基于卷积神经网络的磁异常反演方法、系统、终端及介质
阅读说明：本技术 基于卷积神经网络的磁异常反演方法、系统、终端及介质 (Magnetic anomaly inversion method, system, terminal and medium based on convolutional neural network ) 是由 熊杰 薛瑞洁 张月 王蓉 于 2021-06-30 设计创作，主要内容包括：本发明属于磁法勘探技术领域,公开了一种基于卷积神经网络的磁异常反演方法、系统、终端及介质,基于磁异常体模型进行正演模拟产生样本数据集,构建VGG磁异常反演网络；利用样本数据集训练所述VGG磁异常反演网络；将磁异常数据输入到训练好的VGG磁异常反演网络中,得到反演结果。本发明可以准确的反演出磁异常体的位置和磁化强度,具有较强的学习能力和一定的泛化能力,能有效解决磁异常数据反演问题。本发明设计成不同性质和尺寸模型,通过移动模型位置、设置不同磁化强度正演得到大量数据后,可以准确的反演出磁异常体的位置和磁化强度,能有效解决磁异常数据反演问题。(The invention belongs to the technical field of magnetic prospecting, and discloses a magnetic anomaly inversion method, a system, a terminal and a medium based on a convolutional neural network, wherein a forward simulation is performed based on a magnetic anomaly model to generate a sample data set, and a VGG magnetic anomaly inversion network is constructed; training the VGG magnetic anomaly inversion network by using a sample data set; and inputting the magnetic anomaly data into a trained VGG magnetic anomaly inversion network to obtain an inversion result. The method can accurately invert the position and magnetization intensity of the magnetic anomaly body, has strong learning capacity and certain generalization capacity, and can effectively solve the inversion problem of the magnetic anomaly data. The invention designs models with different properties and sizes, and can accurately invert the position and the magnetization intensity of the magnetic anomaly body after a large amount of data is obtained by moving the position of the model and setting forward modeling of different magnetization intensities, thereby effectively solving the inversion problem of the magnetic anomaly data.)
技术领域
本发明属于磁法勘探
技术领域
，尤其涉及一种基于卷积神经网络的磁异常反演方法、系统、终端及介质。背景技术
目前，磁法勘探通过测量和分析岩石、矿石或其他探测对象的磁异常分布，推断地下异常体的几何形态和分布规律。磁异常反演是定量解释磁数据的一种必不可少的方法，但反演问题存在不适定性和多解性，因此，要解决这些问题，需要找寻一种准确高效的反演方法。
