нейронной сети. В качестве входных данных для нейронной сети можно получать дополнительные рабочие данные путем определения других рабочих параметров. На основе обучающих входных сигналов нейронная сеть формирует выходные данные о прогнозируемом положении кабеля. Затем выходные данные о прогнозируемой форме кабеля сравниваются с желаемыми (требуемыми) или известными выходными данными. Различие между прогнозируемым положением кабеля, представленным нейронной сетью, и желаемым или известным положением кабеля используется для подстройки весов узлов в нейронной сети с помощью процедуры обратного распространения ошибки или какого-либо другого метода обучения.

Во время обучения нейронная сеть обучается и адаптируется к входным сигналам, представленным ей. После обучения нейронной сети ее можно использовать для того, чтобы осуществлять прогноз положения кабеля для заданного множества входных данных. Этот режим работы называется рабочим режимом. После рабочего режима нейронная сеть может быть повторно обучена с использованием дополнительных данных, собранных при других геофизических исследованиях. Следовательно, нейронная сеть, осуществляющая прогноз положения кабеля для одного геофизического исследования, может быть повторно обучена с использованием данных второго геофизического исследования. Затем повторно обученную нейронную сеть можно использовать для того, чтобы осуществлять прогноз положения кабеля для второго геофизического исследования.

Теперь обратимся к фиг.2, на которой показан характерный пример нейронной сети. Следует отметить, что пример, показанный на фиг.2, является только иллюстрацией одного варианта осуществления нейронной сети. Как рассмотрено ниже, можно использовать другие варианты осуществления нейронной сети. Вариант осуществления из фиг.2 имеет входной уровень 205, скрытый уровень (или средний уровень) 203 и выходной уровень 201. Входной уровень 205 включает уровень входных узлов, которые получают входные значения 207 (координаты судна, координаты приемников, время, скорость судна, скорость течения, скорость ветра, температуру воды, соленость, сведения о приливном режиме, глубину воды, плотность размещения элементов в сейсмоприемной косе и размеры сейсмоприемной косы) из внешних входных данных. Входные данные используются нейронной сетью для формирования выходных данных 209 (или данных о положении кабеля). Но хотя входной уровень 205 относится к уровню нейронной сети, входной уровень 205 не содержит каких-либо обрабатывающих узлов.

Средний уровень называется скрытым уровнем 203. Скрытый уровень не является необходимым, но обычно предусматривается. Выходные сигналы узлов входного уровня 205 являются входными сигналами для каждого узла в скрытом уровне 203. Точно так же выходные сигналы узлов скрытого уровня 203 являются входными сигналами для каждого узла в выходном уровне 201. Можно использовать дополнительные скрытые слои. Каждый узел в дополнительных скрытых уровнях получает в качестве входных сигналов выходные сигналы из предшествующего уровня.

Выходной уровень 201 может состоять из одного или из нескольких узлов. Выходной уровень получает выходные сигналы от узлов скрытого уровня 203. Выходной сигнал (выходные сигналы) узла (узлов) выходного уровня 201 характеризуют прогнозируемую форму 209 кабеля. Каждое соединение между узлами имеет соответствующий вес. Веса задают относительное влияние каждого входного значения на каждое выходное значение. Первоначально для каждого из весов выбирают случайное значение. Веса модифицируются по мере обучения нейронной сети.

Предполагается использование конфигураций нейронной сети других типов в качестве нейронной сети настоящего изобретения. Все, что требуется от нейронной сети, заключается в том, что нейронная сеть должна быть способной обучаться и повторно обучаться с тем, чтобы обеспечивать требуемое прогнозируемое положение кабеля.

