一種地球物理數據處理方法
【專利摘要】提供一種地球物理數據處理方法，具體涉及一種具有信道衰落的無窮分布時滯神經網絡系統的狀態估計方法，在其中考慮了隨機發生的不確定性、信道衰落和無窮分布時滯對狀態估計性能的影響，構造李亞普諾夫函數完整利用了時滯的有效信息，相比于已有的神經網絡動態系統的狀態估計方法，本發明的狀態估計方法能夠一并考慮隨機發生的不確定性、信道衰落和無窮分布時滯，得出了依賴線性矩陣不等式解的狀態估計方法，實現抵制噪聲干擾的效果，進一步提高了對地層成像的精度。
【專利說明】
一種地球物理數據處理方法
技術領域
[0001 ]本發明屬于地球物理領域，涉及一種地球物理數據處理方法，具體涉及一種具有 信道衰落的無窮分布時滯神經網絡系統的狀態估計方法，該方法適用于在石油勘探開發中 提高成像精度而進行的地震速度模型建立。
【背景技術】
[0002] 石油地球物理勘探是根據地下巖層物理性質的差異，通過物理量測量，對地質構 造或巖層性質進行研究，以尋找石油和天然氣的地球物理勘探。在石油勘探中，對于被表 土、沙漠和海水覆蓋沒有巖層直接出露的地區，主要依靠石油地球物理勘探方法間接了解 地質構造和巖層性質，尋找油氣藏。目前，石油地球物理勘探已成為覆蓋區勘探石油的一種 不可缺少的手段。當前，復雜地區低信噪比數據處理已成為處理方法研究和處理應用技術 研究的最熱門的課題。經過多年研究攻關，在靜校正、疊前去噪、速度建模、偏移歸位等領域 均已有較大的進展，速度的各向異性研究也開始受到人們的重視，但低信噪比數據處理仍 存在著許多有待研究的課題。
[0003] 隨著地球物理勘探技術的發展和勘探程度的不斷提高，地質情況簡單、易被發現 的簡單構造圈閉越來越少，所面對的已基本上都是復雜地區的復雜油氣藏，即復雜區。復雜 地區包括沙漠、丘陵、沼澤、林帶等復雜的地表區域等，復雜油氣藏包括復雜構造、地層、巖 性和復合型圈閉油氣藏。這些復雜的勘探隊相對以地震勘探為主體的油氣地球物理技術提 出了新的挑戰。尤其是在復雜低信噪比資料處理方面，仍存在許多難以解決的瓶頸技術。其 一:受地表地質條件復雜的影響，復雜區地表起伏往往變化劇烈、地表速度復雜，地表非均 質性造成原始數據資料的信噪比低、干擾嚴重，面波、折射波尤其是散射噪音比較發育，給 提高資料的信噪比帶來較大的難度;其二：由于地下地震地質條件復雜，使復雜區資料構造 極其復雜，斷裂發育，尤其是在復雜的斷塊區域，一般具有多套斷裂系統，斷層即多又小;斷 距變化大，從幾十米到幾百米不等，再加之復雜區往往火成巖比較發育，分布廣泛，由于火 成巖的速度高，和圍巖之間存在較大的波阻抗差異，其結果火成巖反射強，屏蔽下伏地層的 反射能量，使得火成巖下的有效反射目的層能量弱，不能很好成像。另外，火成巖產生的多 次波對有效反射產生很強的干擾作用，這些問題的存在使原來就比較復雜的波場變得更加 復雜化，給構造的精確成像帶來困難。
[0004] 在成像控制研究中，狀態估計是遞歸神經網絡動態分析中的一個重點研究問題， 其可用于解決現實中模式識別、動態優化等方面的信號估計問題。目前已有的狀態估計方 法不可一并處理隨機發生的不確定性、信道衰落和無窮分布時滯，從而導致狀態估計性能 下降，但一直以來無法解決該問題。
【發明內容】
[0005] 為了解決上面所述的技術問題，本發明提出一種地球物理數據處理方法，具體涉 及一種具有信道衰落的無窮分布時滯神經網絡系統的狀態估計方法。其克服了現存估計方 法不可一并處理隨機發生的不確定性、信道衰落和無窮分布時滯，進而使估計性能下降的 缺陷的技術問題。