随着智能时代的到来，深度学习(DL)是近年来人们所关注的一个热点，其本质是深度神经网络自动提取特征，目前已经在在语音处理、计算机视觉和自然语言处理等领域获得广泛的应用。自DL引入地球物理反演领域以来，最早研究最多的是基于BP神经网络的反演算法，在此基础上，更多大量新型的网络和算法便如百花齐放一般，逐渐在地球物理反演研究中占据了重要的地位。
当今，DL和地球物理领域结合启发出了许多反演新方法，DL在地震反演、电法反演等领域取得了令人满意的进展，但很少在磁异常数据中使用。
通过上述分析，现有技术存在的问题及缺陷为：
(1)现有磁异常反演方法存在初始模型依赖、计算时间较长，同时数据量少，不能满足使用深度学习方式解决地球物理反演问题时所需的大量磁异常数据的需求；
(2)现有磁异常反演方法重构地质体磁化强度模型可能出现“趋肤现象”，以及在同一垂直方向的不同深度出现“黏合”现象。
(3)现有技术反演不同的模型存在有一定的局限，存在泛化不足和过拟合等问题。
解决以上问题及缺陷的难度为：
(1)如何改变传统方法的初始模型对反演效果的影响，并缩短计算时间的长度；如何选择物性反演方法，需要结合当前技术发展的状况以及现阶段存在的问题综合整体做出选择，使用不同的方法在训练的过程中出现不同的问题，不同问题在训练过程中的影响均很难预测。
(2)如何设计不同的地质体磁化强度模型，同时得到所需的样本数据集；用于反演的预训练模型的训练需要花费大量时间，以及对实验所用的机器配置要求较高。
(3)在现实中，磁数据没有固有的深度分辨率，无论地下介质体的真实深度如何，结构都往往集中在表面附近。这样的靠下部分深度在反演时需要更高的标准，增大了难度。
(4)训练完成的磁异常数据、地质体磁化强度模型和真实的磁异常数据、地质体磁化强度模型之间很难达到较高的拟合情况，实现该问题需要在实验整体过程中对每一步的实验数据处理结果做出分析，并依据分析的阶段性结果对后续实验做出预测，然后再依据具体的预测做出针对性的超参数大小以及目标函数的调整。整个过程便是一个反复不断调整的过程，需要很强的专业技术，期间需要从原有技术基础上，不断在技术上进行调整与创新。
解决以上问题及缺陷的意义为：本发明基于卷积神经网络VGG-13设计了一种全新的VGG磁异常反演网络(VGGINV)，实现了一系列完整的反演方法。设计成不同性质和尺寸模型，通过移动模型位置、设置不同磁化强度正演得到大量数据后，可以准确的反演出磁异常体的位置和磁化强度，能有效解决磁异常数据反演问题。
发明内容
针对现有技术存在的问题，本发明提供了一种基于卷积神经网络的磁异常反演方法、系统、终端及介质。
本发明是这样实现的，一种基于卷积神经网络的磁异常反演方法，所述基于卷积神经网络的磁异常反演方法包括：
基于磁异常体模型进行正演模拟产生样本数据集，构建VGG磁异常反演网络；利用样本数据集训练所述VGG磁异常反演网络；将磁异常数据输入到训练好的VGG磁异常反演网络中，得到反演结果。
进一步，所述基于卷积神经网络的磁异常反演方法包括以下步骤：
步骤一，采用Matlab语言设计所需要的大量磁异常体模型，进行正演模拟生成样本数据集；
步骤二，构建VGG磁异常反演网络即VGGINV网络，并利用生成的样本数据集对构建的VGGINV网络进行训练，优化所述VGGINV网络的网络参数；
步骤三，将磁异常数据输入到训练好的VGGINV网络中，得到反演结果。
进一步，步骤一中，所述采用Matlab语言设计所需要的大量磁异常体模型，进行正演模拟生成样本数据集包括：
(1)采用Matlab语言设计观测系统，并基于单个网格单元的磁异常叠加计算多个网格单元在观测点的磁异常；
(2)设计不同性质和尺寸的地质体磁化强度模型，通过移动所述模型位置、设置不同磁化强度正演得到大量数据，共生成8424组数据构成数据集。
进一步，所述观测系统包括：
于地表设置101个观测点，并调整观测点的间距；地下网格单元采用均匀剖分方式，观测点间距10米，观测点高度为0.3m，地下空间划分为20×40均匀的矩形单元格，每个单元格25m×25m，磁偏角和磁倾角分别为90°和60°。
进一步，所述通过移动所述模型位置、设置不同磁化强度正演得到大量数据包括：
利用地质体磁化强度模型m到磁异常数据d的映射关系表示磁异常正演，得到相应数据：d＝Gm；其中，m＝(m1，m2，…，mN)T，mi(i∈N)表示第i个网格的异常体磁化强度情况，N表示剖分的网格单元数；d＝(d1，d2，…,dM)T，dj(j∈M)，表示地表第j个观测点的得到磁异常数据大小，M是观测点个数；G是核矩阵。
进一步，所述地质体磁化强度模型包括：
矩形模型：3×3、4×4、5×5、3×6、6×3、4×8、8×4；
