CN116127314A - 基于自适应多尺度深度学习网络预测地下密度的方法 - Google Patents
基于自适应多尺度深度学习网络预测地下密度的方法 Download PDFInfo
- Publication number
- CN116127314A CN116127314A CN202310055598.3A CN202310055598A CN116127314A CN 116127314 A CN116127314 A CN 116127314A CN 202310055598 A CN202310055598 A CN 202310055598A CN 116127314 A CN116127314 A CN 116127314A
- Authority
- CN
- China
- Prior art keywords
- density
- representing
- network
- dimensional
- deep learning
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 26
- 238000013135 deep learning Methods 0.000 title claims abstract description 22
- 230000006870 function Effects 0.000 claims abstract description 26
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 18
- 238000012549 training Methods 0.000 claims abstract description 18
- 238000012795 verification Methods 0.000 claims abstract description 11
- 238000013507 mapping Methods 0.000 claims abstract description 9
- 230000005484 gravity Effects 0.000 claims description 40
- 230000005284 excitation Effects 0.000 claims description 14
- 230000004913 activation Effects 0.000 claims description 13
- 238000011176 pooling Methods 0.000 claims description 12
- 230000003044 adaptive effect Effects 0.000 claims description 10
- 238000005070 sampling Methods 0.000 claims description 9
- 238000010606 normalization Methods 0.000 claims description 8
- 239000011159 matrix material Substances 0.000 claims description 6
- 239000000203 mixture Substances 0.000 claims description 6
- 230000005856 abnormality Effects 0.000 claims description 5
- 230000002159 abnormal effect Effects 0.000 claims description 3
- 101100478633 Escherichia coli O157:H7 stcE gene Proteins 0.000 claims 1
- 101150115529 tagA gene Proteins 0.000 claims 1
- 238000013527 convolutional neural network Methods 0.000 description 6
- 238000010586 diagram Methods 0.000 description 6
- 238000013528 artificial neural network Methods 0.000 description 5
- 238000010801 machine learning Methods 0.000 description 4
- 238000013461 design Methods 0.000 description 3
- 238000012360 testing method Methods 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 2
- 238000002474 experimental method Methods 0.000 description 2
