地震解释模型构建方法、电子设备及可读存储介质技术

本申请公开了地震解释模型构建方法、电子设备及可读存储介质，包括：获取由地震真实样本数据合成的地震样本标签数据；将地震样本标签数据输入预设地震解释模型，得到预设地震解释模型的多尺度学习模型输出的样本学习特征和多尺度指导模型输出的样本指导特征；根据样本学习特征和样本指导特征，确定由标签分类损失函数、域间差异损失函数和一致性损失函数共同组成的目标损失函数；根据地震真实样本数据和地震样本标签数据和目标损失函数，迭代训练多尺度学习模型；通过更新多尺度学习模型的第一模型参数和多尺度指导模型的第二模型参数，得到目标地震解释模型。本申请解决了由于地震合成图像缺乏真实标签，导致地震解释模型准确度低的技术问题。度低的技术问题。度低的技术问题。

【技术实现步骤摘要】
地震解释模型构建方法、电子设备及可读存储介质


[0001]本申请涉及机器学习
，尤其涉及一种地震解释模型构建方法、电子设备及可读存储介质。

技术介绍

[0002]合成地震图像指的是在一定的假定条件下，通过人工或者计算机模拟生成的地震图像，通常用于模拟各种地下构造情况下的地震响应，由于其能够提供更多的数据样本，从而使得模型在真实地震图像上的表现更为准确。
[0003]目前，在训练地震解释模型时，为了避免采集大量的真实地震数据，通常将合成地震图像作为训练样本，但是，由于合成地震图像缺乏真实标签，其直接结果是导致训练后的地震解释模型输出的预测结果缺乏真实性，从而影响构建的地震解释模型的准确度。