Входные данные 207 подаются во входные ячейки памяти компьютера, имитирующие входные узлы входного уровня 205. Каждый узел скрытого уровня 203 получает входные значения со всех входов входного уровня 205. Каждый узел скрытого уровня имеет вес, соотнесенный с каждым входным значением. В каждом узле каждое входное значение умножается на соответствующий ему вес, и эти значения суммируются для всех входов. Затем эта сумма используется в качестве входных данных для уравнения (также называемого передаточной функцией или активационной функцией) с целью формирования выходного сигнала для этого узла. Обработка сигналов для узлов в скрытом уровне 203 может выполняться параллельно, или она может осуществляться последовательно. После этого в нейронной сети с только одним скрытым уровнем 203, показанным на фиг.2, вычисляются выходные значения или активации. Каждый выходной сигнал или активация умножается на соответствующий ей вес, и эти значения суммируются. Далее эта сумма используется в качестве входных данных для уравнения, которое в результате решения дает прогнозируемую форму 209 кабеля. Следовательно, при использовании входных данных 207 нейронная сеть формирует выходной сигнал 209, который представляет собой прогнозируемое значение. Эквивалентная цель может быть достигнута при использовании аналоговой аппаратуры.

Выходной сигнал узла является функцией взвешенной суммы его входных сигналов. Зависимость входной сигнал/выходной сигнал часто описывается передаточной функцией. Актива7 ционная функция может быть представлена в символьной форме следующим образом:

Υ=£ (Σ(νΓί Χί) ) Взвешенная сумма, Σ (* Χί) г представляет собой входные данные для активационной функции. Активационная функция определяет уровень активности, создаваемый в узле в результате действия входного сигнала. В качестве активационной функции может быть выбрана любая функция. Однако при наличии обратного распространения для использования предпочтительна сигмоидальная функция. Сигмоидальная функция представляет собой непрерывную, 8-образную, монотонно возрастающую функцию, которая асимптотически приближается к фиксированным значениям по мере приближения входного сигнала к плюс или минус бесконечности. Обычно для верхнего предела сигмоида задают значение +1, а для нижнего предела задают значение 0 или -1. Сигмоидальная функция может быть представлена в следующем виде:

£ (х)=1/(1+е^<х+т)) , где х - взвешенное входное значение (то есть (^₁-х₁)) и

Т - простой порог или смещение.

Заметим, что порог Т в приведенном выше уравнении можно исключить путем введения в нейронную сеть узла смещения. Узел смещения не имеет входа, но в нейронной сети выдает постоянное значение ко всем узлам скрытого и выходного уровней. Веса, которые каждый узел приписывает этому одному выходу, становятся пороговым значением для данного узла. Это упрощает уравнение до £ (х) =1/ (1+е^х) , где х - взвешенное входное значение (то есть (^;-х;), где Х₀=1, а Ю добавляется в качестве веса).

Для использования совместно с настоящим изобретением пригодна реляционная или объектно-ориентированная база данных. Существуют многочисленные коммерчески доступные базы данных, пригодные для использования совместно с настоящим изобретением.

Настройку весов в нейронной сети обычно называют обучением. Для обучения нейронной сети требуется, чтобы обучающие данные были скомпонованы для использования процедурой обучения. Затем процедура обучения реализуется шагами (этапами), показанными на фиг.3 и описанными ниже. Что касается фиг.3, то в настоящем изобретении предполагается использование различных способов обучения нейронной сети. На шаге 300 веса инициализируются случайными значениями. При повторном обучении нейронной сети шаг 300 может быть пропущен, так что обучение начинается с весов, вычисленных во время предыдущего обучающего сеанса (предыдущих обучающих сеансов). На шаге 301 на входы нейронной сети подается множество входных данных. Эти входные данные обуславливают формирование узлами входного уровня выходных сигналов для узлов скрытого уровня, который, в свою очередь, формирует выходные сигналы для узлов выходного уровня, который обеспечивает получение результата. Этот поток информации от входных узлов до выходных узлов обычно называют прямым потоком активации, показанным на правой стороне фиг. 4.

Теперь вернемся к фиг. 3, где на шаге 301 на нейронную сеть подаются входные данные в виде требуемых, фактических или известных выходных значений. На шаге 303 данные о прогнозируемой форме кабеля, полученные с помощью нейронной сети, сравниваются с желаемыми, фактическими или известными выходными данными. Различие между желаемыми выходными данными и данными о прогнозируемой форме кабеля, полученными с помощью нейронной сети, известно как значение ошибки. Затем, как показано на шаге 305, это значение ошибки используется для подстройки весов в нейронной сети.