[0006] 依據本發明的技術方案，提供一種地球物理數據處理方法，其具體為一種具有信 道衰落的無窮分布時滯神經網絡系統的狀態估計方法，該方法包括以下步驟：
[0007] (1)在野外勘探目標區中在實際井中以人工方法激發地震波，利用檢波采集設備 獲得地震數據，將野外采集到的地震數據進行預處理；
[0008] (2)基于預處理后的地震數據，建立考慮隨機發生的不確定性和信道衰落的無窮 分布時滯神經網絡系統的動態模型；
[0009] (3)對考慮隨機發生的不確定性和信道衰落的無窮分布時滯神經網絡系統的動態 模型進行狀態估計；
[0010] (4)根據步驟(3)對具有隨機發生的不確定性和信道衰落的無窮分布時滯神經網 絡系統的動態模型的狀態估計，求出狀態估計誤差；
[0011] (5)根據步驟(4)得到的狀態估計誤差，得到狀態估計增廣系統；
[0012] (6)利用狀態估計增廣系統，根據李亞普諾夫穩定性定理，得到狀態估計器增益矩 陣；
[0013] (7)將步驟(6)得到的狀態估計器增益矩陣帶入步驟(3)中的狀態估計公式，完成 對考慮隨機發生的不確定性和信道衰落的無窮分布時滯神經網絡系統的狀態估計；
[0014] (8)利用得到的狀態估計，進行整個目標區的地震資料的成像。
[0015]本發明提出的地球物理數據處理方法，其具體為一種具有信道衰落的無窮分布時 滯神經網絡系統的狀態估計方法，在其中考慮了隨機發生的不確定性、信道衰落和無窮分 布時滯對狀態估計性能的影響，構造李亞普諾夫函數完整利用了時滯的有效信息，相比于 已有的神經網絡動態系統的狀態估計方法，本發明的狀態估計方法能夠一并考慮隨機發生 的不確定性、信道衰落和無窮分布時滯，得出了依賴線性矩陣不等式解的狀態估計方法，實 現抵制噪聲干擾的效果，并且該狀態估計方法求解與實現簡便，進一步提高了對地層成像 的精度。
【附圖說明】
[0016] 圖1為依據本發明方法的核心步驟流程示意圖；
[0017] 圖2是神經網絡系統理想輸出信號y(k)及帶有信道衰落的測量輸出信號幻對比 圖，圖中虛線為神經網絡系統理想輸出信號y(k)，實線為神經網絡系統實際接收到的測量 輸出信號.v(A-):
[0018] 圖3是z(k)的估計誤差曲線及幻，圖中虛線為Z1(k)的估計誤差曲線&(幻,實線為Z2 (k)的估計誤差曲線L(幻,點線為z3(k)的估計誤差曲線
[0019] 圖4是理想狀態曲線21(1〇及其估計曲線^(幻對比圖，圖中虛線表示理想狀態曲線 zi(k)，實線表示其估計曲線zi〇)
[0020] 圖5是理想狀態曲線22(1〇及其估計曲線對比圖，圖中虛線表示理想狀態曲線 Z2(k)，實線表不其估計曲線z:(左)：
[0021]圖6是理想狀態曲線z3(k)及其估計曲線對比圖，圖中虛線表示理想狀態曲線 Z3(k)，實線表示其估計曲線;
【具體實施方式】
[0022]下面將結合本發明實施例中的附圖，對本發明實施例中的技術方案進行清楚、完 整地描述，顯然，所描述的實施例僅僅是本發明的一部分實施例，而不是全部的實施例。基 于本發明中的實施例，本領域普通技術人員在沒有做出創造性勞動前提下所獲得的所有其 他實施例，都屬于本發明保護的范圍。
[0023]地震資料數字處理，是指用數字計算機對野外采集的地震信息進行處理和分析， 以獲得高質量的、可靠的地震剖面，為下一步資料解釋提供直觀的、可靠的依據和有關的地 質信息。為了進一步提高低信噪比復雜構造區地震勘探的需求，在沒有好的資料基礎的前 提下，精確描述地下結構度，建立準確的地層構造描述，更好地提高地震資料的成像精度， 為下一步的地質綜合研究提供更佳詳實的地震資料是地震資料處理的關鍵。
