[发明专利]基于深度学习的大地电磁数据静位移校正方法及装置

权利要求书

1.一种基于深度学习的大地电磁数据静位移校正方法，其特征在于，包括以下步骤：

获取先验信息，根据所述先验信息构建训练集；

获取所述训练集，根据所述训练集设计深度神经网络；

构建训练所述深度神经网络的目标函数，通过优化算法最小化训练所述目标函数，得到训练后的深度神经网络；

获取地表观测数据，将所述地表观测数据输入所述训练后的深度神经网络，得到静位移校正后的大地电磁数据。

2.根据权利要求1所述的基于深度学习的大地电磁数据静位移校正方法，其特征在于，所述训练集包括输入数据和标签数据。

3.根据权利要求2所述的基于深度学习的大地电磁数据静位移校正方法，其特征在于，仿真产生的大地电磁数据作为所述标签数据，所述标签数据由下面公式计算：

d＝F(ρ|θ)

其中，ρ为地下电阻率，θ为外部因素设置，F为正向建模函数，d为仿真产生的大地电磁数据。

4.根据权利要求2所述的基于深度学习的大地电磁数据静位移校正方法，其特征在于，对所述标签数据分别在沿横轴与空间内施加一维与二维高斯噪声，构建受静位移干扰的数据，将所述受静位移干扰的数据作为所述输入数据。

5.根据权利要求1所述的基于深度学习的大地电磁数据静位移校正方法，其特征在于，所述深度神经网络的目标函数，由下面公式计算：

其中，N为训练集个数，为第i个训练样本的神经网络输出，为对应的标签数据，f为目标函数。

6.一种基于深度学习的大地电磁数据静位移校正装置，其特征在于，包括：

构建训练集模块，用于获取先验信息，根据所述先验信息构建训练集；

设计神经网络模块，用于获取所述训练集，根据所述训练集设计深度神经网络；

构建目标函数模块，用于构建训练所述深度神经网络的目标函数，通过优化算法最小化训练所述目标函数，得到训练后的深度神经网络；

输入模块，用于获取地表观测数据，将所述地表观测数据输入所述训练后的深度神经网络，得到静位移校正后的大地电磁数据。

7.根据权利要求6所述的基于深度学习的大地电磁数据静位移校正装置，其特征在于，所述构建训练集模块，包括：包括输入数据模块和标签数据模块。

8.根据权利要求7所述的基于深度学习的大地电磁数据静位移校正装置，其特征在于，所述标签数据模块，用于仿真产生的大地电磁数据作为标签数据，所述标签数据由下面公式计算：

d＝F(ρ|θ)

其中，ρ为地下电阻率，θ为外部因素设置，F为正向建模函数，d为仿真产生的大地电磁数据。

9.根据权利要求7所述的基于深度学习的大地电磁数据静位移校正装置，其特征在于，所述输入数据模块，用于对所述标签数据模块分别在沿横轴与空间内施加一维与二维高斯噪声，构建受静位移干扰的数据，将所述受静位移干扰的数据作为输入数据。

10.根据权利要求7所述的基于深度学习的大地电磁数据静位移校正装置，其特征在于，所述构建目标函数模块，还用于计算所述深度神经网络的目标函数，所述深度神经网络的目标函数，由下面公式计算：

其中，N为训练集个数，为第i个训练样本的神经网络输出，为对应的标签数据，f为目标函数。