简介：传统地，在空中的时间域电磁(ATEM)数据被转换由重复导出地球模型。然而，数据高度经常在隧道之中被相关并且因而在倒置引起提出病、在坚定上的问题。关联复杂化在ATEM数据和地球参数之间的印射的关系并且因此增加倒置复杂性。排除这，我们采用主要部件分析把ATEM数据转变成直角的主要部件(PC)减少关联和数据维数并且同时压制无关的噪音。在这份报纸，我们使用一个人工的神经网络(ANN)接近与地球模型参数印射关系的PC，避免Jacobian衍生物的计算。基于PC的ANN算法为在空中的时间域与data-basedANN相比为分层的模型被用于合成数据电磁的倒置。结果在data-basedANN上表明更简单的网络结构，更少的训练步骤，和更好的倒置结果的基于PC的ANN优点，特别为污染数据。而且，基于PC的ANN算法有效性被假2D模型和比较的倒置与data-basedANN和Zhodys方法检验。结果显示基于PC的ANN倒置能与真正的模型一起完成一个更好的协议并且也证明基于PC的ANN是可行的转换大ATEM数据集。

简介：作者(1997a)建立的一个移动采样理论是Fourier变换计算理论的归纳。基于这个理论，我在波浪数字领域开发潜在的地转变的一个算法错误(A-E)方程，它不仅给潜在的地转变的一个更灵活的算法，而且在波浪数字领域揭示潜在的地转变的错误的法律。DFT0ηη(0.5，0.5)显著地从A-E方程导出的reduction-to-pole(RTP)技术在低磁性的纬度改进RTP异例的决定和精确性，包括磁性的赤道。A-E方程揭示的边摆动的法律(起源，表格机制，和必要性质)理论上指出改进存在在波浪数字领域在高通行证的转变填方法的效果的一个方法。