Один удовлетворяющий требованиям способ для подстройки весов называется обратным распространением, при котором выходной сигнал ошибки подается обратно через сеть с осуществлением изменений весов соединений так, чтобы эта ошибка минимизировалась. В случае обратного распространения значение суммарной ошибки распределяется к каждому из узлов в нейронной сети, при этом на основе ошибки, назначенной каждому узлу, корректируются веса, относящиеся ко всем входным сигналам узлов. Этот обратный поток ошибки показан на левой стороне фиг. 4.

Как только ошибка, относящаяся к задан ному узлу, станет известной, веса узлов корректируются. Один путь корректировки веса для данного узла описывается следующим образом:

старые +βΕΧ, где

Е - сигнал ошибки, соотнесенный с узлом;

X - входные сигналы;

^старые - текущие веса;

^_новые - веса после корректировки; и β - постоянная обучения или величина шагов в направлении вниз по кривой ошибок.

Совместно с настоящим изобретением можно использовать другие видоизменения этого способа. Например, нижеследующее выраже ние ^новые^-^старые+βΕΧ+θΙ (^?_НОвые“ ‘^старые) предыдущие включает в себя член момента, α · (^_новые'^старые⁾предыдущие^{, где α представляет собой} ΠΌ^- стоянную, которая умножена на изменение веса относительно предыдущего входного шаблона.

Процедура обратного распространения или другая процедура обучения повторяется с каж9 дым из обучающих множеств до завершения обучения. Как показано на шаге 307, проверка достоверности используется для определения того, закончилось ли обучение. Эта проверка достоверности может быть просто проверкой того, что значение ошибки меньше определенного значения для заданного числа итераций, или просто концом обучения после определенного числа итераций. Предпочтительный способ заключается в использовании множества проверочных данных и в измерении ошибки, получаемой при использовании проверочных данных. Проверочные данные могут быть сформированы с взаимным исключением данных, используемых для обучения. Если ошибка, проистекающая от применения проверочных данных, меньше заранее заданного значения, то обучение считается законченным. В результате подачи на нейронную сеть проверочных данных веса не корректируются.

Заметим, что хотя настоящее изобретение описано применительно к базисному алгоритму обратного распространения, совместно с настоящим изобретением можно также использовать другие модификации алгоритма обратного распространения. Кроме того, можно использовать другие законы обучения. Например, обучение с закреплением. При закрепляющем обучении ко всем узлам в нейронной сети подается глобальный закрепляющий сигнал. Затем на основании закрепляющего сигнала корректируются веса узлов. Это несомненно отличается от процедур обратного распространения, при которых сигнал ошибки формируется на выходе каждого узла в сети. При закрепляющем обучении имеется только один сигнал ошибки, который используется всеми узлами.

Следовательно, как описано выше, обучающие множества используются для настройки весов в нейронной сети. Во время обучающей сессии любое заданное множество может использоваться много раз. После того, как нейронная сеть обучена, нейронной сети представляются рабочие данные для получения прогнозируемой формы кабеля.

Назначение предобработки 107 показано на фиг.1. Предобработка входных значений может осуществляться при подаче входных сигналов на нейронную сеть. Установлено, что процедура обратного распространения работает наилучшим образом, когда входные данные нормированы в диапазоне [-1, 1] или [0, 1]. Заметим, что нормирование производится для каждого показателя данных. Шаг нормирования может быть также объединен с другими шагами, например с получением натуральных логарифмов входных значений. При логарифмической шкале большие значения данных сжимаются сильнее, чем меньшие значения. Когда нейронная сеть содержит узлы с сигмоидальной активационной функцией, лучшие результаты получаются, если данные нормируются в диапазоне [0,2; 0,8]. При нормировании в диапазоне [0,2;

0,8] используется ядро сигмоидальной активационной функции. Для предварительной обработки входных значений могут использоваться другие функции.

