基于生成式对抗网络算法的人工地震波模拟方法技术

本发明专利技术公开了基于生成式对抗网络算法的人工地震波模拟方法，向生成器输入随机噪声，将随机噪声依次经重塑、全连接层映射、反卷积后，最后得到生成器生成地震样本；判别器对生成器生成地震样本进行判断，输出判断结果；对判断结果进行验证，确定判断结果的有效性；判别器以Wasserstein范数定义的损失函数判断人造地震动数据的网络训练效果。WGAN具有学习时变特性的能力，可直接生成非平稳的随机信号，使时变包络也具有随机性，因此生成的地震波更贴近天然地震波。生成式对抗网络为生成非平稳信号提供了新的思路，也可以运用到其他工程时变信号，如脉动风时程曲线、轨道不平顺等人工样本的生成。样本的生成。样本的生成。

【技术实现步骤摘要】
基于生成式对抗网络算法的人工地震波模拟方法


[0001]本专利技术涉及地震波模拟的
，尤其涉及基于生成式对抗网络算法的人工地震波模拟方法。

技术介绍

[0002]在地震工程学中，人工地震波的模拟一直是各国学者关注的重点和热点问题。在以往的研究中，先后提出了自回归法、三角级数法等方法来生成人工地震波。
[0003]近年来，深度学习在全球范围内带来了各个
的深层次革命。在游戏博弈领域，由Deepmind公司开发的围棋人工智能软件以绝对的优势战胜了人类顶尖棋手。以此为标志，深度学习理论引起了全球范围各工业领域的广泛关注。生成式对抗网络(Generative Adversarial Networks，GAN)是加拿大蒙特利尔大学的IanJ.Goodfellow于2014年提出，被业界誉为近年来人工智能领域最具前景的突破，已被广泛应用于图像生成、风格迁移、数据增强、文本生成、动作行为预测等领域。生成式对抗网络是一种无监督式学习的算法，主要由一个生成器和一个判别器构成。生成器的目的是提取数据分布，生成足够真实的数据去“欺骗”判别器，而判本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.基于生成式对抗网络算法的人工地震波模拟方法，包括以下步骤：S1、向生成器输入随机噪声，将随机噪声依次经重塑、全连接层映射、反卷积后，最后得到生成器生成地震样本；S2、判别器对生成器生成地震样本进行判断，输出判断结果；S3、对判断结果进行验证，确定判断结果的有效性；其特征是：判别器以Wasserstein范数定义的损失函数判断人造地震动数据的网络训练效果。2.根据权利要求1所述的基于生成式对抗网络算法的人工地震波模拟方法，其特征是：Wasserstein范数定义的损失函数为：其中，W(P
r
,P
g
)为损失函数，P
r
为真实地震样本的分布，P
g
为生成器生成地震样本的分布，参数θ为P
r
、P
g
这两个分布之间的距离，x、y为联合分布γ中采样得到的真实样本和生成样本，为在所有可能的联合分布γ中能够对这个期望值E
(x,y)～γ
[||x
‑
y||]取到的下界，该下界即为Wasserstein范数；从上述推导可知，当两个分布P
r
，P
g
离得很远，完全没有重合或者重合程度小到可以忽略时，Wasserstein范数仍然能够提供有意义的梯度，鉴于式(1)无法直接计算，通过Kantorovich
‑
Rubinstein的对偶性，得到式(1)的替代式，如下所示式中||f||
L
≤K表示K
‑
Lipschitz条件，即连续函数f的定义域内任意两个元素x1和x2，都需满足条件|f(x1)
‑
f(x2)|≤K|x1‑
x2|，使连续函数f在定义域内的导函数值不得大于K值，为了满足||f||
L
≤K这个条件，WGAN限制了判别器网络中参数，使其都不得超过[
‑
c,c]这个范围，此时输入数据x的导函数值不会超过某个范围，一定存在某个常数K满足||f||
L
≤K的限制；基于Wasserstein范数的目标函数可定义为式中，E[
·
]为函数的期望，D为判别器，G为生成器，D(x)为判别器评价真实数据为真的概率，D(G(z))为判别器评价生成数据为假的概率，为目标函数，由于目标函数内没有log函数，因此判别器目标函数的大小指示网络训练的进程，当距离越小，表示网络训练的越好。3.根据权利要求1所述的基于生成式对抗网络算法的人工地震波模拟方法，其特征是：S1中生成地震样本的具体步骤为：向生成器输入矢量长度为400的随机噪声，首先，将这一随机噪声重塑成1
×1×
400的三维矩阵，并通过全连接层映射为5
×5×...

【专利技术属性】
技术研发人员：杨梦雪，向天宇，杨成，
申请(专利权)人：西华大学，
类型：发明
国别省市：