[0024] 符號說明
[0025] 本文中，MT表示矩陣M的轉置J表示n維歐幾里得空間，RnXm表示所有nXm階實矩 陣的集合。I和〇分別表示單位矩陣、零矩陣。矩陣P>〇表示P為實對稱正定矩陣，E{x}和E{x| y}分別代表隨機變量x的數學期望和y條件下隨機變量x的數學期望。I |x| I代表向量x的歐 幾里得范數。(^8{41，42，'"上}表示對角塊是矩陣41，42，~，411的塊對角矩陣，符號*在對稱 塊矩陣中表示對稱項的省略。如果M是一個對稱矩陣，則A max(M)代表M的最大特征值。符號像 表示克羅內克爾乘積。若文中某處沒有明確指定矩陣維數，則假定其維數適合矩陣的代數 運算。
[0026]依據本發明提供的第一種【具體實施方式】，如圖1所示，提供一種地球物理數據處理 方法，其具體為一種具有信道衰落的無窮分布時滯神經網絡系統的狀態估計方法，該方法 包括以下步驟：
[0027] (1)在野外勘探目標區中在實際井中以人工方法激發地震波，利用檢波采集設備 獲得地震數據，將野外采集到的地震數據進行預處理；
[0028] (2)基于預處理后的地震數據，建立考慮隨機發生的不確定性和信道衰落的無窮 分布時滯神經網絡系統的動態模型；
[0029] (3)對考慮隨機發生的不確定性和信道衰落的無窮分布時滯神經網絡系統的動態 模型進行狀態估計；
[0030] (4)根據步驟(3)對具有隨機發生的不確定性和信道衰落的無窮分布時滯神經網 絡系統的動態模型的狀態估計，求出狀態估計誤差；
[0031] (5)根據步驟(4)得到的狀態估計誤差，得到狀態估計增廣系統；
[0032] (6)利用狀態估計增廣系統，根據李亞普諾夫穩定性定理，得到狀態估計器增益矩 陣；
[0033] (7)將步驟(6)得到的狀態估計器增益矩陣帶入步驟(3)中的狀態估計公式，完成 對考慮隨機發生的不確定性和信道衰落的無窮分布時滯神經網絡系統的狀態估計；
[0034] (8)利用得到的狀態估計，進行整個目標區的地震資料的成像。
[0035] 其中，步驟(2)的具體內容為:基于預處理后的地震數據建立考慮隨機發生的不確 定性和信道衰落的無窮分布時滯神經網絡系統的動態模型；
[0036] 建立考慮隨機發生的不確定性和信道衰落的無窮分布時滯神經網絡系統的動態 模型，其狀態空間形式為：
[0037] .y(A +1)=(』4 + (^ - (Z〒 + a: …r)十((_' + a:(人'以 r=l y(k) = Dx(k) G\v(k) (1) z(k) = Hx{k)
[0038] 式中，x(k)為k時刻神經網絡動態模型的狀態向量，x(k+l)為k+1時刻神經網絡動 態模型的狀態向量;t表示神經網絡動態系統的時滯，t = 1，2,3, . . .，〇〇;X(k_T)為k-T時刻 的神經網絡動態模型的狀態向量;f(x(k))為初始條件為零的非線性激勵函數；co (k)為k時 亥|J屬于12[0，°°)的干擾信號，12[0，°°)為在[0，°°)上平方可和向量函數空間；y(k)為神經網 絡系統k時刻的理想輸出，z (k)為神經網絡系統k時刻狀態向量的線性組合;A，B，C，D，E，G，H _ .00 00? 均為已知適當維數的系統矩陣;分布時滯的收斂系數為服從 T=1 7=1 伯努利分布的隨機變量，其中i = 1，2，3;實值矩陣A A，A B，A c表示有界不確定參數矩陣， 滿足[AA AB 其中心沁，他，陽為已知常矩陣^(10為未知矩陣，滿 足FT(k)F(kKl，I為單位矩陣。
[0039] 步驟(3)的具體內容為:對考慮隨機發生的不確定性和信道衰落的無窮分布時滯 神經網絡系統的動態模型進行狀態估計；