В предпочтительном варианте осуществления настоящего изобретения использованы одна или несколько программных систем обеспечения. В этом контексте программная система обеспечения представляет собой набор из одного или из нескольких программных продуктов и одной или нескольких областей памяти, например в виде памяти с произвольным доступом или диска. В общем смысле под программной системой должны пониматься полнофункциональные программные средства, реализующие функцию, которой может быть дополнена существующая вычислительная система для получения новой функции этой вычислительной системы.

Программные системы обычно создают многоуровневыми. В системе с большим числом уровней программная система самого нижнего уровня обычно является компьютерной операционной системой, которая обеспечивает возможность выполнения аппаратным обеспечением инструкций программного обеспечения. Дополнительные уровни программных систем могут обеспечивать, например, функциональные возможности базы данных. Система базы данных обеспечивает базовый уровень, на который могут быть встроены дополнительные программные системы. Например, программная система нейронной сети может быть надстроена над базой данных.

Поэтому под программной системой должны пониматься программные средства, реализующие функцию, которая может быть встроена с наложением с целью образования компьютерной системы, обеспечивающей новые функциональные возможности. Кроме того, в большинстве случаев предусмотрен строго определенный интерфейс между одной программной системой и другой программной системой. В контексте настоящего изобретения должно быть понятно, что разделение между программными системами является характерным для предпочтительной реализации. Однако настоящее изобретение может быть реализовано при использовании любой комбинации или при разделении программных систем.

База данных может быть реализована в виде автономной программной системы, в которой образован базовый уровень, над которым могут быть надстроены другие программные системы (например, такие, как нейронная сеть и обучающее средство). База данных, использованная в настоящем изобретении, может быть реализована при использовании ряда способов. Например, база данных может быть выполнена в виде базы данных на основе памяти с произвольным доступом, базы данных на основе диска или в виде объединения баз данных на основе памяти с произвольным доступом и баз данных на основе диска. В настоящем изобретении подразумевается любое вычислительное или аналоговое средство для осуществления функций базы данных. Упомянем несколько баз данных, таких как одноуровневые реляционные базы данных, объектно-ориентированные базы данных или иерархические базы данных.

Входные данные подаются в нейронную сеть, и эти входные данные используются для получения на выходе прогнозируемой формы кабеля. Выходные данные могут подаваться в базу данных для хранения или могут передаваться к другим программным системам, таким, как прикладные программы принятия решения или планирования. Входные данные могут быть получены из базы данных.

Кроме того, относительно настоящего изобретения должно быть понятно, что варианты осуществления с использованием программного обеспечения и компьютера являются только одним из возможных путей реализации различных элементов в системах и способах. Как упоминалось выше, нейронная сеть может быть реализована в аналоговой или в цифровой форме. Относительно этапов способа, описанных выше, предназначенных для функционирования систем, описанных в этой части, должно быть понятно, что операции (которые предполагают работу цифрового компьютера), такие как вычисление или определение, могут также осуществляться в аналоговых эквивалентных формах или другими способами.

Модель нейронной сети может иметь полносвязный вид или может не иметь обратной связи. Это лишь примеры. Для модели нейронной сети предполагаются возможными другие виды или конфигурации.

Нейронная сеть должна иметь доступ к входным данным и к исходным данным для обучения и доступ к местам, в которых она может сохранять выходные данные и данные ошибок. В одном варианте осуществления настоящего изобретения использован подход, при котором данные не запоминаются в нейронной сети. Вместо этого в нейронной сети запоминаются указатели данных, которые указывают на места хранения данных (например, рабочую область памяти) в отдельной системе программного обеспечения. Эти указатели данных, также называемые спецификациями данных, могут принимать ряд форм и могут использоваться для указания данных, используемых для ряда целей. Например, указатель входных данных и указатель выходных данных должны быть конкретными. Указатель может указывать на или использовать конкретный источник данных, тип данных или указатель элементов данных. Нейронная сеть также должна обладать функцией извлечения данных и функцией сохранения данных. Примерами этих функций являются вызываемые подпрограммы, доступ к диску и доступ к сети. Это только примеры видов функций извлечения и хранения. В предпочтительном способе имеется нейронная сеть, использующая данные из базы данных. Нейронная сеть сама извлекает данные из базы данных, или другой модуль может подавать данные в области, заданные указателями нейронных сетей.

