一种卷积神经网络结果的重力多参量数据密度加权反演方法技术

本发明专利技术公开了一种卷积神经网络结果的重力多参量数据密度加权反演方法，包括以下步骤：搭建深度学习的神经网络结构，并针对目标地质体构建训练集；训练普通参数；训练最优网络模型；将实测异常输入到神经网络中，并将其预测结果作为下一步反演的初始模型；采用三维正则化反演方法，并引入密度权进行约束，正则化反演问题通过寻找最小化目标函数的优化问题来解决，对参数反演结果进行正演，检验反演拟合程度，并进行多次迭代反演，直至得到高精度的反演结果，本发明专利技术通过将深度学习引入到重力数据反演当中，提出了基于深度学习结果的物性反演方法，在获得较为精确的地下地质体分布的同时，大大提高了反演的效率。大大提高了反演的效率。大大提高了反演的效率。

【技术实现步骤摘要】
一种卷积神经网络结果的重力多参量数据密度加权反演方法


[0001]本专利技术属于基于深度学习的物性反演方法
，尤其涉及一种卷积神经网络结果的重力多参量数据密度加权反演方法。

技术介绍

[0002]重力勘探具有轻便，快捷，投入少的优点，随着航空物探及重力梯度仪的发展，使得大尺度重力及其梯度的多参量数据测量成为可能，而随着数据量的增加，对重力数据的反演带来了负担。
[0003]计算机硬件设备的发展，深度学习被广泛应用于各个领域。对于地球物理反演问题，在对神经网络进行训练后，可以快速的得到地质体的物性及分布，但由于神经网络的泛化能力较差，其结果依赖于训练集的构建，得到的结果往往不能达到解释所需要的精度，影响其实施应用。

技术实现思路

[0004]本专利技术通过通过引入神经网络提高了反演的速度及精度，而引入密度权的反演为不同区域地质体提供了一定的泛化能力，增加了反演的效率及精度，解决了以上问题。
[0005]具体的，本专利技术是通过以下技术方案实现的：
[0006]提供一种卷积神经网络结果的重力多参量数据密本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种卷积神经网络结果的重力多参量数据密度加权反演方法，其特征在于，包括以下步骤：步骤1：搭建深度学习的神经网络结构，并针对目标地质体构建训练集；步骤2：训练普通参数；步骤3：训练最优网络模型；步骤4：将实测异常输入到神经网络中，并将其预测结果作为下一步反演的初始模型；步骤5：采用三维正则化反演方法，并引入密度权进行约束，正则化反演问题通过寻找最小化目标函数的优化问题来解决，目标函数表示为：P(m)＝Φ
d
(m)+λΦ
m
(m)其中λ是正则化参数；参数；其中W
d
是数据加权矩阵,W
m
是模型加权矩阵；步骤6：对参数反演结果进行正演，检验反演拟合程度，并进行多次迭代反演，直至得到高精度的反演结果。2.根据权利要求1所述的一种卷积神经网络结果的重力多参量数据密度加权反演方法，其特征在于，步骤2中训练普通参数是给定超参数，在训...

【专利技术属性】
技术研发人员：马国庆，蒋哲欣，李丽丽，
申请(专利权)人：吉林大学，
类型：发明
国别省市：