阶梯模型：每层2×3、每层2×5；
多个矩形模型：(左右)4×4、5×5；(上下)3×3；
进一步，步骤(2)中，所述设置不同磁化强度包括：设置磁化强度为0.5A/m、1A/m。
进一步，所述VGG磁异常反演网络包括：
VGGINV网络结构由10层卷积层、5层池化层和3层全连接层组成；神经网络的输入为1×101的矩阵，输出为800×1的矩阵；
VGGINV网络在进行卷积池化处理时，卷积核的大小为1×3；
所述10层卷积层的第一个卷积层步长为2，其他卷积层步长均为1，通道数依次为64、64、128、128、256、256、512、512；
所述池化层的池化核的大小为1×2，步长为1，均采用VALID方式进行；
所述3层全连接层通道数均为2000，每层之后都添加一个Dropout层，激活函数为ReLU。
进一步，所述利用生成的样本数据集对构建的VGGINV网络进行训练，优化所述VGGINV网络的网络参数包括：
对样本数据集进行预处理，将数据集随机分为训练集和测试集；设定参数、利用训练集训练VGGINV网络；并利用测试集检查网络是否达到预期效果，如果没有达到，则修改参数，再次训练；如果训练的网络达到预期效果，则输入验证集数据，重构得到地下模型。
进一步，所述修改参数包括：
1)确定目标函数：
所述目标函数为磁化强度模型拟合误差即目标函数第1项和磁异常数据拟合误差即目标函数第2项；
所述目标函数表达式的如下： 其中λ表示权重衰减系数，系数a，b，c用于平衡模型约束、数据约束和权重约束之间的关系；
2)设置迭代次数为30000次。
本发明另一目的在于提供一种实施所述基于卷积神经网络的磁异常反演方法的基于卷积神经网络的磁异常反演系统，包括：
样本数据集生成模块，用于采用Matlab语言设计所需要的大量磁异常体模型，进行正演模拟生成样本数据集；
网络训练模块，用于构建VGG磁异常反演网络即VGGINV网络，并利用生成的样本数据集对构建的VGGINV网络进行训练，优化所述VGGINV网络的网络参数；
反演结果获取模块，用于将磁异常数据输入到训练好的VGGINV网络中，得到反演结果。
本发明另一目的在于提供一种计算机可读存储介质，存储有计算机程序，所述计算机程序被处理器执行时，使得所述处理器执行如下步骤：
基于磁异常体模型进行正演模拟产生样本数据集，构建VGG磁异常反演网络；
利用样本数据集训练所述VGG磁异常反演网络；
将磁异常数据输入到训练好的VGG磁异常反演网络中，得到反演结果。
本发明另一目的在于提供一种信息数据处理终端，所述信息数据处理终端包括存储器和处理器，所述存储器存储有计算机程序，所述计算机程序被所述处理器执行时，使得所述处理器执行所述基于卷积神经网络的磁异常反演方法。
结合上述的所有技术方案，本发明所具备的优点及积极效果为：本发明通过调整参数，进行迭代训练后，得到测试集模型的反演结果，从测试集反演结果来看，磁异常数据的拟合情况非常好，地下模型恢复情况很好，准确的反演出了模型的具体位置和形状，垂直方向的两个模型间也未出现“黏合”现象。
本发明设计了没有参与过训练的新的地质体磁化强度模型，将其作为验证集输入到训练好的VGGINV网络，观察发现，数据曲线的大致趋势整体一致，矩形模型的数据拟合情况高于阶梯模型；模型四周出现少量异常信息，但都可以较好的确定模型的具体位置和整体形状。
本发明可以准确的反演出磁异常体的位置和磁化强度，具有较强的学习能力和一定的泛化能力，能有效解决磁异常数据反演问题。
附图说明
图1是本发明实施例提供的基于CNN的磁异常反演方法流程图。
图2是本发明实施例提供的基于CNN的磁异常反演方法的正反演关系示意图。
图3(a)是本发明实施例提供的基于CNN的磁异常反演方法的限深度的垂直棱镜的剖分单元示意图。
图3(b)是本发明实施例提供的基于CNN的磁异常反演方法的限深度的垂直棱镜的棱柱体单元示意图。
图4是本发明实施例提供的基于CNN的磁异常反演方法的反演过程示意图。
图5是本发明实施例提供的基于CNN的磁异常反演方法的VGGINV网络结构示意图。
图6(a)是本发明实施例提供的基于CNN的磁异常反演方法的矩形和阶梯模型示意图。
图6(b)是本发明实施例提供的基于CNN的磁异常反演方法的多个矩形模型示意图。
图7是本发明实施例提供的基于CNN的磁异常反演方法的训练流程图。
图8是本发明实施例提供的基于CNN的磁异常反演方法的不同迭代次数的总损失变化趋势。
图9(a)至图9(l)是本发明实施例提供的基于CNN的磁异常反演方法的全部测试集样本反演结果示意图。