Как рассмотрено выше, нейронная сеть также нуждается в обучении. Как установлено ранее, в настоящем изобретении подразумевается любой доступный в настоящее время или перспективный способ обучения, который будет разработан. Кроме того, способ обучения может до некоторой степени диктоваться архитектурой используемой модели нейронной сети. Примеры видов способов обучения включают в себя алгоритм обратного распространения, обобщенный дельта-метод, метод градиентного спуска, которые все хорошо известны в области техники, к которой относится изобретение.

Существует некоторое количество общедоступных вспомогательных средств, предназначенных для разработки нейронных сетей. Например, утилита нейронной сети от ΙΒΜ обеспечивает доступ к ряду нейронных парадигм (включая сеть с обратным распространением) с использованием графического интерфейса пользователя, а также с применением средств интерфейса прикладных программ (ΑΡΙ), которые обеспечивают возможность включения сети в более крупную систему. Графический интерфейс пользователя в утилите нейронной сети запускается на машинах на базе 1п1с1 при использовании операционной системы 08/2 или ΌΟ8/\νίη6ο\ν5 или на машинах с сокращенным набором команд К18С/6000 при использовании версии ΑΙΧ операционной системы Ишх. Средства ΑΡΙ доступны не только на этих платформах, но также и на ряде основополагающих платформ, включая виртуальную машину/диалоговую мониторную систему УМ/СМ8 и 08400. Доступное аппаратное обеспечение, предназначенное для улучшения обучения нейронной сети и характеристик времени выполнения, включает в себя «мастер» от ΙΒΜ (ΙΒΜ νίζατά), плату, которая подключается к микроканальным шинам (М1сго Сйапие1). Другие производители аналогичных продуктов программного и/или технического обеспечения включают в себя Ыеига^аге, №йог и НесЫМеЕеп Со.

Множество входных сигналов для нейронной сети можно предварительно обработать. Предпочтительная процедура для нормирования входных значений заключается в получении натуральных логарифмов входных значений и затем в нормировании их до значений между 0,2 и 0,8. В этом случае можно гарантировать, что ядро сигмоидальной функции будет использоваться. Это снимает проблемы, скрытые в значениях, которые лежат на краях функции, вбли зи 0 или 1. Если данные просто нормировать между 0,2 и 0,8, то ошибка, выраженная в процентах, будет намного больше на меньших участках. В среднем ошибка примерно равна для всех входных сигналов; однако равновеликая ошибка на меньшем участке будет приводить к большей ошибке, выраженной в процентах, чем на большем участке. Чтобы минимизировать этот эффект, данные нормируют. Сначала получают натуральный логарифм данных, что сжимает данные и создает более нормальное распределение. Затем эти натуральные логарифмы нормируют и подают в сеть.

Сеть с прямой связью, имеющая двенадцать входных узлов, скрытый уровень, один выходной узел и стандартное обратное распространение, осуществляет прогноз формы кабеля. Можно также использовать входные узлы с различными рабочими данными и более или менее скрытые.

Хотя настоящее изобретение описано с использованием в качестве примеров применения процедуры прогнозирования формы кабеля и определения объема профилирования, настоящее изобретение не ограничено этими конкретными применениями.

Хотя в настоящей заявке изобретение было описано подробно применительно к некоторым предпочтительным вариантам осуществления, специалисты в области техники, к которой относится изобретение, могут выполнять в нем модификации и изменения. Соответственно предполагается, что все такие модификации и изменения находятся в рамках истинной сущности и объема изобретения.

