CNN算法的损失函数优化及在低信噪比资料中的应用

摘要：

深度学习CNN算法的核心之一是其利用损失函数完成反传机制达到各层网络之间的优化,因此,不同的损失函数及反传机制带来训练阶段人工神经网络模型不同的网络优化效果,其影响了机器学习算法的泛化能力及预测效果.基于此,文中提出了一种改进的带惩罚系数的损失函数,解决了在断层识别问题中因正负样本的数量高度不均衡导致的网络朝着错误方向收敛的问题.将其用于网络中指导训练,通过不同损失函数下的网络模型对理论数据和实际数据的识别结果,证明了这种方法的有效性和适用性.在低信噪比资料中的断层识别中,这种改进的优化网络,能够得到更稳定和更可靠的断层识别结果,为研究区潜山内幕小断层及断缝系统识别提供一种高效可靠的方法技术.

关键词：Unet、反传机制、惩罚系数、断层识别、损失函数、低信噪比资料

所属期刊栏目：30

分类号：TE132.1+4;P618.13(石油、天然气地质与勘探)

在线出版日期：2023-02-20（万方平台首次上网日期，不代表论文的发表时间）

页数：共7页

页码：107-113