- 238000003384 imaging method Methods 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 230000035945 sensitivity Effects 0.000 description 2
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 229940088597 hormone Drugs 0.000 description 1
- 239000005556 hormone Substances 0.000 description 1
- 230000036039 immunity Effects 0.000 description 1
- 238000002372 labelling Methods 0.000 description 1
- 238000002360 preparation method Methods 0.000 description 1
- 230000000644 propagated effect Effects 0.000 description 1
- 150000003839 salts Chemical class 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/17—Function evaluation by approximation methods, e.g. inter- or extrapolation, smoothing, least mean square method
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- General Engineering & Computer Science (AREA)
- Computational Mathematics (AREA)
- Mathematical Analysis (AREA)
- Mathematical Optimization (AREA)
- Pure & Applied Mathematics (AREA)
- Databases & Information Systems (AREA)
- Algebra (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Computation (AREA)
- Medical Informatics (AREA)
- Computing Systems (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Geophysics And Detection Of Objects (AREA)
Abstract
本发明公开了基于自适应多尺度深度学习网络预测地下密度的方法,包括:根据目标区域地质体概率分布先验信息采用蒙特卡洛随机算法生成N套相对规则的3D密度模型,分为训练集和验证集;搭建三维密度模型重建网络;所述三维密度模型重建网络包括依次连接的多尺度模块、编码解码网络和3D映射层组成;在三维密度模型重建网络内添加损失函数;所述损失误差为均方误差函数;将训练集导入三维密度模型重建网络中进行训练,求得均方误差;若均方误差小于预设的误差阈值,则停止训练,得到最佳的三维密度模型重建网络;将验证集导入至最佳的三维密度模型重建网络进行验证。通过上述方案,本发明具有逻辑简单、准确可靠等优点。
Description
技术领域
0001.本发明涉及地球物理反演成像技术领域,尤其是基于自适应多尺度深度学习网络预测地下密度的方法。
背景技术
0002.机器学习是人工智能的重要分支,近些年来,机器学习的方法被不断引入到地球物理研究。其中,Keisuke et al.使用神经网络(NN)进行地球电阻率数据的一维和二维反演(El-Qady and Ushijima 2001);Ahmad and Saumen et al.使用人工神经网络进行(ANN)进行三维直流电阻率数据反演(Maiti et al. 2012);Liu et al.使用改进的模糊c-均值聚类算法(FCM)进行地球物理重力反演研究。其在原FCM算法基础上加入了一个模糊熵项,解决了因模型参数收缩均匀而导致的反演精度不准确问题(Sheng Liu and ShuanggenJin 2019)。但是,不同的传统机器学习算法在特定场景下存在着不同的缺陷,例如聚类算法对噪音和异常点敏感以及对于非凸数据集或类别规模差异太大的数据效果不好。传统人工神经网络易于丢失空间信息,训练时容易陷入局部极值。
