(19)中华 人民共和国 国家知识产权局 (12)发明 专利 (10)授权公告 号 (45)授权公告日 (21)申请 号 202110791821.1 (22)申请日 2021.07.13 (65)同一申请的已公布的文献号 申请公布号 CN 113486591 A (43)申请公布日 2021.10.08 (73)专利权人 吉林大学 地址 130012 吉林省长 春市前进大街269 9 号 (72)发明人 马国庆　蒋哲欣　李丽丽　 (74)专利代理 机构 北京众达德权知识产权代理 有限公司 1 1570 代理人 刘杰 (51)Int.Cl. G06F 30/27(2020.01) G06N 3/04(2006.01)G06N 3/08(2006.01) G06K 9/62(2022.01) G06F 111/04(2020.01) (56)对比文件 CN 103605900 A,2014.02.26 CN 106054670 A,2016.10.26 CN 111143984 A,2020.0 5.12 审查员 刘婷 (54)发明名称 一种卷积神经网络结果的重力多参量数据 密度加权反演方法 (57)摘要 本发明公开了一种卷积神经网络结果的重 力多参量数据密度加权反演方法， 包括以下步 骤： 搭建深度学习的神经网络结构， 并针对目标 地质体构建训练集； 训练普通参数； 训练最优网 络模型； 将实测异常输入到神经网络中， 并将其 预测结果作为下一步反演的初始模 型； 采用三维 正则化反演方法， 并引入密度权进行约束， 正则 化反演问题通过寻找最小化目标函数的优化问 题来解决， 对参数反演结果进行正演， 检验反演 拟合程度， 并进行多次迭代反演， 直至得到高精 度的反演结果， 本发明通过将深度学习引入到重 力数据反演当中， 提出了基于深度学习结果的物 性反演方法， 在获得较为精确的地下地质体分布 的同时， 大 大提高了反演的效率。 权利要求书1页 说明书3页 附图2页 CN 113486591 B 2022.04.19 CN 113486591 B 1.一种卷积神经网络结果的重力多参量数据密度加权反演方法， 其特征在于， 包括以 下步骤： 步骤1： 搭建深度学习的神经网络结构， 并针对目标地质体构建训练集； 步骤2： 训练普通 参数； 步骤3： 训练最优网络模型； 步骤4： 将实测异常输入到神经网络中， 并将其预测结果作为下一 步反演的初始模型； 步骤5： 采用三维正则化反演方法， 并引入密度权进行约束， 正则化反演问题通过寻找 最小化目标函数的优化问题来 解决， 目标函数表示 为： P(m)＝Φd(m)+λΦm(m) 其中λ是正则化 参数； 其中Wd是数据加权矩阵,Wm是模型加权矩阵； 在传统反演中， Wd由深度权wz构成， 其表达式为： 其中， zj为第j个模型单元的中心埋深， z0为观测高度， 对重力反演而 言， 深度加权系数β ＝2； 将反演流 程中Wd由深度权wz和密度权wρ构成， 密度权wρ表达式为 其中， m0为深度学习快速成像方法得到的初始模型； 步骤6： 对参数反演结果进行正演， 检验反演拟合程度， 并进行多次迭代反演， 直至得到 高精度的反演结果。 2.根据权利要求1所述的一种卷积神经网络结果的重力多参量数据密度加权反演方 法， 其特征在于， 步骤2中训练普通参数是给定超参数， 在训练集上利用学习算法训练普通 参数， 使得网络模型在训练集上的误差降低到设定阈值。 3.根据权利要求1所述的一种卷积神经网络结果的重力多参量数据密度加权反演方 法， 其特征在于， 步骤3中训练最优网络模型是在验证集上验证不同网络模型 的泛化能力， 并根据网络模型性能对网络结构和超参数进行调整。权　利　要　求　书 1/1 页 2 CN 113486591 B 2一种卷积神经 网络结果的重力多参量数据密 度加权反演 方法 技术领域 [0001]本发明属于基于深度学习的物性反演方法技术领域， 尤其涉及 一种卷积神经网络 结果的重力多参 量数据密度加权反演方法。 背景技术 [0002]重力勘探具有轻便， 快捷， 投入少的优点， 随着航空物探及重力梯度仪 的发展， 使 得大尺度重力及其梯度的多参量数据测 量成为可能， 而随着数据量的增加， 对重力数据的 反演带来了负担 。 [0003]计算机硬件设备的发展， 深度学习被广泛应用于各个领域。 对于地球物理反演问 题， 在对神经网络进 行训练后， 可以快速的得到地质体的物 性及分布， 但由于神经网络的泛 化能力较差， 其结果依赖于训练集的构建， 得到的结果往往不能达到解释所需要的精度， 影 响其实施应用。 发明内容 [0004]本发明通过通过引入神经网络提高了反演的速度及精度， 而引入密度权的反演为 不同区域 地质体提供了一定的泛化能力， 增 加了反演的效率及精度， 解决了以上问题。 [0005]具体的， 本发明是通过以下技 术方案实现的： [0006]提供一种卷积神经网络结果的重力多参量数据密度加权反演方法， 包括以下步 骤： [0007]步骤1： 搭建深度学习的神经网络结构， 并针对目标地质体构建训练集； [0008]步骤2： 训练普通 参数； [0009]步骤3： 训练最优网络模型； [0010]步骤4： 将实测异常输入到神经网络中， 并将其预测结果作为下一步反演的初始模 型； [0011]步骤5： 采用三维正则化反演方法， 并引入密度权进行约束， 正则化反演问题通过 寻找最小化目标函数的优化问题来 解决， 目标函数表示 为： [0012]P(m)＝Φd(m)+λΦm(m) [0013]其中λ是正则化 参数； [0014] [0015] [0016]其中Wd是数据加权矩阵,Wm是模型加权矩阵； [0017]步骤6： 对参数反演结果进行正演， 检验反演拟合程度， 并进行多次迭代反演， 直至 得到高精度的反演结果。 [0018]优选的， 步骤2中训练普通参数是给定超参数， 在训练集上利用学习算法训练普通 参数， 使得网络模型在训练集上的误差降低到设定阈值。说　明　书 1/3 页 3 CN 113486591 B 3