作者 -
哈德里安·米歇尔 ( 根特大学 ) 发起人 Frédéric Nguyen先生 和 托马斯·赫尔曼斯 ( 根特大学 ) 组织 摘要 从地面数据集提供地下图像是地球物理学家工作的核心。已经应用了多种方法来处理这项任务。 大多数情况下，此任务是在确定性框架中执行的，这意味着对于给定的数据集，将提供单个模型来解释数据。 然而，这些确定性方法缺乏提供合理不确定性估计的能力，这些估计考虑到了解决方案的非唯一性、数据中的噪声和建模误差。 为了提供精确和准确的地下模型以及不确定性，地球物理学家使用概率方法。 这些方法能够对先验可能模型（先验模型）的集合进行采样，以提取能够合理解释数据集（后验模型）。 这种方法，尽管在结果的可靠性方面优越，但由于其显著的计算要求，很少在实践中应用。 在这份手稿中，目的是提出一个新的贝叶斯框架来解释这些地球物理数据集。 这种新的框架称为贝叶斯证据学习，有望实现对不确定性的快速、准确和准确估计。 该框架适用于1D地球物理数据集（BEL1D）。 与经典概率方法相比，新的自适应框架具有几个优点：从由于所需的正向运行数量有限而进行的快速计算，到提供关于实验敏感性和先验有效性的见解。 此外，它还得益于机器学习算法的构造，从而产生了不确定性的准即时模型。 《地球物理之苦》中的《地球之声》（Fornir des images du sous-solápartir d’ensemples de donées terrestres est au cœur du travail du géphysicien）。 De multiples接近于ontétéappliquees pours’attaquerácette táche。 La plupart du temps，cette táche est réalisée dans un cadge déterministe，ce qui medi que pour un symmets de données déTermine，un mod le unique est fourni pour explique les donn es。 Cepense，ces接近déterministes ne permettent pas de fournir des estimations raisonables de l’intentitude，qui tenent compte de la non-unicitéde la solution，du bruit dans les données et des erreurs de modélisation。 根据《公共管理条例》第四章的规定，公共管理人员使用了接近概率的方法。 塞斯接近了先验可能的（前）模型的sont capables d’ecantillonner l’ensemble des modèles和（后）模型的提升能力扩展（后）。 德特莱斯方法、《苏丹法定条件》、《爱尔兰共和国重要原因紧急要求》。 Dans ce manuscrit，l’objectif est de proposer un newavau processus bayésien pour interpreréter ces données géphysiques。 《新制度》、《贝叶斯证据学习》、《快速准确估计的正确性》。 Ce processus est applique et adaptéaux jeux de données géphysiques 1D（BEL1D）。 Ce système présente plusieurs avantages par rapport aux approachs probabilestes classiques:il permet des calculs rapides gráCe au nombre limitéd’exécutions nécessaires，et donne un aperçu de la sensibilitte de l’experience et de la validitéde l’ant rioriité。 除此之外，机器学习的基本构造算法，以及准静态不确定性模型的构造。 范·比尔登·范·德·奥德格朗德是范·格隆盖文斯的精髓。 Er zijn verschillende manieren om deze taak uit te voeren。 Meestal wordt deze taak binnen een deterministisch kader uitgevoerd，wat betekent dat voor een bepaalde dataset een enkel model wordt verstrekt om de gegevens te verklaren。 德泽决定论者贝纳德林根·齐恩·埃克斯特·尼特·格施奇科特·托姆雷德利伊克·奥泽克海兹分析了这一问题，并指出霍顿遇到了格格文斯鲁斯，恩茨。 