0003.另外,深度学习作为机器学习的新分支,并且近年来随着计算机算力的提升,深度学习作为优秀的非线性计算方法也被引入到地球物理反演。例如, Wei et al. 采用卷积神经网络(CNN)进行地震检测研究,使用三维地震图像自动检测和绘制断层带。在重力数据方面,最近Wang et al. (2020)使用卷积神经网络对Kauring试验场进行重力反演;Zhang et al.设计了一种端到端的重力反演网络,并对Vinton盐丘的地面重力异常和航空重力梯度异常数据进行反演。Yang et a.(2022)也提出了一种基于卷积神经网络(CNN)的重力反演方法;Huang et al.采用了U-Net网络进行反演预测并对多种形状的模型进行了测试。
0004.但是,目前的网络要求预测和测试所使用的数据维度大小必须与训练所使用的数据大小相同,网络不具备对不同维度大小的观测数据预测的能力,这点使得常常需要剪裁重力数据进行预测但同时这会无可避免的丢弃一部分仪器探测到的重要数据。
0005.因此,急需要提出一种逻辑简单、准确可靠的基于自适应多尺度深度学习网络预测地下密度的方法。
发明内容
0006.针对上述问题,本发明的目的在于提供基于自适应多尺度深度学习网络预测地下密度的方法,本发明采用的技术方案如下:
基于自适应多尺度深度学习网络预测地下密度的方法,其特征在于,包括以下步骤:
根据目标区域地质体概率分布先验信息采用蒙特卡洛随机算法生成N套相对规则的3D密度模型,分为训练集和验证集;所述N为正整数;
搭建三维密度模型重建网络;所述三维密度模型重建网络包括依次连接的多尺度模块、编码解码网络和3D映射层组成;
在三维密度模型重建网络内添加损失函数;所述损失误差为均方误差函数;
将训练集导入三维密度模型重建网络中进行训练,求得均方误差;若均方误差小于预设的误差阈值,则停止训练,得到最佳的三维密度模型重建网络;
将验证集导入至最佳的三维密度模型重建网络进行验证。
0007.进一步地,所述采用蒙特卡洛随机算法生成N套相对规则的3D密度模型包括以下步骤:
将目标区域的地下空间剖分成若干规则的长方体模型单元;
并计算任一个长方体模型单元对观测点的异常;
将所有长方体模型对观测点的异常求和,即为地下空间整个模型体对观测点的异常;
采用蒙特卡洛随机算法随机生成标签,计算得到重力异常及重力梯度异常数据,得到3D密度模型。
0008.进一步地,所述目标区域的重力场的表达式为:
(1)
其中,表示在第个异常区域内的密度分布;表示引力常数;示地面观测点第一方向分量坐标;表示地下空间;表示异常区域内的密度分布相应的线性算子;
所述的表达式为:
(2)
其中, 表示地下剖分体所对应的第一方向的中心坐标; 表示地下剖分体中心坐标距离原点的直线距离,表示观测点距离原点的直线距离;
所述目标区域的重力张量场的正演模型的表达式为:
(3)
其中,表示重力张量场的线性算子;表示地下剖分体的单位体积;
所述的表达式为:
(4)
其中,表示地面观测点在重力张量场条件下第二方向分量坐标;表示在重力张量场条件下地下剖分体所对应的第二方向的中心坐标;
通过公式(1)~(4)计算求得重力异常及重力梯度异常数据,并得到3D密度模型。
0009.优选地,所述编码解码网络由编码器和解码器组成;所述编码器由数个编码块组成;且任一编码块由一个卷积层、一个批量归一化层和RELU激活函数组成;任一编码块进行两次编码后分别进入squeeze and excitation 模块和Strip Pooling模块;所述squeeze and excitation 模块进行下采样;所述StripPooling模块进行一次特征采样并进行一次连接操作。
0010.优选地,所述解码器由与编码块数量相同的解码块组成;所述解码块由串联层、卷积层、BN层和RELU激活函数组成。
0011.进一步地,所述所述解码块解码包括以下步骤:
获取上采样的数据;
利用串联层与Strip Pooling模块采样连接所得的特征进行第二次拼接;
利用卷积层操作后进行归一化操作,并输入至3D映射层。
0012.优选地,所述Strip Pooling模块的表达式为:
其中,H表示二维张量的高度;W表示二维张量的宽度;表示输入中的第个元素;R表示实数集;C表示通道;表示ReLu激活函数;表示Sigmod激活函数;s表示调整后的每个通道的激励系数;表示由输入在空间维度上对特征图压缩到的数据组;表示压缩特征映射参数矩阵,表示为通道参数矩阵。
0013.进一步地,所述squeeze and excitation 模块的表达式为:
其中,H表示二维张量的高度;W表示二维张量的宽度;表示二维张量的高度组成的实数集的第个横向输出;表示二维张量的宽度组成的实数集的第个纵向输出;表示二维张量X中第行第列数据。
0014.进一步地,所述均方误差函数的表达式为:
其中,表示标签密度;表示预测密度。
0015.与现有技术相比,本发明具有以下有益效果:
(1)本发明巧妙地构建三维密度模型重建网络,其对于不同的重力观测图,多尺度模块将不同尺度的数据按各比例等分并提取特征属性,这样的好处是尽可能多的提取局部特征和全局特征的融合同时又不造成过多资源的消耗;然后经过特征投影层将不同尺度的数据映射到相同维度大小输入编码器,特征投影层由一个完全连接的全连接网络组成。本发明中,基于多尺度模块,使得原始数据的输入大小可以是任意的,保证其灵活可靠性。