[0040] 狀態估計器公式：
[0041] +1) = ,4,又:(幻十 /?, .v(々） .(2 |r(Ai = C, x{k) + Dl y(k)
[0042] 式中&幻為在k時刻對狀態向量x(k)的估計值+1)為k+1時刻對狀態向量x(k+ 1)的估計值，只A)為神經網絡系統k時刻的實際測量輸出，為z (k)在k時刻的估計值，Af， Bf，Cf，Df為待求狀態估計器增益矩陣。
[0043] 步驟(4)的具體內容為:根據步驟(3)對具有隨機發生的不確定性和信道衰落的無 窮分布時滯神經網絡系統的動態模型的狀態估計，求出狀態估計誤差：
[0044] 將式(1)減式(2)，得到狀態估計誤差方程：
[0046] 式中，1為已知正標量，Mk) (s = 0，1，…，1)為信道系數，瓦〇? = 0，_1，?. ?，￡)為信道 系數的期望，令及(幻=A (幻-及;v (k)為系統內部干擾，；e(幻=x⑷一對幻為k時刻的狀態 估計誤差，e(k+l)為k+1時刻的狀態估計誤差；漢幻=z(幻-f(幻為k時刻z(k)的估計誤差;4； 為~⑴的期望，令辦幻= (/ =丨,2.3):
[0047] 步驟(5)的具體內容為:根據步驟(4)得到的狀態估計誤差，得到狀態估計增廣系 統；
[0049] 上式中，n(k) = [xT(k) eT(k)]T，/勿(fc)) = [/r(X(f)) /r(_v0:))-/"(i⑷)]r 4(k) = [c0T(k) vT(k)]T，xT(k)為狀態向量x(k)的轉置，eT(k)為狀態估計誤差e(k)的轉置，v T(k) 為系統內部干擾v(k)的轉置，wT(k)為系統外部干擾w(k)的轉置，fT(x(k))為非線性激勵函 數f(x(k))的轉置，廣(講))為非線性激勵函數/(.取))的轉置。式(4)中矩陣的形式為：
[0050] A = diag J A a.^A, A -f- a{AA\, B = diag{/i + ^zA5,5 + a-,AZ?},Ak = diag{ A A, A A}, [0051 ] C~ ctiagK. -\-a,AC ,(/ + a,A(. KBk = diag{ A B, A B} ,Ck = diag{ AC, AC},
[0052] Af = diag{Af，Af}，Bf = diag{Bf，Bf}，S3 = diag{0，I}，S4 = diag{_I，I}， 一 / 0.1. 「0. .(f
[0053] Cf=[Cf Cf],Df=[Df Df],H=[H 0]jS|~ , ^2- r.， / .0」 卜1 r〇 0] ~ 〇 〇"
[0054] .D = I . , E:- , -G- 〇
[d oj L.五.0」 0
[0055] 步驟(6)的具體內容為:利用狀態估計增廣系統，根據李亞普諾夫穩定性定理，得 到狀態估計器增益矩陣Af，B f，Cf，Df。
[0056] 由公式：
[0057] P # * * f -P * 氺 <0, (5) 0 WT -XI * m 0 0 -m
[0058] 得到矩陣和K，通過公式
[0059] Af =P^Af,Bf =P^B.f,[€f Df^ = K, (6)
[0060] 求解出狀態估計增益矩陣&及，&，如公式(5)和公式(6)中矩陣具體形式：
[0061] 1 i, =diag!/)!,/):.....(3.\, 1 〇, -diag|/i(),/^,...,/) j,M = diag{M,M}, L = diag{Z.,Lj-,
