基于卷积神经网络识别重力异常体

本文将深度学习与重力异常体识别结合,基于近年来在图像识别邻域取得优异效果的卷积神经网络,将重力观测等值线图看作待识别的二维图像,将地下重力异常体的空间参数看作识别输出,从而形成适用于异常体识别的卷积神经网络模型。在训练中,随机生成大量不同参数的三维异常体模型,正演得到其重力观测二维数据,用异常体模型参数标签和重力数据训练卷积神经网络。在模型算例中测试训练好的网络模型,其识别准确性良好。同时,相比于传统神经网络从二维重力测线中识别异常体的埋深,卷积神经网络可从二维的重力数据识别三维异常体的埋深和大小信息。最后,将网络应用于澳大利亚Kauring地区重力观测数据,异常体识别结果与前人研究结果相符。说明卷积神经网络具泛化能力,可用于识别实测重力异常体,结果可靠。

金融创新对商业银行风险承受的影响——基于23家上市银行的理论与实证分析

本文以中国23家上市银行为样本,通过建立面板回归模型对金融创新与银行风险承受的关系进行实证分析。研究表明,金融创新与商业银行风险承受之间存在显著的正相关关系。过度的金融创新会给银行带来过高风险。

蚂蚁发明家

我是小蚂蚁杰克，最喜欢搞发明啦。不过，我的发明总是失败，同伴们都嘲笑我，但是我一点也不气馁（nei），相信自己总有一天会成功的。

利用卷积自编码器重建含噪重力数据

卷积自编码器融合了适于处理相同维度数据映射的自编码器神经网络,以及近年来在图像处理领域取得广泛应用的卷积神经网络。基于深度学习处理重力观测数据图像,利用卷积自编码器从含噪声的重力图像中重建重力观测图像。首先,随机建模生成大量不同参数的重力异常体,正演其重力异常,将加入噪声的重力异常和原始重力异常分别作为卷积自编码器的输入和输出进行训练;然后,模拟数据测试表明训练得到的神经网络重建效果良好;最后,用Kauring实验场实测重力数据测试该神经网络的泛化性能,并与快速傅里叶变换(fast Fourier transform,FFT)滤波、db小波(Daubechies wavelet)滤波方法进行了比较。结果表明,训练好的卷积自编码器重建实测重力数据的平均误差小于FFT滤波方法及db小波滤波,且能避免重力异常特征过度滤波而消失,受噪声干扰小于db小波滤波,综合效果理想。

多尺度源网重力与重力梯度联合聚焦反演

在重力聚焦反演基础上提出多尺度源网聚焦反演算法。首先,对源网进行粗网格剖分,用共轭梯度法求解粗网格源网模型的聚焦解,直到拟合差下降至设定的数值;然后,将粗网格得到的密度映射到细网格;最后,以细网格模型为初始模型,进一步迭代直到拟合差下降至符合反演要求。模型试验结果显示,相比于固定源网反演,多尺度源网聚焦反演迭代的总耗时缩短50%以上。所提算法对单体模型、同参数双体模型和不同参数双体模型均比固定源网聚焦反演有更好分辨能力,对底边更深或整体埋深更大的模型分辨能力明显提高。实测数据试验结果显示,采用澳大利亚Kauring地区的实测重力和重力梯度数据反演计算,反演结果与前人一致,说明所提算法适用于实测数据。