0016.(2)本发明巧妙地根据目标区域地质体概率分布先验信息采用蒙特卡洛随机算法生成N套相对规则的3D密度模型,采用这种方法生成的数据集最大程度地符合目标区域的地质情况,具有针对性较强的特点。
0017.(3)本发明为了构建数据集,将地下空间剖分成若干规则的长方体模型单元计算每一个长方体模型单元对观测点的异常,再将所有长方体模型对观测点的异常求和,即为地下空间整个模型体对观测点的异常,其采取这样的计算方式可以将地下密度分布通过积分计算的方式快速获得地表重力响应。
0018.(4)本发明巧妙地设置了squeeze and excitation 模块和Strip Pooling模块;所述squeeze and excitation 模块能精确的学习通道之间的相关性,其目的是提高网络对重要通道的敏感性并抑制不必要的通道特征;另外,本发明采用两段式拼接,其先与Strip Pooling 模块提取的特征图进行拼接融合,然后与上采样特征图进行拼接。StripPooling 模块用于捕捉局部上下文,防止不相关区域干扰且能够捕获孤立区域的长距离关系。
0019.综上所述,本发明具有逻辑简单、准确可靠等优点,在地球物理反演成像技术领域具有很高的实用价值和推广价值。
附图说明
0020.为了更清楚地说明本发明实施例的技术方案,下面将对实施例中所需使用的附图作简单介绍,应当理解,以下附图仅示出了本发明的某些实施例,因此不应被看作是对保护范围的限定,对于本领域技术人员来说,在不付出创造性劳动的前提下,还可以根据这些附图获得其他相关的附图。
0021.图1为本发明的网络图。
0022.图2为本发明的编码器解码器卷积神经网络图。
0023.图3为本发明的squeeze and excitation 模块的原理图。
0024.图4为本发明的Strip Pooling 模块的原理图。
0025.图5为本发明的密度模型输出示意图。
0026.图6为图5的密度模型输出的重力数据相应输入训练集示意图。
0027.图7为本发明的模拟试算模型三维视图。
0028.图8为本发明的模拟试算模型的X-Y水平剖面图。
0029.图9为本发明的模拟试算模型的Y-Z 垂直剖面图。
0030.图10为本发明的模拟试算模型的X-Z 垂直剖面图。
0031.图11为本发明的试算模型的平面观测重力场图(随机扣除部分观测点)。
0032.图12为本发明的试算模型的平面观测重力场图(模拟河流阻断)。
0033.图13为本发明中图11对应的反演结果三维视图。
0034.图14为本发明中图11对应的反演结果沿着Z=1100米的X-Y水平剖面图。
0035.图15为本发明中图12对应的反演结果三维视图。
0036.图16为本发明中图12对应的反演结果沿着Z=1100米的X-Y水平剖面图。
实施方式
0037.为使本申请的目的、技术方案和优点更为清楚,下面结合附图和实施例对本发明作进一步说明,本发明的实施方式包括但不限于下列实施例。基于本申请中的实施例,本领域普通技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例,都属于本申请保护的范围。
0038.本实施例中,术语“和/或”,仅仅是一种描述关联对象的关联关系,表示可以存在三种关系,例如,A和/或B,可以表示:单独存在A,同时存在A和B,单独存在B这三种情况。
0039.本实施例的说明书和权利要求书中的术语“第一”和“第二”等是用于区别不同的对象,而不是用于描述对象的特定顺序。例如,第一目标对象和第二目标对象等是用于区别不同的目标对象,而不是用于描述目标对象的特定顺序。
0040.在本申请实施例中,“示例性的”或者“例如”等词用于表示作例子、例证或说明。本申请实施例中被描述为“示例性的”或者“例如”的任何实施例或设计方案不应被解释为比其它实施例或设计方案更优选或更具优势。确切而言,使用“示例性的”或者“例如”等词旨在以具体方式呈现相关概念。
0041.在本申请实施例的描述中,除非另有说明,“多个”的含义是指两个或两个以上。例如,多个处理单元是指两个或两个以上的处理单元;多个系统是指两个或两个以上的系统。
0042.如图1至图16所示,本实施例提供了一种基于自适应多尺度深度学习网络预测地下密度的方法,其包括以下步骤:
第一步,为了研究深度学习反演方法在复杂数据集情况下的可行性和有效性,本实施例首先根据目标区域地质体概率分布先验信息,使用蒙特卡洛随机算法生成N套相对规则的3D密度模型。随机算法使我们将随机大小的模型设置在地下随机的位置。并在地面根据实际情况设置重力采集点并模拟重力相应,如图5所示。
0043.在本实施例中,为构建数据集,将地下空间剖分成若干规则的长方体模型单元计算每一个长方体模型单元对观测点的异常,再将所有长方体模型对观测点的异常求和,即为地下空间整个模型体对观测点的异常。其中,所述目标区域的重力场的表达式为:
(1)
其中,表示在第个异常区域内的密度分布;表示引力常数;示地面观测点第一方向分量坐标;表示地下空间;表示异常区域内的密度分布相应的线性算子;
所述的表达式为:
(2)
其中, 表示地下剖分体所对应的第一方向的中心坐标; 表示地下剖分体中心坐标距离原点的直线距离,表示观测点距离原点的直线距离;