[0062] L = diag{li，l2，."，ln}，Ni = diag{Ni，Ni}，N2 = diag{N2，N2}，N3 = diag{N3，N3}，
[0063] A0=式/,爲爲f，Al=及/,/?:/,…"心，f⑷二diag{F⑷,F陰，F_,F(灸)}，
[0064] F(k) =diag{F(k)，F(k)}，Ak=M F(k)Ni，Bk=M F(k)N2，Ck=M F(k)N3，
[0065] A -diag：.4,,4j, B --ditigSZ?, 5K C--diag{C,C|, A . -ditigi.4, ,A,}, B; =diag|5, ,B. !,
[0071] diag{ ? }表示對角矩陣，I為單位矩陣，符號0表示克羅內克爾乘積，y為已知的 性能指標，均為未知正常數，/'(_)，/?,(./= 1，2,均為未知對稱正定矩陣，Kj,.萬，為待 求矩陣。
[0072]步驟(7)的具體內容為:將步驟(6)得到的狀態估計器增益矩陣Af，Bf，Cf，Df帶入步 驟(3)中的狀態估計公式，完成對考慮隨機發生的不確定性和信道衰落的無窮分布時滯神 經網絡系統的狀態估計。
[0073]進一步本發明提供第二種【具體實施方式】，本實施方式是對第一種【具體實施方式】給 出的一種具有隨機發生的不確定性和信道衰落的無窮分布時滯神經網絡系統的狀態估計 方法的進一步闡述，步驟(6)中所述的李亞普諾夫穩定性理論為：
[0074] V(k+1)-V(k)<0
[0075] 其中：
[0076] V(k)=Vi(k)+V2(k)+V3(k) (7)
[0077] vi(k)=nT(k)Pn(k),fsa)-X(/，Z 'fmim Z f =1 1 -t j=I i-k-j
[0078]式中，v(k)為k時刻的李亞普諾夫函數，v(k+i)為k+i時刻的李亞普諾夫函數，nT (k)為n(k)的轉置，nT(l)為n(l)的轉置，nT(i)為n(i)的轉置。
[0079]利用本發明所述方法進行仿真：
[0080] 系統參數：
[0081] A = diag{0.78,0.86,-0.25} ,B = diag{0.05,0.01,. 02}, L = diag{0.2,0.5 , 0.3} ,G = -0.1, '-0.2 0.5 0.3 1 「0.1~| 「0.2 0.1 0] 「0.2 -
[0082] €= 0.2 0.4 -0.3 ,E= 0.2 ,H = 0.1 0 0.1 -0.1 , 0 0.5 0.2」 [0.1」 [ 0 03 0.1」 L 0-：2
[0083] D=[0.5 0.3 -0. 7] ,Ni= [-0. 1 0.1 0.2],N2=[0.1 -0.2 -0.1],
[0084] N3=[-0.2 -0.1 0.1], y =1.1.
[0085] 此外，iK = 2-3 1, g = ().6() ' 4 = ()?()()，4 = 0.5，1 = 2 ,瓦=0.8991 及=0.4000，. =0.1174, =0.01338/),- -0.0467, ^ =0.01364, /(4) = 0J)()()5(^'v/; -1),^ 0 < B, < 0.20 … fU^) = \ non /v^I, ./(/?2)^8..''017c'v；,fi(xi(k))=-tanh(0.4xi(k))f 2 | -2..-!〇(//, - 1 j, 0.20 < />, < 1 (X2(k))=0.2tanh(X2(k))，f3(X3(k)) = tanh(0? 6x3(k)) ?