图10(a)至图10(d)是本发明实施例提供的基于CNN的磁异常反演方法的验证集样本反演结果示意图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白，以下结合实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。
针对现有技术存在的问题，本发明提供了一种基于卷积神经网络的磁异常反演方法，下面结合附图对本发明作详细的描述。
本发明实施例提供的基于卷积神经网络的磁异常反演方法包括：
基于磁异常体模型进行正演模拟产生样本数据集，构建VGG磁异常反演网络；利用样本数据集训练所述VGG磁异常反演网络；将磁异常数据输入到训练好的VGG磁异常反演网络中，得到反演结果。
如图1所示，本发明实施例提供的基于卷积神经网络的磁异常反演方法包括以下步骤：
S101，采用Matlab语言设计所需要的大量磁异常体模型，进行正演模拟生成样本数据集；
S102，构建VGG磁异常反演网络即VGGINV网络，并利用生成的样本数据集对构建的VGGINV网络进行训练，优化所述VGGINV网络的网络参数；
S103，将磁异常数据输入到训练好的VGGINV网络中，得到反演结果。
本发明实施例提供的采用Matlab语言设计所需要的大量磁异常体模型，进行正演模拟生成样本数据集包括：
(1)采用Matlab语言设计观测系统，并基于单个网格单元的磁异常叠加计算多个网格单元在观测点的磁异常；
(2)设计不同性质和尺寸的地质体磁化强度模型，通过移动所述模型位置、设置不同磁化强度正演得到大量数据，共生成8424组数据构成数据集。
本发明实施例提供的观测系统包括：
于地表设置101个观测点，并调整观测点的间距；地下网格单元采用均匀剖分方式，观测点间距10米，观测点高度为0.3m，地下空间划分为20×40均匀的矩形单元格，每个单元格25m×25m，磁偏角和磁倾角分别为90°和60°。
本发明实施例提供的通过移动所述模型位置、设置不同磁化强度正演得到大量数据包括：
利用地质体磁化强度模型m到磁异常数据d的映射关系表示磁异常正演，得到相应数据：d＝Gm；其中，m＝(m1,m2,…,mN)T，mi(i∈N)表示第i个网格的异常体磁化强度情况，N表示剖分的网格单元数；d＝(d1,d2,…,dM)T，dj(j∈M)，表示地表第j个观测点的得到磁异常数据大小，M是观测点个数；G是核矩阵。
本发明实施例提供的地质体磁化强度模型包括：所述地质体磁化强度模型包括：
矩形模型：3×3、4×4、5×5、3×6、6×3、4×8、8×4；
阶梯模型：每层2×3、每层2×5；
多个矩形模型：(左右)4×4、5×5；(上下)3×3；
本发明实施例提供的设置不同磁化强度包括：设置磁化强度为0.5A/m、1A/m。
本发明实施例提供的VGG磁异常反演网络包括：
VGGINV网络结构由10层卷积层、5层池化层和3层全连接层组成；神经网络的输入为1×101的矩阵，输出为800×1的矩阵；
VGGINV网络在进行卷积池化处理时，卷积核的大小为1×3；
所述10层卷积层的第一个卷积层步长为2，其他卷积层步长均为1，通道数依次为64、64、128、128、256、256、512、512；
所述池化层的池化核的大小为1×2，步长为1，均采用VALID方式进行；
所述3层全连接层通道数均为2000，每层之后都添加一个Dropout层，激活函数为ReLU。
本发明实施例提供的利用生成的样本数据集对构建的VGGINV网络进行训练，优化所述VGGINV网络的网络参数包括：
对样本数据集进行预处理，将数据集随机分为训练集和测试集；设定参数、利用训练集训练VGGINV网络；并利用测试集检查网络是否达到预期效果，如果没有达到，则修改参数，再次训练；如果训练的网络达到预期效果，则输入验证集数据，重构得到地下模型。
本发明实施例提供的修改参数包括：
1)确定目标函数：
所述目标函数为磁化强度模型拟合误差即目标函数第1项和磁异常数据拟合误差即目标函数第2项；
所述目标函数表达式的如下： 其中λ表示权重衰减系数，系数a，b，c用于平衡模型约束、数据约束和权重约束之间的关系；
2)设置迭代次数为30000次。
本发明提供一种基于卷积神经网络的磁异常反演系统，包括：
样本数据集生成模块，用于采用Matlab语言设计所需要的大量磁异常体模型，进行正演模拟生成样本数据集；
网络训练模块，用于构建VGG磁异常反演网络即VGGINV网络，并利用生成的样本数据集对构建的VGGINV网络进行训练，优化所述VGGINV网络的网络参数；