所述目标区域的重力张量场的正演模型的表达式为:
(3)
其中,表示重力张量场的线性算子;表示地下剖分体的单位体积;
所述的表达式为:
(4)
其中,表示地面观测点在重力张量场条件下第二方向分量坐标;表示在重力张量场条件下地下剖分体所对应的第二方向的中心坐标;
在此,以和为例,在公式(4)中,可以取x轴数据,也可以取x轴或y轴或z轴的数据,依次类推,和的取值方式共计9种组合,即(,)有(x轴数据,x轴数据)、(x轴数据,y轴数据)、(x轴数据,z轴数据)、(y轴数据,x轴数据)、(y轴数据,y轴数据)、(y轴数据,z轴数据)、(z轴数据,x轴数据)、(z轴数据,y轴数据)和(z轴数据,z轴数据)。同理地,和也有9种组合方式,在此就不予一一列举。
0044.深度学习是基于数据驱动的研究方法,数据集的准备极为重要。为了模拟尽可能多的重力源,本实施例采用随机算法生成位置大小不同的三维重力异常体。对于不同于传统监督学习,传统监督学习首先获取输入图像数据,然后进行标注。而本技术通过算法随机生成标签,然后公式(1)至(4)正演公式计算出其重力异常及重力梯度异常数据如图5和图6。
0045.第二步,搭建三维密度模型重建网络;所述三维密度模型重建网络包括依次连接的多尺度模块、编码解码网络和3D映射层组成。
0046.在本实施例中,编码器和解码器网络完整结构如图2所示,编码器由4组编码块组成,每组编码块会运行两次运算。编码块由一个卷积层、一个批量归一化层和RELU激活函数组成,每经过两次编码块后融入squeeze and excitation (S-E)模块然后进行下采样,同时采用StripPooling(S-PM)模块进行一次特征采样并进行一次连接操作。解码器由4组解码块所组成,在解码时,首先进行上采样,然后与编码层中S-PM模块采样连接所得的特征进行第二次拼接,接着卷积操作后进行归一化操作,激活函数采用ReLU激活函数。解码器输出的图像会经过一个3D映射层,在实现上它是一个完全连接的前馈网络,3D映射层将二维的输出信息映射到三维空间形成预测模型。
0047.在本实施例中,网络中的S-E 模块(如图3)和S-PM模块(如图4)的具体实现细节如图所示。在下采样的过程中,本实施例总是先融入S-E 模块, 因为S-E 模块能精确的学习通道之间的相关性,其目的是提高网络对重要通道的敏感性并抑制不必要的通道特征。同时,与传统拼接手段不同,本实施例采用了两段式拼接方案,其先与S-PM 模块提取的特征图进行拼接融合,接着与上采样特征图进行拼接。S-PM 模块作用在于捕捉局部上下文,防止不相关区域干扰且能够捕获孤立区域的长距离关系。
0048.在本实施例中,所述Strip Pooling模块的表达式为:
其中,H表示二维张量的高度;W表示二维张量的宽度;表示输入中的第个元素;R表示实数集;C表示通道;表示ReLu激活函数;表示Sigmod激活函数;s表示调整后的每个通道的激励系数;表示由输入在空间维度上对特征图压缩到的数据组;表示压缩特征映射参数矩阵,表示为通道参数矩阵。
0049.另外,本实施例的所述squeeze and excitation 模块的表达式为:
其中,H表示二维张量的高度;W表示二维张量的宽度;表示二维张量的高度组成的实数集的第个横向输出;表示二维张量的宽度组成的实数集的第个纵向输出;表示二维张量X中第行第列数据。
0050.第三步,在三维密度模型重建网络内添加损失函数;所述损失误差为均方误差函数。损失函数用来评价模型的预测值和真实值不一样的程度,其通过正向传播的输出结果与样本标签值之间的误差反向传播来修改网络单元节点权值及其他参数,本实施例指通过网络预测三维模型与已知模型误差。具体来说,该均方误差函数的表达式为:
其中,表示标签密度;表示预测密度。
0051.第四步,将训练集导入三维密度模型重建网络中进行训练,求得均方误差;若均方误差小于预设的误差阈值,则停止训练,得到最佳的三维密度模型重建网络。
0052.第五步,将验证集导入至最佳的三维密度模型重建网络进行验证。
0053.为了研究深度学习反演方法在复杂数据集情况下的可行性和有效性,本实施例首先使用随机算法生成K=10000套相对规则的3D密度模型。为了方便实验,本实施例设定反演空间大小为4km*4km*4km并将地下反演空间划分为20*20*20个长方体模型单元,其中每个单元大小为200m*200m*200m。模拟观测网大小是4km*4km,重力数据是在Δ=200m的41*41观测网中计算的, 随机算法将随机大小的模型设置在地下随机的位置。所有模型的剩余密度为1.0。
0054.为初步评估网络的识别准确性,设计相对规则的模拟模型.图7、 8、9和10展示了此次需要预测的组合模型的位置及细节信息,组合模型由三层台阶与长方体组成,其密度都为1.0。现实情况下存在各种客观因素干扰,为了模拟真实数据,证明本实施例具有一定的鲁棒性和抗噪性,在测试数据中加入了不相关的5%高斯噪声并进行预测。除此之外,为了使网络适合不同维度的重力数据输入,本实施例随机删除了一些重力观测数据并送入网络。如图11,模拟一条200米宽的河流,这条河流使我们丢失了一部分观测值。图12表示了本实施例的另一种重力数据,其随机删除了观测点值并得到预测结果(白色区块表示被删除的重力观测数据)。
