一种基于多任务学习的地震速度模型超分辨率技术制造技术

本发明专利技术公开了一种基于多任务学习的地震速度模型超分辨率技术，所述技术包括以下步骤:步骤1：搭建多任务超分辨率深度网络；步骤2：准备训练数据，利用速度模型数据构建标签数据；步骤3：训练多任务超分辨率深度网络，使用均方误差和全变差组合构成多任务深度网络的损失函数，投入训练数据，使用优化器进行训练，训练过程中采用衰减学习率；步骤4：应用多任务超分辨率深度网络，输入真实低分辨率地震速度模型及其梯度，得到高分辨率地震速度模型及其梯度。

【技术实现步骤摘要】
一种基于多任务学习的地震速度模型超分辨率技术
本专利技术涉及地震速度建模
，特别是涉及基于多任务学习的地震速度模型超分辨率技术。
技术介绍
全波形反演(FWI)是估算地下速度模型的有力工具，可以获得比常规速度建模方法更高的波数分量。当前FWI方法主要存在反演结果多解、噪声敏感、初始模型强依赖、易陷入局部极值、计算量大等问题。一般来说，地震初始的背景速度模型分辨率低，频率一般在1HZ以下，而陆上地震数据的最低频率一般在6HZ以上，所以二者之间存在一个频率缺口。SRCNN将CNN应用于单一图像的超分辨率(SISR)处理，获得明显优于传统方法的超分辨率(SR)结果。在VDSR中使用残差网络(ResNet)，只训练低分辨率(LR)图像与高分辨率(HR)图像之间的残差，可以有效解决网络加深带来的网络退化与梯度消失问题。将U形网络(uNet)应用于超分辨率处理，使用卷积层与转置卷积层一一对应，镜像对称，跳线连接，分别完成图像的下采样与上采样。SRDenseNet网络在稠密块中把每层输出的特征都输入到后面的所有卷积层中，从而将所有卷积层的特征全本文档来自技高网...

【技术保护点】
1.一种基于多任务学习的地震速度模型超分辨率技术，其特征在于，所述技术包括以下步骤:/n步骤1：搭建多任务超分辨率深度网络；/n步骤2：准备训练数据，利用速度模型数据构建标签数据；/n步骤3：训练多任务超分辨率深度网络，使用均方误差和全变差组合构成多任务深度网络的损失函数，投入训练数据，使用亚当优化器进行训练，训练过程中采用衰减学习率；/n步骤4：应用多任务超分辨率深度网络，输入真实低分辨率地震速度模型及其梯度，得到高分辨率地震速度模型及其梯度。/n

【技术特征摘要】
1.一种基于多任务学习的地震速度模型超分辨率技术，其特征在于，所述技术包括以下步骤:
步骤1：搭建多任务超分辨率深度网络；
步骤2：准备训练数据，利用速度模型数据构建标签数据；
步骤3：训练多任务超分辨率深度网络，使用均方误差和全变差组合构成多任务深度网络的损失函数，投入训练数据，使用亚当优化器进行训练，训练过程中采用衰减学习率；
步骤4：应用多任务超分辨率深度网络，输入真实低分辨率地震速度模型及其梯度，得到高分辨率地震速度模型及其梯度。


2.根据权利要求1所述的基于多任务学习的地震速度模型超分辨率技术，其特征在于：所述步骤1的深度网络使用全局残差结构、U形网络结构以及稠密连接结构搭建，并处理地震速度模型及其梯度信息。


3.根据权利要求1所述的基于多任务学习的地震速度模型超分辨率技术，其特征在于：所述标签数据包括高分辨率地震速度模型及其梯度信息与不同模糊程度的低分辨率地震速度模型及其梯度信息。

【专利技术属性】
技术研发人员：陆文凯，李尹硕，
申请(专利权)人：清华大学，
类型：发明
国别省市：北京;11