基于深度学习的位场边界识别方法

边界识别是位场数据处理中极为重要的一种技术,现有的边界识别方法属于无监督式机器运算,其识别精度与地质体的空间分布存在很大关系,尤其是对深部复杂异常体的识别存在边界模糊的特点.为了进一步提高边界识别的精度,受深度学习卓越非线性映射能力和监督式学习优点的启发,本文提出了基于深度学习的位场边界识别方法,深度学习网络结构是一种...     

低纬度磁异常的初始模型约束全卷积神经网络化极方法

磁异常化极是磁测数据处理的重要基础工作,低纬度磁异常化极运算不稳定.深度学习是一种有效解决不稳定问题的数据驱动方法.然而,现有基于深度学习的位场数据处理仅以位场响应作为输入,缺乏场景外样本数据的通用性,往往导致深度学习网络预测结果的泛化性能不足.因此,为了克服这一问题以及进一步提高低纬度磁异常化极的精度.受“知识&数据”联合驱动深度学习网络结构的启发,本文提出一种基于初始模型约束的低纬度磁异常化极全卷积神经网络结构.该网络结构的输入包含两部分,一部分为低纬度磁异常,另外一部分为初始模型,网络输出为垂直磁化方向磁异常.训练与测试的磁异常数据采用基于网格点格架函数的空间域快速正演生成,以及对低纬度磁异常采用稳定的频率转换来获取初始模型,另外本文对数据集中10%的随机样本加入了5%的高斯噪声,以此增强全卷积神经网络结构的鲁棒性.理论模型试验验证了本文所提方法的有效性、精确性以及鲁棒性.最后,将本文方法应用于实际磁测数据,取得了良好的效果.