自定义博客皮肤VIP专享

*博客头图:

格式为PNG、JPG,宽度*高度大于1920*100像素,不超过2MB,主视觉建议放在右侧,请参照线上博客头图

请上传大于1920*100像素的图片!

博客底图:

图片格式为PNG、JPG,不超过1MB,可上下左右平铺至整个背景

栏目图:

图片格式为PNG、JPG,图片宽度*高度为300*38像素,不超过0.5MB

主标题颜色:

RGB颜色,例如:#AFAFAF

Hover:

RGB颜色,例如:#AFAFAF

副标题颜色:

RGB颜色,例如:#AFAFAF

自定义博客皮肤

-+
  • 博客(4)
  • 收藏
  • 关注

原创 DL-FWI DAY4 总结

经过数日的学习,我对深度学习驱动的全波形反演(DL-FWI)算是入了个门。其中尤为关键的是,明确了 DL-FWI 在当前技术体系中的核心定位 —— 凭借数据驱动优势快速构建具备一定准确性的速度模型。区别于传统 FWI 依赖迭代优化的漫长求解过程,训练完成的深度网络可通过前向传播直接映射地震数据与介质参数,实现高效反演。基于这一特性,后续研究可围绕以下路径展开:首先,以 DL-FWI 输出的速度模型作为优质初始解,弥补传统 FWI 对初始模型敏感、易陷入局部极小值的缺陷;

2025-05-04 21:20:39 950

原创 DL-FWI DAY3 总结

设目标函数为 \(f(\mathbf{x})\),其中 \(\mathbf{x} \in \mathbb{R}^n\) 是优化变量,要求解的问题为:\(\min_{\mathbf{x}} \, f(\mathbf{x})\)由于梯度是函数增长最快的方向,所以负梯度就是函数下降最快的方向,每次迭代沿负梯度方向进行迭代。

2025-05-03 21:12:59 828

原创 DL-FWI DAY2 总结

神经网络训练过程的本质还是最优化问题,通过梯度下降,误差反向传播逐步优化参数来减少损失函数,但是训练过多会导致过拟合,最终训练好的神经网络其损失函数也不能太小,太小也会导致过拟合。范数,其对差距大的值的敏感程度一直在增加,所以可以根据需求选择不同的范数,如果我们要训练的网络要对异常值很敏感的话可以选择比较大的范数,反之可以选择比较小的范数。DL-FWI方面创新的话 可以去图像、视觉领域去看最新方法,融合不同的模块,对一些模块进行改进,替换模块,进一步提升网络性能。相比L1范数,L2范数对差距大的值更敏感。

2025-05-02 21:42:49 868

原创 DL-FWI DAY1 总结

训练好的卷积核也可以近似看作基向量,卷积核与数据通过卷积操作得到新的矩阵相当于数据在基向量上的投影。通过构建损失函数并不断迭代减小误差,得到训练好的网络(就是一堆训练好的卷积核,具体意义不可解释)速度模型反演在偏移成像前一步,反演得到的速度模型的好坏在一定程度上决定偏移成像质量。池化操作:最大池化:如图所示,在池化窗口(Pooling Window)内取像素的。,保留局部区域的最强响应特征 ,图中第一个窗口最大值为6,其他类似。卷积可以提取特征,池化可以数据压缩(降维,可以提高计算效率)

2025-05-01 23:12:00 299 1

空空如也

空空如也

TA创建的收藏夹 TA关注的收藏夹

TA关注的人

提示
确定要删除当前文章?
取消 删除