0055.试算结果如图13至图16所示,由此可见,无噪声情况下反演精度较高,同时反演结果边界也较为清晰。加入噪声后,其精度有了一定程度的降低,但保持在可控范围内,其反演结果依然与理论模型高度相似。在模拟随机删除观测点和模拟河流的实验中,可见精度下降较大,数据波动较为明显,反演结果显示边界较为模糊,密度信息也受到较大的破坏,但总体位置依然较为准确。
0056.上述实施例仅为本发明的优选实施例,并非对本发明保护范围的限制,但凡采用本发明的设计原理,以及在此基础上进行非创造性劳动而作出的变化,均应属于本发明的保护范围之内。
Claims (9)
1.基于自适应多尺度深度学习网络预测地下密度的方法,其特征在于,包括以下步骤:
根据目标区域地质体概率分布先验信息采用蒙特卡洛随机算法生成N套相对规则的3D密度模型,分为训练集和验证集;所述N为正整数;
搭建三维密度模型重建网络;所述三维密度模型重建网络包括依次连接的多尺度模块、编码解码网络和3D映射层组成;
在三维密度模型重建网络内添加损失函数;所述损失误差为均方误差函数;
将训练集导入三维密度模型重建网络中进行训练,求得均方误差;若均方误差小于预设的误差阈值,则停止训练,得到最佳的三维密度模型重建网络;
将验证集导入至最佳的三维密度模型重建网络进行验证。
2.根据权利要求1所述的基于自适应多尺度深度学习网络预测地下密度的方法,其特征在于,所述采用蒙特卡洛随机算法生成N套相对规则的3D密度模型包括以下步骤:
将目标区域的地下空间剖分成若干规则的长方体模型单元;
并计算任一个长方体模型单元对观测点的异常;
将所有长方体模型对观测点的异常求和,即为地下空间整个模型体对观测点的异常;
采用蒙特卡洛随机算法随机生成标签,计算得到重力异常及重力梯度异常数据,得到3D密度模型。
3.根据权利要求2所述的基于自适应多尺度深度学习网络预测地下密度的方法,其特征在于,所述目标区域的重力场的表达式为:
(1)
其中,表示在第个异常区域内的密度分布;表示引力常数;示地面观测点第一方向分量坐标;表示地下空间;表示异常区域内的密度分布相应的线性算子;
所述的表达式为:
(2)
其中, 表示地下剖分体所对应的第一方向的中心坐标; 表示地下剖分体中心坐标距离原点的直线距离,表示观测点距离原点的直线距离;
所述目标区域的重力张量场的正演模型的表达式为:
(3)
其中,表示重力张量场的线性算子;表示地下剖分体的单位体积;
所述的表达式为:
(4)
其中,表示地面观测点在重力张量场条件下第二方向分量坐标;表示在重力张量场条件下地下剖分体所对应的第二方向的中心坐标;
通过公式(1)~(4)计算求得重力异常及重力梯度异常数据,并得到3D密度模型。
4.根据权利要求1所述的基于自适应多尺度深度学习网络预测地下密度的方法,其特征在于,所述编码解码网络由编码器和解码器组成;所述编码器由数个编码块组成;且任一编码块由一个卷积层、一个批量归一化层和RELU激活函数组成;任一编码块进行两次编码后分别进入squeeze and excitation 模块和Strip Pooling模块;所述squeeze andexcitation 模块进行下采样;所述Strip Pooling模块进行一次特征采样并进行一次连接操作。
5.根据权利要求4所述的基于自适应多尺度深度学习网络预测地下密度的方法,其特征在于,所述解码器由与编码块数量相同的解码块组成;所述解码块由串联层、卷积层、BN层和RELU激活函数组成。
6.根据权利要求5所述的基于自适应多尺度深度学习网络预测地下密度的方法,其特征在于,所述所述解码块解码包括以下步骤:
获取上采样的数据;
利用串联层与Strip Pooling模块采样连接所得的特征进行第二次拼接;
利用卷积层操作后进行归一化操作,并输入至3D映射层。
7.根据权利要求6所述的基于自适应多尺度深度学习网络预测地下密度的方法,其特征在于,所述Strip Pooling模块的表达式为:
其中,H表示二维张量的高度;W表示二维张量的宽度;表示输入中的第个元素;R表示实数集;C表示通道;表示ReLu激活函数;表示Sigmod激活函数;s表示调整后的每个通道的激励系数;表示由输入在空间维度上对特征图压缩到的数据组;表示压缩特征映射参数矩阵,表示为通道参数矩阵。
8.根据权利要求6所述的基于自适应多尺度深度学习网络预测地下密度的方法,其特征在于,所述squeeze and excitation 模块的表达式为:
其中,H表示二维张量的高度;W表示二维张量的宽度;表示二维张量的高度组成的实数集的第个横向输出;表示二维张量的宽度组成的实数集的第个纵向输出;表示二维张量X中第行第列数据。
9.根据权利要求1所述的基于自适应多尺度深度学习网络预测地下密度的方法,其特征在于,所述均方误差函数的表达式为:
其中,表示标签密度;表示预测密度。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310055598.3A CN116127314B (zh) | 2023-01-19 | 2023-01-19 | 基于自适应多尺度深度学习网络预测地下密度的方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310055598.3A CN116127314B (zh) | 2023-01-19 | 2023-01-19 | 基于自适应多尺度深度学习网络预测地下密度的方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116127314A true CN116127314A (zh) | 2023-05-16 |
CN116127314B CN116127314B (zh) | 2024-03-19 |
Family
ID=86302410
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310055598.3A Active CN116127314B (zh) | 2023-01-19 | 2023-01-19 | 基于自适应多尺度深度学习网络预测地下密度的方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116127314B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117250667A (zh) * | 2023-11-08 | 2023-12-19 | 经纬地信(成都)科技有限公司 | 基于U-Net增强网络对地下密度快速成像方法及系统 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103562753A (zh) * | 2011-03-21 | 2014-02-05 | 阿克斯有限责任公司 | 重力梯度计勘测技术 |
CN104155699A (zh) * | 2014-08-13 | 2014-11-19 | 昆明理工大学 | 一种坑道重力全空间域定位探测高密度隐伏矿体的方法 |
CN113343427A (zh) * | 2021-05-11 | 2021-09-03 | 华中科技大学 | 一种基于卷积神经网络的结构拓扑构型预测方法 |
CN113341476A (zh) * | 2021-04-30 | 2021-09-03 | 中国空间技术研究院 | 基于海底地形-重力联合提高海洋重力空间分辨率的方法 |
CN115187540A (zh) * | 2022-07-07 | 2022-10-14 | 西安交通大学 | 一种人体三维椎体松质骨图像的自动分割方法及系统 |
-
2023
- 2023-01-19 CN CN202310055598.3A patent/CN116127314B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103562753A (zh) * | 2011-03-21 | 2014-02-05 | 阿克斯有限责任公司 | 重力梯度计勘测技术 |
CN104155699A (zh) * | 2014-08-13 | 2014-11-19 | 昆明理工大学 | 一种坑道重力全空间域定位探测高密度隐伏矿体的方法 |
CN113341476A (zh) * | 2021-04-30 | 2021-09-03 | 中国空间技术研究院 | 基于海底地形-重力联合提高海洋重力空间分辨率的方法 |
CN113343427A (zh) * | 2021-05-11 | 2021-09-03 | 华中科技大学 | 一种基于卷积神经网络的结构拓扑构型预测方法 |
CN115187540A (zh) * | 2022-07-07 | 2022-10-14 | 西安交通大学 | 一种人体三维椎体松质骨图像的自动分割方法及系统 |
Non-Patent Citations (2)
Title |
---|
QIBIN HOU等: "Strip pooling:rethinking spatial pooling for scene parsing", 《ARXIV》 * |
张代磊: "全张量重力梯度数据信号增强及解释方法研究", 《中国博士学位论文全文数据库基础科学辑》 * |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117250667A (zh) * | 2023-11-08 | 2023-12-19 | 经纬地信(成都)科技有限公司 | 基于U-Net增强网络对地下密度快速成像方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