Om precieze en nauwkeurige modellen van de ondergrond te berekenen，samen meet on zekerheid，gebruiken geofysici probabilistische methoden。 Die benaderingen mogen het ensembly van alle mogelijke modellen（de previor）bemonsteren om er modellen uit te halen Die de dataset redelijkerwijs kunnen verklaren（de posteral）。 Deze benaderingen，hoewel superieur door de betroubaarheid van hun resultaten，用praktijk bijna nooit单词拼写togepast omdat ze veel computerwerk vergen。 在这份手稿中，文字是nieuw Bayesiaans raamwerk voorgesteld om die geofysische gegevenssets te interpreferen。 这是一个新的系统，它是贝叶斯证据学习，它是一个精确的单词。 在1D地理信息系统（BEL1D）的一个过去的一个过去的单词。 Het nieuwe en aangepaste raamwerk biedt verschillende voordelen在vergelijking会见了klassieke probabilistische strategieén：van snelle berekengenen door Het beperkte aantal向前奔跑die nodig zijn，tot in zicht in de sensitiliteit van Het experience en de valitite van de previor。 Bovendien奸商het van zijn构建了机器学习算法，wat leidt tot准onmiddellijk modelleren van onzekerheid。 关键词 地球物理学 ， 反转 ， 贝叶斯证据学习 ， 不确定性的量化 ， 贝叶斯主义者 ， 机器学习
下载
-
Michel final.pdf博士 全文 （已发布版本） | -
开放存取 | PDF格式 | 10.69 MB
引用
MLA公司 -
哈德里安·米歇尔。 一种用于地球物理数据解释的新贝叶斯框架 利日大学；根特大学。 科学学院，2023年。 亚太地区 -
Michel，H.（2023年）。 一种用于地球物理数据解释的新贝叶斯框架 利日大学；根特大学。 比利时根特科学学院。 芝加哥作者日期 -
哈德里安·米歇尔。 2023.《地球物理数据解释的新贝叶斯框架》，比利时根特：利日大学；根特大学。 科学学院。 芝加哥作者日期（所有作者） -
哈德里安·米歇尔。 2023.《地球物理数据解释的新贝叶斯框架》，比利时根特：利日大学；根特大学。 科学学院。 温哥华 -
1 Michel H.地球物理数据解释的新贝叶斯框架。 【比利时根特】：利日大学；根特大学。 科学学院； 2023 电气与电子工程师协会 -
[1] H.Michel，“地球物理数据解释的新贝叶斯框架”，利日大学；根特大学。 比利时根特科学学院，2023年。
@ph值{01GQ7BT9B7TN8MHXSA0CEQENAG， abstract={{从地面数据集提供地下图像是地球物理学家工作的核心。 已采用多种方法来处理这项任务。 大多数情况下，此任务是在确定性框架中执行的，这意味着对于给定的数据集，将提供单个模型来解释数据。 然而，这些确定性方法缺乏提供合理不确定性估计的能力，这些估计考虑到了解决方案的非唯一性、数据中的噪声和建模误差。 为了提供精确和准确的地下模型以及不确定性，地球物理学家使用概率方法。 这些方法能够对先验可能模型（先验模型）的集合进行采样，以提取能够合理解释数据集（后验模型）。 这种方法虽然在结果的可靠性方面优越，但由于其重要的计算要求，很少在实践中应用。 在这份手稿中，目的是提出一个新的贝叶斯框架来解释这些地球物理数据集。 这个被称为贝叶斯证据学习的新框架有望实现对不确定性的快速、精确和准确的估计。 该框架适用于一维地球物理数据集（BEL1D）。 与经典概率方法相比，新的自适应框架具有几个优点：从由于所需的正向运行数量有限而进行的快速计算，到提供关于实验敏感性和先验有效性的见解。 此外，它还得益于机器学习算法的构造，从而产生了不确定性的准即时模型， 作者={{Michel，Hadrien}}， keywords={{地球物理，反演，贝叶斯证据学习，不确定性量化，贝叶斯学，机器学习}}， 语言={{eng}}， 页码={{XX，178}}， publisher={{列日大学；根特大学科学院}}， 学校={{根特大学}}， title={{地球物理数据解释的新贝叶斯框架}}， 年份={2023}}， }