[0086]狀態估計增益求解：
[0087] 公式(5)和公式(6)進行求解，得到狀態估計器增益矩陣心3^&，&為如下形式
[0088] "0.4598 -0.0305 0.0512 1 [0.2604] 「0,0887 0.0564 0.0196" A, = -0.0372 0.5006 0.0083 , B, - 0.4496 , = 0.0630 0.0067 0.0367 , 0.0387 -0.0545 -0.1010」 [0.3134 丨 [-0.0124 0.2177 0.0634 '0.0781 "
[0089] D, - -0.0468 . 0.0142
[0090]狀態估計器效果：
[0091] 圖2是神經網絡系統理想輸出信號y(k)及實際帶有信道衰落的測量輸出信號 ^幻,圖3是z(k)的估計誤差曲線&幻，圖4是理想狀態曲線 21(1〇及其估計曲線^伙），圖5是 理想狀態曲線z2(k)及其估計曲線圖6是理想狀態曲線z3(k)及其估計曲線&(幻。
[0092] 由圖2至圖6可見，對于具有隨機發生的不確定性和信道衰落的無窮分布時滯神經 網絡系統，所發明的狀態估計器設計方法能夠有效地估計出目標狀態。
[0093] 本發明涉及一種隨機發生的不確定性、信道衰落和無窮分布時滯狀態估計方法。 需要進一步說明的是，本發明方法中的步驟(2)_(7)給出了具體實現該步驟的方法，本領域 技術人員也可以根據理解分別根據現有技術在細節或實現上進一步完善該步驟方法。
[0094] 尤其明顯的是，使用本發明的具有信道衰落的無窮分布時滯神經網絡系統的狀態 估計方法，在考慮目標區資料信噪比非常低，速度譜上沒有明顯的反射能量團，地質人員對 這樣的區域沒有明確的地質認識的情況下，充分利用狀態估計數據可以精確描述地層結構 的優勢，進行數據建模，采用狀態估計模型同其它建模方法的模型按照地質構造進行融合 優化處理，更精確地確定地下結構模型，解決了處理人員在低信噪比復雜構造區構建模型 不確定性的困惑，提高了低信噪比復雜構造區的資料的成像精度，為石油精細勘探提供了 尚質量的資料依據。
[0095]如上述，已經清楚詳細地描述了本發明提出的方法。盡管本發明的優選實施例詳 細描述并解釋了本發明，但是本領域普通的技術人員可以理解，在不背離所附權利要求定 義的本發明的精神和范圍的情況下，可以在形式和細節中做出多種修改。
【主權項】
1. 一種地球物理數據處理方法，其具體為一種具有信道衰落的無窮分布時滯神經網絡 系統的狀態估計方法，該方法包括以下步驟： (1) 在野外勘探目標區中在實際井中以人工方法激發地震波，利用檢波采集設備獲得 地震數據，將野外采集到的地震數據進行預處理； (2) 基于預處理后的地震數據，建立考慮隨機發生的不確定性和信道衰落的無窮分布 時滯神經網絡系統的動態模型； (3) 對考慮隨機發生的不確定性和信道衰落的無窮分布時滯神經網絡系統的動態模型 進行狀態估計； (4) 根據步驟(3)對具有隨機發生的不確定性和信道衰落的無窮分布時滯神經網絡系 統的動態模型的狀態估計，求出狀態估計誤差； (5) 根據步驟(4)得到的狀態估計誤差，得到狀態估計增廣系統； (6) 利用狀態估計增廣系統，根據李亞普諾夫穩定性定理，得到狀態估計器增益矩陣； (7) 將步驟(6)得到的狀態估計器增益矩陣帶入步驟(3)中的狀態估計公式，完成對考 慮隨機發生的不確定性和信道衰落的無窮分布時滯神經網絡系統的狀態估計； (8) 利用得到的狀態估計，進行整個目標區的地震資料的成像。2. 依據權利要求1所述的地球物理數據處理方法，其特征在于，步驟(2)的具體內容為： 建立考慮隨機發生的不確定性和信道衰落的無窮分布時滯神經網絡系統的動態模型，其狀 態空間形式為：式中，x(k)為k時刻神經網絡動態模型的狀態向量，x(k+l)為k+Ι時刻神經網絡動態模 型的狀態向量;τ表示神經網絡動態系統的時滯，τ = 1，2,3, . . .