利用卷积自编码器重建含噪重力数据

卷积自编码器融合了适于处理相同维度数据映射的自编码器神经网络,以及近年来在图像处理领域取得广泛应用的卷积神经网络。基于深度学习处理重力观测数据图像, 利用卷积自编码器从含噪声的重力图像中重建重力观测图像。首先,随机建模生成大量不同参数的重力异常体,正演其重力异常, 将加入噪声的重力异常和原始重力异常分别作为卷积自编码器的输入和输出进行训练;然后,模拟数据测试表明训练得到的神经网络重建效果良好;最后,用Kauring实验场实测重力数据测试该神经网络的泛化性能,并与快速傅里叶变换(fast Fourier transform,FFT)滤波、db小波(Daubechies wavelet)滤波方法进行了比较。结果表明,训练好的卷积自编码器重建实测重力数据的平均误差小于FFT滤波方法及db小波滤波,且能避免重力异常特征过度滤波而消失,受噪声干扰小于db小波滤波,综合效果理想。     

多尺度源网重力与重力梯度联合聚焦反演

在重力聚焦反演基础上提出多尺度源网聚焦反演算法.首先,对源网进行粗网格剖分,用共轭梯度法求解粗网格源网模型的聚焦解,直到拟合差下降至设定的数值;然后,将粗网格得到的密度映射到细网格;最后,以细网格模型为初始模型,进一步迭代直到拟合差下降至符合反演要求.模型试验结果显示,相比于固定源网反演,多尺度源网聚焦反演迭代的总耗时...