ИСТИНА

При решении обратных нелинейных задач геофизики в последние годы эффективно применяются нейросетевые методы, которые основаны на аппроксимации приближенного обратного оператора задачи с помощью многослойной нейронной сети нейросетевого аппроксиматора (НС аппроксиматор). Оптимизационные задачи построения (обучения) НС аппроксиматора и оценки погрешности получаемых приближенных решений обратной задачи решаются с использованием методов группы Монте-Карло. Для этого рассчитываются выборки решений прямых задач (порядка нескольких тысяч) для различных векторов параметров среды, которые изменяются случайным образом в максимально широком диапазоне их изменения, и на их основе определяются оценки решений рассматриваемых оптимизационных задач. Проводится анализ структуры обучающей выборки для построения аппроксиматора. Анализируется случайная величина расстояний от заданной точки до ближайшей по всему множеству, которая характеризует степень равномерности обучающей выборки. Исследуются вопросы сходимости и устойчивости получаемых оценок при увеличении объема выборки. Приводятся численные примеры, иллюстрирующие работу алгоритмов на модельных и полевых данных для задач геоэлектрики.