[发明专利]一种基于多任务机器学习的莫霍面结构预测方法

权利要求书

1.一种基于多任务机器学习的莫霍面结构预测方法，其特征在于，包括如下步骤：

S1、利用基于卷积神经网络的样式迁移技术从真实数据中学习噪声特征，将真实接收函数噪声样式迁移至模拟数据中，从而生成带噪声的模拟数据集；

S2、利用基于硬参数共享的多任务卷积神经网络完成预测模型训练，得到可以预测单台下方莫霍面结构的预测模型，其中莫霍面结构包括深度、走向、下倾角；

S3、利用加速贝克曼与阈值迭代方法对缺失的方位角的实际预测数据中进行重建；

S4、对单台的莫霍面结构进行预测。

2.根据权利要求1所述的一种基于多任务机器学习的莫霍面结构预测方法，其特征在于，所述S1具体操作时：首先建立了一个噪声库，每一道噪声均随机截取于需要被预测的真实接收函数，对于每个真实接收函数，随机选取一个时刻，截取与模拟数据长度一致的片段作为噪声样本；

在给36个方位角模拟数据加噪前，先从噪声库里随机抽取36条噪声数据组成“样式图像”，按反方位角排列由模拟接收函数组成的地震图为“内容图像”，用于数据仿真的网络采用一个基于预训练好的且去除全连接层的VGG-19网络，将“内容图像”和“样式图像”送入网络训练，对按特征输出的结果按(1)、(2)、(3)构建不同损失函数，再进行反向求导，多次迭代得到最终的带有真实噪声的模拟数据；

(1)内容损失函数：

分别为输入图像和样式迁移后生成图像，这里l代表网络中卷积层的第层，i代表卷积层中的通道数，而j表示卷积层中的第j^th个位置，F、P代表第l层的“内容图像”和“初始图像”对应输出的特征响应；

(2)样式损失函数：

首先需要利用Gram矩阵定义特征互相关：

样式损失函数为：

这里，a代表输入的样式图像。M_l等于第l层输出单个特征图的高×宽，N_l代表该层的滤波器个数，A、G为第l层的“样式图像”的特征响应和“初始图像”对应的特征互相关，w_l代表第l层的权重；

(3)总损失函数：

这里，α和β是平衡内容损失和样式损失之间的权重因子。

3.根据权利要求1或2所述的一种基于多任务机器学习的莫霍面结构预测方法，其特征在于，基于硬参数分享的多任务学习的基本思路，采用多任务机器学习的算法中最直观且经典的Share-Bottom来完成模型的搭建,将深度设为分类任务，将莫霍面结构和下倾角作为回归任务，分类任务的损失函数为使用交叉熵损失函数，走向和下倾角的回归任务的损失函数为均方误差损失，总损失函数为三个损失函数的线性相加。

4.根据权利要求3所述的一种基于多任务机器学习的莫霍面结构预测方法，其特征在于，由于地震分布不均以及部分反方位角数据质量不佳，造成真实数据中常常会出现多个方位角连续缺失的情况，因此在对真实数据进行预测前，将采用加速贝克曼和阈值迭代联合的方法对数据进行重建，该方法采用曲波变换作为稀疏基，利用加速线性贝克曼方法，并与阈值迭代方法联合，利用新型线性和指数加权因子来调节加速贝克曼方法和阈值迭代方法的比重。