利用卷积自编码器重建含噪重力数据
卷积自编码器融合了适于处理相同维度数据映射的自编码器神经网络,以及近年来在图像处理领域取得广泛应用的卷积神经网络.基于深度学习处理重力观测数据图像,利用卷积自编码器从含噪声的重力图像中重建重力观测图像.首先,随机建模生成大量不同参数的重力异常体,正演其重力异常,将加入噪声的重力异常和原始重力异常分别作为卷积自编码器的输入和输出进行训练;然后,模拟数据测试表明训练得到的神经网络重建效果良好;最后,用Kauring实验场实测重力数据测试该神经网络的泛化性能,并与快速傅里叶变换(fast Fourier transform,FFT)滤波、db小波(Daubechies wavelet)滤波方法进行了比较.结果表明,训练好的卷积自编码器重建实测重力数据的平均误差小于FFT滤波方法及db小波滤波,且能避免重力异常特征过度滤波而消失,受噪声干扰小于db小波滤波,综合效果理想.
深度学习、卷积自编码器、重力滤波、快速傅里叶变换滤波、小波滤波
47
P223(大地测量学)
国家自然科学基金;国家重大科学仪器设备开发专项
2022-06-06(万方平台首次上网日期,不代表论文的发表时间)
共8页
543-550