عنوان مقاله :
اهميت انتخاب مشخصه در كاربرد هوش مصنوعي در برآورد ژرفاي تاقديس توسط داده هاي گراني
عنوان فرعي :
Importance of Features Selection in Application of Pattern Recognition in Estimating the Depth of Anticline Using Gravity Data
پديد آورندگان :
حكمتيان، محمداحسان نويسنده دانشجوي دكترا، دانشكده علوم پايه، دانشگاه آزاد اسلامي، واحد علوم و تحقيقات، تهران، ايران Hekmatian, M.E , ابراهيم‌زاده اردستاني، وحيد نويسنده دانشگاه تهران , , رياحي، محمدعلي نويسنده دانشيار، موسسه ژيوفيزيك دانشگاه تهران، تهران، ايران Riahi, M.A , معمار كوچه‌باغ، ايوب نويسنده استاديار، پژوهشكده چرخه سوخت هستهاي، پژوهشگاه علوم و فنون هستهاي، تهران، ايران Memar Koucheh Bagh, A , اميني، جلال نويسنده دانشيار، دانشكده فني، دانشگاه تهران، تهران، ايران Amini, J
اطلاعات موجودي :
فصلنامه سال 1393 شماره 94
كليدواژه :
Pattern recognition , Support vector classifier , Gravity , برآورد ژرفاي تاقديس , رده‌بندي كننده بردار حمايت‌شده , گراني , شناسايي الگو , Depth estimation of anticline , feature selection , انتخاب مشخصه
چكيده فارسي :
استفاده از هوش مصنوعي يا شناسايي الگو (Pattern Recognition (PR)) در تفسير داده‌هاي ژيوفيزيكي و يا ديگر علوم زمين چند سالي است كه به‌ويژه با ورود شبكه عصبي در اين عرصه مطرح شده است. در روش شبكه عصبي و ديگر روشهاي شناسايي الگو و از جمله در روش رده‌بندي كننده بردار حمايت‌شده (Support Vector Classifier (SVC)) كه در اين پژوهش از آن استفاده شده است، با استفاده از مقادير مشخصه‌هاي استخراج‌شده از ساختارها يا اشياي مورد نظر به رده‌بندي آن اشيا يا ساختارها پرداخته مي‌شود و به اين ترتيب مي‌توان به تفسير مورد نظر دست يافت. به‌طور مرسوم درانتخاب اين مشخصهها نظر شخصي نقش اصلي را بر عهده داشته است. در اين نوشتار با ارايه نرم‌افزاري كه داراي قابليت انتخاب مشخصه‌هاي (Features Selection (FS)) مناسب براي برآورد ژرفاي ساختارهاي طاقديسي توسط داده‌هاي گراني است و نشان دادن تفاوت استفاده از مشخصه‌هاي مناسب و نامناسب در اين تفسير، اهميت انتخاب مشخصه در كاربرد هوش مصنوعي در تفسيرگراني و ديگر علوم زمين نشان داده مي‌شود. در اجراي اين پژوهش، براي تربيت روش رده‌بندي كننده بردار حمايت‌شده مربوط، 20 نيمرخ مصنوعي گراني با منبع تاقديسي توليد شد (مجموعه تربيت كننده). همچنين براي امتحان روش رده‌بندي كننده بردار حمايت‌شده يادشده، 20 نيمرخ مصنوعي گراني ديگر هم كه آنها نيز داراي منابع به شكل تاقديس بودند، توليد شد (مجموعه امتحان كننده). در اين پژوهش نشان داده شد كه برآورد ژرفاي منابع تاقديسي در حالت استفاده از مقادير مشخصه‌هاي مناسب، خيلي دقيق‌تر از برآورد ژرفا در حالت استفاده از مقادير مشخصه‌هاي نامناسب است. لازم به يادآوري است كه نرم‌افزار انتخاب مشخصه يادشده به‌طور ويژه تنها براي انتخاب مشخصه تفسير گراني طراحي نشده، بلكه طراحي آن به‌گونه‌اي است كه قابل استفاده براي انتخاب مشخصه در هر فعاليت تفسيري علوم زمين هم است.
چكيده لاتين :
Pattern recognition algorithms especially neural network in geophysical interpretations and other Earth sciences have been used since some years ago. In neural network and other pattern recognition algorithms like support vector classifier (SVC) that the latter method is used in this research, by using the values of the features, which has been extracted from the objects (in our work gravity profiles are objects), classification of the objects can be done. Usually the features are selected subjectively. In this paper, we have presented a homemade software that can select proper features objectively. By using SVC and the mentioned features selection (FS) software, depth estimations of anticlines have been done in this research. We have shown the difference of using proper features and improper ones in the mentioned depth estimation (a kind of classification). In this paper, twenty synthetic gravity profiles with anticline shape sources are created for training SVC and the same amount of synthetic profiles are created for testing. It has shown that depth estimation with proper features is more precise than depth estimation with improper features. Also it should be emphasized that FS is important not only in depth estimation of anticlines, but also in all kinds of classifications in Earth sciences and the mentioned homemade software code is applicable in all of them.
اطلاعات موجودي :
فصلنامه با شماره پیاپی 94 سال 1393
كلمات كليدي :
#تست#آزمون###امتحان