CN116127314B (zh) | 2024-03-19 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Yokoya et al. | Breaking limits of remote sensing by deep learning from simulated data for flood and debris-flow mapping | |
Guo et al. | Data-driven rapid flood prediction mapping with catchment generalizability | |
Zhu et al. | Deep learning-based key-block classification framework for discontinuous rock slopes | |
CN116127314B (zh) | 基于自适应多尺度深度学习网络预测地下密度的方法 | |
Dang et al. | A convolutional neural network for coastal classification based on ALOS and NOAA satellite data | |
Lai et al. | Surface roughness of rock faces through the curvature of triangulated meshes | |
CN113610070A (zh) | 一种基于多源数据融合的滑坡灾害识别方法 | |
Yu et al. | Earthquake crack detection from aerial images using a deformable convolutional neural network | |
CN109684910A (zh) | 一种网络检测输电线路地表环境变化的方法及系统 | |
CN115238565A (zh) | 电阻率模型重构网络训练方法、电磁反演方法及装置 | |
Rosso et al. | Review on deep learning in structural health monitoring | |
CN116206098A (zh) | 月球表面安全着陆区选取系统及其方法 | |
Li et al. | 3D virtual urban scene reconstruction from a single optical remote sensing image | |
Asif et al. | Automated transient electromagnetic data processing for ground-based and airborne systems by a deep learning expert system | |
Miky et al. | A combined contour lines iteration algorithm and Delaunay triangulation for terrain modeling enhancement | |
CN107817524B (zh) | 三维地震层析成像的方法和装置 | |
CN110363863B (zh) | 一种神经网络的输入数据生成方法和系统 | |
Agoub et al. | Generating 3D city models based on the semantic segmentation of lidar data using convolutional neural networks | |
CN115905442A (zh) | 基于认知图谱的无人驾驶航空器地貌勘测方法、系统和介质 | |
Mudron et al. | Modelling the uncertainty of slope estimation from a LiDAR-derived DEM: A case study from a large-scale area in the Czech Republic | |
CN111597752B (zh) | 平衡孔间敏感性的跨孔电阻率ct深度学习反演方法及系统 | |
Elshehaly et al. | Interactive fusion and tracking for multi‐modal spatial data visualization | |
Nuhn et al. | Preparation of complex landslide simulation results with clustering approaches for decision support and early warning | |
CN113505834A (zh) | 训练检测模型、确定图像更新信息和更新高精地图的方法 | |
Petras et al. | Mapping gradient fields of landform migration |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |