[发明专利]一种基于全卷积神经网络的大地电磁反演方法

权利要求书

1.一种基于全卷积神经网络的大地电磁反演方法，其特征在于，包括：

基于地质信息构建多维度地电模型，正演计算对应维度的视电阻率，组成样本集,并按特定比例将所述样本集划分为多个训练集和多个测试集；

构建全卷积神经网络结构模型，得到初始化全卷积神经网络模型参数；

所述多维度地电模型包括：层状地电模型、二维地电模型或三维地电模型；

所述全卷积神经网络模型参数包括：卷积层的层数、池化层的层数、上采样层的层数、卷积层中卷积核尺寸、池化层的池化窗口大小、上采样层的上采样窗口大小和移动步长；

所述多维度地电模型为所述层状地电模型时，增大所述卷积层中卷积核尺寸、增大所述池化层的池化窗口大小和增大所述上采样层的上采样窗口大小；

所述多维度地电模型为二维地电模型和所述三维地电模型时，减小所述卷积层中卷积核尺寸、减小所述池化层的池化窗口大小和减小所述上采样层的上采样窗口大小；

基于所述训练集和所述测试集，将所述视电阻率作为输入数据，以所述地电模型的电阻率作为输出数据，对所述全卷积神经网络结构模型进行训练和测试，得到优化全卷积神经网络结构模型参数；

分析所述训练集和所述测试集对应的拟合误差变化，当所述训练集的拟合误差减小且所述测试集的拟合误差增大时，结束训练，得到训练完成的全卷积神经网络结构模型；

将实际测量的所述视电阻率输入训练完成的所述全卷积神经网络结构模型中进行反演，并分析反演结果的精度；

对所述全卷积神经网络结构模型进行训练和测试时包括：

利用损失函数计算所述全卷积神经网络结构模型的输出数据与输入数据对应的所述多维度地电模型之间的误差，并通过误差反向传播算法对所述全卷积神经网络结构模型参数进行优化；

训练所述层状地电模型时，增加训练数据，以抑制过拟合现象；

训练所述二维地电模型时，采用正则化方法，在所述损失函数中加入权值衰减以抑制过拟合现象；

训练所述三维地电模型时，随机删除神经元以抑制过拟合现象。

2.根据权利要求1所述的方法，其特征在于，所述基于地质信息构建多维度地电模型，正演计算对应维度的视电阻率，组成样本集包括：

采用规则的几何形状标识所述地电模型的地下异常体的所在区域，正演计算得到所述地下异常体的视电阻率；

设置所述地电模型中地下异常体的视电阻率的取值范围，组成样本集；

其中，所述地下异常体的视电阻率在取值范围内能够任意取值。

3.根据权利要求1所述的方法，其特征在于，

所述层状地电模型的地下异常体的视电阻率沿深度方向变化；

所述二维地电模型的地下异常体的视电阻率同时沿深度方向和横向方向进行变化，或同时沿深度方向和纵向方向进行变化；

所述三维地电模型的地下异常体的视电阻率同时沿深度方向、纵向方向和横向方向进行变化。

4.根据权利要求1所述的方法，其特征在于，

所述损失函数包括：平均绝对值误差或均方误差；

所述多维度地电模型为所述层状地电模型时，所述误差反向传播算法选择自适应梯度下降算法；

所述多维度地电模型为二维地电模型和所述三维地电模型时，所述误差反向传播算法选择自适应矩估计法。

5.根据权利要求1所述的方法，其特征在于，

所述训练集的个数大于所述测试集的个数。

6.根据权利要求1所述的方法，其特征在于，

所述特定比例包括：训练集的个数和测试集的个数的整数比；

所述特定比例大于5:1。

7.根据权利要求1所述的方法，其特征在于，所述分析反演结果的精度包括：

分析所述反演结果的拟合误差，当所述拟合误差低于设定误差阈值，所述反演结果经正演计算得到的仿真数据与实测数据之间的相对误差小于设定误差阈值时，反演结果满足精度要求；

否则重新构建所述全卷积神经网络结构模型。