，°〇;x(k_T)為k-τ時刻的神 經網絡動態模型的狀態向量;f(x(k))為初始條件為零的非線性激勵函數；ω(1〇為k時刻屬 于12[0，°°)的干擾信號，12[0，°°)為在[0，°°)上平方可和向量函數空間；y(k)為神經網絡系 統k時刻的理想輸出，z(k)為神經網絡系統k時刻狀態向量的線性組合;六3，(：，〇3,6，!1均為 已知適當維數的系統矩陣;分布時滯的收斂系數為服從伯努 利分布的隨機變量，其中i = 1，2，3;實值矩陣△ A，△ B，△ C表示有界不確定參數矩陣，滿足 [ΔΑ ΔΒ AChMFUnNi^Ns]，其中1沁，犯，此為已知常矩陣^(1〇為未知矩陣，滿足卩7 (k)F(k)彡1，1為單位矩陣。3. 依據權利要求1所述的地球物理數據處理方法，其特征在于，步驟(3)的具體內容為： 對考慮隨機發生的不確定性和信道衰落的無窮分布時滯神經網絡系統的動態模型進行狀 態估計； 狀態估計器公式： 式中&幻為在k時刻對狀態向量x (k)的估計值，.^ +1)為k+1時刻對狀態向量x (k+1)的估計值，為神經網絡系統k時刻的實際測量輸出，&幻為z(k)在k時刻的估計值，Af，Bf， &，Df為待求狀態估計器增益矩陣。4. 依據權利要求1所述的地球物理數據處理方法，其特征在于，步驟(4)的具體內容為： 根據步驟(3)對具有隨機發生的不確定性和信道衰落的無窮分布時滯神經網絡系統的動態 模型的狀態估計，求出狀態估計誤差： 將式(1)減式(2 )，得到狀態估計誤差方程：式中，J為已知正標量，A⑷=似,···，乃為信道系數，武〇 = ο,ι,'，·，ι)為信道系數的 期望，令或(幻=我0)-及;V (k)為系統內部干擾，；e(幻.=X⑷-i衡為k時刻的狀態估計誤 差，e(k+l)為k+Ι時刻的狀態估計誤差；5(A) = z⑷⑷為k時刻z(k)的估計誤差；兩為<^ (k)的期望，令泛(々）=?,.⑷-豕，（/ = 1，2,3),5. 依據權利要求1所述的地球物理數據處理方法，其特征在于，步驟(5)的具體內容為： 根據步驟(4)得到的狀態估計誤差，得到狀態估計增廣系統； 上式中，n(k) = [xT(k) eT(k)]T，../(/八,4))=.廠'(.':(/<:}) ./"(.'-(々W - ./'iG))]1，ξ(1〇 =[ωτ〇〇 vT(k)]T，xT(k)為狀態向量x(k)的轉置，eT(k)為狀態估計誤差e(k)的轉置，v T(k)為 系統內部干擾v(k)的轉置，wT(k)為系統外部干擾w(k)的轉置，fT(x(k))為非線性激勵函數f (x(k))的轉置，廣(邱))為非線性激勵函數/(錄))的轉置。式(4)中矩陣的形式為：6.依據權利要求1所述的地球物理數據處理方法，其特征在于，步驟(6)的具體內容為： 利用狀態估計增廣系統，根據李亞普諾夫穩定性定理，得到狀態估計器增益矩陣Af，Bf，C f， Df； 由公式：得到矩陣足U,和K，通過公式 Af = P^AfiB:f= P^Bfi[Cf Bf^Kr (6) 求解出狀態估計器增益矩陣"3^&，加;公式(5)和公式(6)中矩陣具體形式為：diag{ ·}表示對角矩陣，I為單位矩陣，符號?表示克羅內克爾乘積，γ為已知的性能指 標，ε，λ均為未知正常數，Τ5,(：)，'_(./ = 1,2,...,均為未知對稱正定矩陣，反，待求矩陣。7. 依據權利要求1所述的地球物理數據處理方法，其特征在于，步驟(7)的具體內容為： 將步驟(6)得到的狀態估計器增益矩陣A f，Bf，Cf，Df帶入步驟(3)中的狀態估計公式，完成對 考慮隨機發生的不確定性和信道衰落的無窮分布時滯神經網絡系統的狀態估計。8. 依據權利要求1所述的地球物理數據處理方法，其特征在于，步驟(6)的具體內容為： 所述的李亞普諾夫穩定性理論為： V(k+1)-V(k)<0 其中：式中，v(k)為k時刻的李亞普諾夫函數，V(k+1)為k+i時刻的李亞普諾夫函數，nT(k)為η (k)的轉置，nT(l)為n(l)的轉置，nT(i)為n(i)的轉置。
【文檔編號】G01V1/50GK105929453SQ201610316837
【公開日】2016年9月7日
【申請日】2016年5月13日
【發明人】董宏麗, 王子棟, 路陽, 沈波, 侯男, 李佳慧, 劉遠紅, 孫行衍
【申請人】蘆慧