松江企业做网站,怀化网站优化公司哪家好,网站高端设计公司,赣州大余做网站建设一. InversionNet 最简单的端到端DL_FWI 1. 网络结构#xff1a; 图1 构建了一个具有编码器-解码器结构的卷积神经网络#xff0c;根据地震波动数据模拟地下速度结构。编码器主要由卷积层构建#xff0c;它从输入地震数据中提取高级特征并将其压缩为单个高维向量。解码器然后…一. InversionNet 最简单的端到端DL_FWI 1. 网络结构 图1 构建了一个具有编码器-解码器结构的卷积神经网络根据地震波动数据模拟地下速度结构。编码器主要由卷积层构建它从输入地震数据中提取高级特征并将其压缩为单个高维向量。解码器然后通过一组反卷积层将这些特征转换为速度模型。 2. 编码器与解码器 编码器包括图1的顶部流水线中由“conv”表示的一组卷积块。1.每个卷积块由卷积层批归一化BN和ReLU组成。输入数据的大小为32,1000,6从这个数据看来时间维度和空间维度比例太大这里采用的是非方形卷积。起到压缩空间的作用我们这里接下来的任务是对于时间层面的降维。 注意这里补充说明原文章用的数据大小是32,1000,6但是张星移师兄培训的数据集大小是70,1000,6以后者为准。 时间域第一次降维 将大小70,1000,6的图片通过一批32卷积降维到70,500,32 时间域第二次降维 将大小70,500,32的图片通过卷积降维到70,250,64 将大小70,250,64的图片通过卷积降维到70,125,64 时间域第三次降维 将大小70,125,64的图片通过卷积降维到70,63,128 进入两个方向同时降维将大小70,63,128的图片通过卷积降维到35,32,128 第四次降维 两个方向同时降维将大小35,32,128通过卷积降维到1816256 两个方向同时降维将大小1816256通过卷积降维到88256 最后将图片降维到1×1的512维度的向量再经过解码反卷积转化为我们需要的图像解码的过程如图2所示。 图2 结果评价指标 InversionNet的末端采用的标准损失函数是规范的损失函数:是是真实速度模型, 是预测的速度模型是速度模型中空间像素的数量. 作者采用的四个评价指标 优点
