简介：地下断层深度的估算是重力解释难题之一，我们试利用支持向量分类（SvC）法进行计算。使用正演和非线性反演技术，通过相关误错使检测地下断层深度成为可能。但必要有一个深度初始猜测值，而且这猜测值通常不是由重力资料得。本文我们介绍以SVC作为利用重力数据估算断层深度的一种手段。在这项研究中，我们假设一种地下断层深度可归为一种类型，SVC作为一个分类算法。为了有效地利用此SVC算法，我们基于一个正确的特征选择算法去选择正确的深度特征。本次研究中我们建立了一套基于不同深度地下断层的合成重力剖面训练集，用以训练用于计算实际的地下断层深度的SVC代码。然后用其它合成重力剖面训练集测试我们训练的SVC代码，同时也用实际资料验证了我们的训练SVC代码。

简介：传统上,时间域航空电磁数据通过拟合迭代反演计算得到大地模型,然而,由于航空电磁数据道间的较强相关性,导致病态反演,并引起超定问题;同时电磁数据的相关性使其与模型参数的映射关系复杂,增加了反演的复杂度。采用主成分分析法将航空电磁数据变换为正交的较少数量的主成分,不仅降低了数据道间的相关性,减小了数据量,同时压制了数据的不相关噪声。本文利用人工神经网络(ANN)逼近主成分与大地模型参数间的映射关系,避免了传统反演算法中雅克比矩阵的复杂计算。层状模型的主成分神经网络与数据神经网络的反演结果对比显示,主成分神经网络反演方法网络结构简单,训练步数少,反演结果好,特别是对于含噪数据。准二维模型的主成分ANN、数据ANN以及Zhody方法的反演结果显示了主成分神经网络具有更接近真实模型的反演效果,进一步证明了主成分神经网络反演方法适合海量航空电磁探测数据反演。