技术实现思路

[0004]本申请的主要目的在于提供一种地震解释模型构建方法、电子设备及可读存储介质，旨在解决现有技术中由于地震合成图像缺乏真实标签，从而导致地震解释模型准确度低的技术问题。
[0005]为实现上述目的，本申请提供一种地震解释模型构建方法，所述地震解释模型构建方法包括：获取由至少一个地震真实样本数据合成的地震样本标签数据；将所述地震样本标签数据输入至预设地震解释模型，提取样本学习特征和样本指导特征，其中，所述样本学习特征由所述预设地震解释模型的多尺度学习模型输出，所述样本指导特征由所述预设地震解释模型的多尺度指导模型输出；根据所述样本学习特征和所述样本指导特征，确定目标损失函数，其中，所述目标损失函数由标签分类损失函数、域间差异损失函数和一致性损失函数共同组成；根据所述地震真实样本数据和所述地震样本标签数据和所述目标损失函数，迭代训练所述多尺度学习模型；通过更新所述多尺度学习模型的第一模型参数和所述多尺度指导模型的第二模型参数，得到目标地震解释模型，其中，所述第二模型参数由所述第一模型参数进行指数移动平均得到。
[0006]为实现上述目的，本申请还提供一种地震解释模型构建装置，所述地震解释模型构建装置包括：获取模块，用于获取由至少一个地震真实样本数据合成的地震样本标签数据；特征提取模块，用于将所述地震样本标签数据输入至预设地震解释模型，提取样本学习特征和样本指导特征，其中，所述样本学习特征由所述预设地震解释模型的多尺度学习模型输出，所述样本指导特征由所述预设地震解释模型的多尺度指导模型输出；确定模块，用于根据所述样本学习特征和所述样本指导特征，确定目标损失函数，
其中，所述目标损失函数由标签分类损失函数、域间差异损失函数和一致性损失函数共同组成；训练模块，用于根据所述地震真实样本数据和所述地震样本标签数据和所述目标损失函数，迭代训练所述多尺度学习模型；更新模块，用于通过更新所述多尺度学习模型的第一模型参数和所述多尺度指导模型的第二模型参数，得到目标地震解释模型，其中，所述第二模型参数由所述第一模型参数进行指数移动平均得到。
[0007]本申请还提供一种电子设备，所述电子设备包括：存储器、处理器以及存储在所述存储器上并可在所述处理器上运行的所述地震解释模型构建方法的程序，所述地震解释模型构建方法的程序被处理器执行时可实现如上述的地震解释模型构建方法的步骤。
[0008]本申请还提供一种计算机可读存储介质，所述计算机可读存储介质上存储有实现地震解释模型构建方法的程序，所述地震解释模型构建方法的程序被处理器执行时实现如上述的地震解释模型构建方法的步骤。
[0009]本申请还提供一种计算机程序产品，包括计算机程序，所述计算机程序被处理器执行时实现如上述的地震解释模型构建方法的步骤。
[0010]本申请提供了一种地震解释模型构建方法、电子设备及可读存储介质，也即，获取由至少一个地震真实样本数据合成的地震样本标签数据；将所述地震样本标签数据输入至预设地震解释模型，提取样本学习特征和样本指导特征，其中，所述样本学习特征由所述预设地震解释模型的多尺度学习模型输出，所述样本指导特征由所述预设地震解释模型的多尺度指导模型输出；根据所述样本学习特征和所述样本指导特征，确定目标损失函数，其中，所述目标损失函数由标签分类损失函数、域间差异损失函数和一致性损失函数共同组成；根据所述地震真实样本数据和所述地震样本标签数据和所述目标损失函数，迭代训练所述多尺度学习模型；通过更新所述多尺度学习模型的第一模型参数和所述多尺度指导模型的第二模型参数，得到目标地震解释模型，其中，所述第二模型参数由所述第一模型参数进行指数移动平均得到。这样，在构建目标地震解释模型时设置多尺度学习模型和多尺度指导模型，由于地震样本标签数据携带标签，进而在并未获取目标域真实标签的情况下使得训练样本集具备真实反馈能力，并且目标损失函数是通过将地震样本标签数据依次输入至多尺度学习模型和多尺度指导模型，进而输出的样本学习特征和样本指导特征确定的，其中，目标损失函数充分考虑到了标签分类损失、学习模型和指导模型之间的域间差异损失以及两者之间的一致性损失，进而通过地震真实样本数据和地震样本标签数据迭代训练多尺度学习模型，以保证多尺度学习模型在对应的不同地震样本真实数据上收敛，且由于多尺度指导模型的模型参数是通过多尺度学习模型的模型参数进行指数移动平均得到的，所以多尺度指导模型也得以在对应的不同地震样本真实数据上收敛，也即，使得预设地震解释模型可在不获取真实标签的基础上训练得到基准模型，并且训练得到的预设地震解释模型能够直接用于对目标域进行准确预测，所以克服了由于合成地震图像缺乏真实标签，导致训练后的地震解释模型输出的预测结果缺乏真实性的技术缺陷，所以，解决了由于地震合成图像缺乏真实标签，从而导致地震解释模型准确度低的技术问题。
附图说明
[0011]此处的附图被并入说明书中并构成本说明书的一部分，示出了符合本申请的实施例，并与说明书一起用于解释本申请的原理。
[0012]为了更清楚地说明本申请实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，对于本领域普通技术人员而言，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
[0013]图1为本申请地震解释模型构建方法第一实施例的流程示意图；图2为本申请地震解释模型构建方法第一实施例的多尺度学习模型的模块示意图；图3为本申请地震解释模型构建方法第一实施例的平行卷积层的结构示意图；图4为本申请地震解释模型构建方法第一实施例的预设地震解释模型的搭建原理图；图5为本申请地震解释模型构建装置实施例的结构示意图；图6为本申请实施例中地震解释模型构建方法涉及的硬件运行环境的设备结构示意图。
[0014]本申请目的实现、功能特点及优点将结合实施例，参照附图做进一步说明。
具体实施方式
[0015]为使本专利技术的上述目的、特征和优点能够更加明显易懂，下面将结合本专利技术实施例中的附图，对本专利技术实施例中的技术方案进行清楚、完整地描述。显然，所描述的实施例仅仅是本专利技术一部分实施例，而不是全部的实施例。基于本专利技术中的实施例，本领域普通技术人员在没有作出创造性劳动的前提下所获得的所有其它实施例，均属于本本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种地震解释模型构建方法，其特征在于，所述地震解释模型构建方法包括：获取由至少一个地震真实样本数据合成的地震样本标签数据；将所述地震样本标签数据输入至预设地震解释模型，提取样本学习特征和样本指导特征，其中，所述样本学习特征由所述预设地震解释模型的多尺度学习模型输出，所述样本指导特征由所述预设地震解释模型的多尺度指导模型输出；根据所述样本学习特征和所述样本指导特征，确定目标损失函数，其中，所述目标损失函数由标签分类损失函数、域间差异损失函数和一致性损失函数共同组成；根据所述地震真实样本数据和所述地震样本标签数据和所述目标损失函数，迭代训练所述多尺度学习模型；通过更新所述多尺度学习模型的第一模型参数和所述多尺度指导模型的第二模型参数，得到目标地震解释模型，其中，所述第二模型参数由所述第一模型参数进行指数移动平均得到。2.如权利要求1所述地震解释模型构建方法，其特征在于，所述预设地震解释模型包括标签分类器、域鉴别器和一致性度量模块，所述根据所述地震真实样本数据和所述地震样本标签数据和所述目标损失函数，迭代训练所述多尺度学习模型的步骤包括：保持所述域鉴别器和所述一致性度量模块不变，通过所述地震样本标签数据训练所述标签分类器，更新所述标签分类损失函数；保持所述标签分类器和所述一致性度量模块不变，通过所述地震真实样本数据和所述地震样本标签数据训练所述域鉴别器，更新所述域间差异损失函数；保持所述标签分类器和所述域鉴别器不变，通过所述地震真实样本数据和所述地震样本标签数据训练所述一致性度量模块，更新所述一致性损失函数；返回执行步骤：获取由至少一个地震真实样本数据合成的地震样本标签数据，直至所述目标损失函数收敛。3.如权利要求2所述地震解释模型构建方法，其特征在于，所述样本学习特征和所述样本指导特征如下：本指导特征如下：其中，为所述样本学习特征，为所述样本指导特征，为所述多尺度学习模型的解码器，为所述多尺度指导模型的解码器，为所述多尺度指导模型的编码器，所述多尺度学习模型的至少一个平行卷积层，所述多尺度指导模型的至少一个平行卷积层，样本数据。4.如权利要求3所述地震解释模型构建方法，其特征在于，所述目标损失函数如下：其中，为所述目标损失函数，为所述多尺度学习模型的第一
模型参数，为所述标签分类器的模型参数，为所述域鉴别器的模...

【专利技术属性】
技术研发人员：吕文君，张文婷，李鲲，康宇，
申请(专利权)人：中国科学技术大学先进技术研究院，
类型：发明
国别省市：