Claims

ФОРМУЛА ИЗОБРЕТЕНИЯ

1. Система для прогнозирования формы сейсморазведочного кабеля, содержащая нейронную сеть, включающую входной уровень, скрытый уровень и выходной уровень, при этом каждый уровень содержит один или несколько узлов, узлы во входном уровне связаны с рабочими данными, по меньшей мере один узел во входном уровне соединен по меньшей мере с одним узлом в скрытом уровне, а по меньшей мере один узел в скрытом уровне соединен по меньшей мере с одним узлом в выходном уровне, при этом выходной уровень выводит данные о спрогнозированном положении сейсморазведочного кабеля, причем каждое соединение между узлами имеет соответствующий вес; и обучающее устройство для определения веса для каждого указанного соединения между узлами нейронной сети, при этом нейронная сеть реагирует на рабочие входные сигналы для вывода данных о спрогнозированном положении сейсморазведочного кабеля.
2. Система по п.1, в которой обучающее устройство содержит устройство для подачи в нейронную сеть совокупности обучающих мно жеств, при этом каждое обучающее множество состоит из данных об истории (процесса) и требуемого прогноза положения сейсморазведочного кабеля, устройство для определения для каждого множества обучающих данных различия между прогнозом, выработанным нейронной сетью, и требуемым прогнозом положения сейсморазведочного кабеля; и устройство для корректировки каждого веса нейронной сети на основе различия.
3. Система по п.2, в которой обучающее устройство содержит устройство для корректировки каждого веса путем использования обратного распространения.
4. Система по п.3, в которой обучающее устройство дополнительно содержит средство для подачи в нейронную сеть множества тестовых данных с целью определения, завершено ли обучение.
5. Система по п.4, в которой множество тестовых данных является множеством данных проверки достоверности.
6. Система по п.1, дополнительно содержащая препроцессор для вычисления логарифмического значения для каждых данных об истории (процесса) и для связи каждого логарифмического значения с входным уровнем.
7. Система по п.1, в которой нейронная сеть включает в себя узел смещения, который имеет соединения по меньшей мере с одним узлом в скрытом уровне и по меньшей мере с одним узлом в выходном уровне.
8. Система по п.1, дополнительно содержащая нормирующее устройство для нормирования входных значений, подаваемых в нейронную сеть.
9. Система по п.1, дополнительно содержащая по меньшей мере один вход для приема по меньшей мере одного параметра из следующих: координат судна, координат приемников, времени, скорости судна, скорости течения, скорости ветра, температуры воды, солености, сведений о приливном режиме, глубины воды, плотности размещения элементов в сейсмоприемной косе и размеров сейсмоприемной косы в качестве входных данных для нейронной сети; и по меньшей мере один выход для формирования выходных данных о прогнозируемой форме сейсморазведочного кабеля.
10. Система по п.1, в которой обучающее устройство использует закрепляющее обучение.
11. Способ для прогнозирования формы сейсморазведочного кабеля, содержащий подачу рабочих данных на входной уровень нейронной сети; обработку рабочих данных в скрытом уровне нейронной сети и вывод данных о прогнозируемом положении сейсморазведочного кабеля.
12. Способ по п.11, дополнительно содержащий подачу в нейронную сеть совокупности обучающих множеств, при этом каждое обучающее множество состоит из данных об исто15 рии (процесса), соответствующего статистического прогноза формы кабеля, сделанного нейронной сетью, и требуемого прогноза формы кабеля; определение для каждого множества обучающих данных различия между прогнозом, выработанным нейронной сетью, и требуемым прогнозом; и корректировку каждого веса нейронной сети на основе различия.
13. Способ по п.12, дополнительно содержащий осуществление корректировки каждого веса путем использования обратного распространения.
14. Способ по п.12, дополнительно содержащий подачу в нейронную сеть множества тестовых данных.
15. Способ по п.12, дополнительно содержащий подачу в нейронную сеть множества данных проверки.
16. Способ по п.11, дополнительно содержащий вычисление логарифмического значения для любых данных об истории (процесса) и для связи каждого логарифмического значения с входным уровнем.
17. Способ по п.11, дополнительно содержащий подачу сигнала смещения к узлам скрытого уровня и к узлам выходного уровня.
18. Способ по п.11, дополнительно содержащий нормирование входных значений, подаваемых в нейронную сеть.
19. Способ по п.11, дополнительно содержащий прием рабочих данных в качестве входных сигналов для нейронной сети и формирование выходных данных о прогнозируемой форме кабеля.
20. Способ по п.11, дополнительно содержащий использование закрепляющего обучения для обучения нейронной сети.