公开(公告)号：CN116794736A

公开(公告)日：2023-09-22

申请号：CN202310718958.3

申请日：2023-06-16

申请人： 中国国家铁路集团有限公司 ,  成都理工大学 ,  中铁二院工程集团有限责任公司

发明人： 袁崇鑫 ,  甄大勇 ,  刘毅 ,  王绪本 ,  扈森 ,  刘俊飞 ,  王向鹏 ,  赵思为 ,  尹小康 ,  徐正宣 ,  刘康 ,  贾哲强 ,  张营旭 ,  张硕

IPC分类号： G01V3/38 ,  G06N3/0455 ,  G06N3/048 ,  G06N3/0985

摘要： 本发明公开了一种基于transform的大地电磁反演模型建立方法，包括：采集大地电磁测深模型样本数据集；采用麦克斯韦方程正演转化得到与大地电磁测深模型样本数据集对应的视电阻率和相位样本的数据，并形成样本对；将样本对拆分为训练集和测试集；基于Transformer架构搭建SwinUnet网络，并进行学习映射；利用训练集对搭建SwinUnet网络进行训练，获得最佳的反演网络权重和超参数模型以视电阻率和相位样本的数据拟合的拟合非线性函数，完成对SwinUnet网络进行训练；利用测试集对训练后的SwinUnet网络进行测试，并得到端到端的地电模型反演成像结果；完成大地电磁反演模型的建立。

公开(公告)号：CN115983105A

公开(公告)日：2023-04-18

申请号：CN202211597028.9

申请日：2022-12-12

申请人： 成都理工大学

发明人： 王绪本 ,  杨锐 ,  杨钰菡 ,  王向鹏 ,  袁崇鑫

IPC分类号： G06F30/27 ,  G06N3/0464 ,  G06N3/08

摘要： 本发明公开了基于深度学习加权决策的Occam反演拉格朗日乘子优化方法，包括：构建全连接神经网络和卷积神经网络；获取正演参数；求得k个模型向量一一对应的正演数据集；对正演数据集进行Occam反演，并记录任一次迭代内的数据，得到数据集T和拉格朗日乘子向量L；对卷积神经网络和全连接神经网络进行训练；建立卷积神经网络训练后的数据集和全连接神经网络训练后的数据集的映射函数，更新反演目标函数；调整双网络权重因子，更新数据与模型参数；直至最大的迭代次数或小于等于预设的拟合差，完成反演。通过上述方案，本发明具有逻辑简单、反演迭代高效、稳定可靠等优点。

公开(公告)号：CN114048823A

公开(公告)日：2022-02-15

申请号：CN202111411003.0

申请日：2021-11-25

申请人： 成都理工大学

发明人： 王绪本 ,  袁崇鑫 ,  邓飞 ,  王堃鹏

IPC分类号： G06K9/62 ,  G06N3/04 ,  G06N3/08

摘要： 本发明公开了基于全卷积网络电阻率反演模型建立方法，包括：建立不同电阻率大小和形状的大地电磁测深模型样本数据集，采用麦克斯韦方程正演转化得到与之对应的视电阻率和相位数据；将视电阻率和相位数据作为模型输入，与其对应的大地电磁测深模型作为输出，构建的全卷积神经网络U‑net网络，并进行学习映射，并对该网络进行训练与调参，从而获取最佳反演网络权重及超参数模型；利用已训练好的视电阻率和相位数据拟合线性函数到相应的地下电阻率模型；将验证集中的视电阻率和相位数据输入至模型内，得到反演的电阻率数据。

公开(公告)号：CN114048685A

公开(公告)日：2022-02-15

申请号：CN202111411008.3

申请日：2021-11-25

申请人： 成都理工大学

发明人： 袁崇鑫 ,  邓飞 ,  王向鹏 ,  杨锐 ,  陈宁

IPC分类号： G06F30/27 ,  G06F17/17 ,  G06F119/02

摘要： 本发明公开了基于灰色关联分析的时间卷积网络电磁响应值预测方法，包括：构建基于时间序列卷积神经网络；获取航空电磁勘探区域的数据，并随机分为训练集、验证集和测试集；对训练集、验证集和测试集分别进行归一化处理；利用归一化处理后的训练集和验证集对时间卷积神经网络进行训练和验证，并采用Adam优化算法对时间卷积神经网络进行连续优化，直到时间卷积神经网络的训练误差达到了预设的目标值，并完成训练；将归一化处理后的测试集输入至训练后的时间卷积神经网络内，得到预测值，并对预测值进行反规一化处理，得到瞬变电磁响应预测值。通过上述方案，本发明具有预测精度高、鲁棒性强等优点。

公开(公告)号：CN115983105B

公开(公告)日：2023-10-03

申请号：CN202211597028.9

申请日：2022-12-12

申请人： 成都理工大学

发明人： 王绪本 ,  杨锐 ,  杨钰菡 ,  王向鹏 ,  袁崇鑫

IPC分类号： G06F30/27 ,  G06N3/0464 ,  G06N3/08

摘要： 本发明公开了基于深度学习加权决策的Occam反演拉格朗日乘子优化方法，包括：构建全连接神经网络和卷积神经网络；获取正演参数；求得k个模型向量一一对应的正演数据集；对正演数据集进行Occam反演，并记录任一次迭代内的数据，得到数据集T和拉格朗日乘子向量L；对卷积神经网络和全连接神经网络进行训练；建立卷积神经网络训练后的数据集和全连接神经网络训练后的数据集的映射函数，更新反演目标函数；调整双网络权重因子，更新数据与模型参数；直至最大的迭代次数或小于等于预设的拟合差，完成反演。通过上述方案，本发明具有逻辑简单、反演迭代高效、稳定可靠等优点。