反演结果获取模块，用于将磁异常数据输入到训练好的VGGINV网络中，得到反演结果。
下面结合具体实施例对本发明的技术方案做进一步说明。
实施例1：
一种基于基于CNN的磁异常反演方法，包括以下步骤：
步骤一，采用Matlab语言编写，设计观测系统如下：地表101个观测点，并对观测点的间距进行了调整；地下网格单元采用均匀剖分方式，观测点间距10米，观测点高度为0.3m，地下空间划分为20×40均匀的矩形单元格，每个单元格25m×25m，磁偏角和磁倾角分别为90°和60°；多个网格单元在观测点的磁异常可由单个网格单元的磁异常叠加计算，因此磁异常正演可以表示为地质体磁化强度模型m到磁异常数据d的映射关系：d＝Gm；其中，m＝(m1,m2,…,mN)T，mi(i∈N)代表第i个网格的异常体磁化强度情况，N是剖分的网格单元数；d＝(d1,d2,…,dM)T，dj(j∈M)，表示地表第j个观测点的得到磁异常数据大小，M是观测点个数；G是核矩阵；设计成不同性质和尺寸模型，通过移动模型位置、设置不同磁化强度(0.5A/m和1A/m)正演得到大量数据，共生成8424组数据构成数据集，并进行反演：在反演时，是找到一个地质体磁化强度模型，使其真实磁异常和预测磁异常拟合的最好。
进一步，所述地质体磁化强度模型具体包括：
矩形模型：3×3、4×4、5×5、3×6、6×3、4×8、8×4；
阶梯模型：每层2×3、每层2×5；
多个矩形模型：(左右)4×4、5×5；(上下)3×3。
步骤二，采用Python语言编写，结合深度学习框架TensorFlow，借鉴经典的卷积神经网络VGG-13设计了一种全新的VGG磁异常反演网络(VGGINV)；VGGINV网络结构由10层卷积层、5层池化层和3层全连接层组成；神经网络的输入为的矩阵，输出为的矩阵；在进行卷积池化操作时，将卷积核的大小设为，在经过第一个卷积层时设置步长为2，其他为1，通道数依次为64、64、128、128、256、256、512、512；池化核的大小设置为，步长设置为1，均采用“VALID”方式进行；最后是三个全连接层，通道数均为2000，每层之后都添加一个Dropout层，激活函数选用ReLU。
步骤三，首先对样本数据集进行预处理，将数据集随机分为训练集(6739组数据)和测试集(1685组数据)；接着设定参数、训练VGGINV网络；随后用测试集检查网络是否达到预期效果，如果没有达到，则修改参数，再此训练；最后，如果训练的网络达到预期效果，则输入验证集数据，重构出地下模型。
进一步，所述修改参数具体包括：
第一步，目标函数的选取：
添加L2正则化技术是用于改善深度学习过度拟合的常用方法，其本质是在原始损失函数的基础上添加网络权重约束项(目标函数第3项)，从而限制网络的学习能力；另外，为了使神经网络更全面地学习样本数据，目标函数设置为磁化强度模型拟合误差(目标函数第1项)和磁异常数据拟合误差(目标函数第2项)，改进的目标函数表达式的细节如下： 其中λ是权重衰减系数，系数a，b，c可以用平衡模型约束、数据约束和权重约束之间的关系；
第二步，迭代次数的选取：
考虑到时间和性能之间的关系，选择了六个不同大小的迭代次数进行比较，发现迭代次数越大，各项损失函数逐渐衰减，但消耗的时间也会逐渐增加；当迭代次数大于30000次时，总损失曲线趋于稳定；综合考虑各方面性能本发明将迭代次数设置为30000次。
步骤三，将磁异常数据输入到训练好的VGGINV网络中，直接得到反演结果。
实施例2：
使用基于CNN的磁异常反演方法的实现流程图包括：
采用Matlab语言设计所需要的大量磁异常体模型，进行正演模拟产生样本数据集。采用Python语言编写，结合深度学习框架TensorFlow，借鉴经典的卷积神经网络VGG-13设计了一种全新的VGG磁异常反演网络(VGGINV)。使用样本数据集训练该网络，并优化网络参数。将磁异常数据输入到训练好的VGGINV网络中，直接得到反演结果。
如图2所示，本发明实施例提供的使用基于CNN的磁异常反演方法的正反演关系示意图具体包括：
正演是已知地下地质模型求地表观测数据，反演是已知地表观测数据，预测地下地质模型。正反演可以表示为模型空间和数据空间之间的一种映射关系。
如图3所示，本发明实施例提供的使用基于CNN的磁异常反演方法的限深度的垂直棱镜的几何形状包括剖分单元示意图(图3(a))与棱柱体单元(图3(b))具体包括：
忽略剩磁，地表观测点到的棱柱体单元磁异常的垂直分量按下面公式计算：F＝κFeG、M＝κFe、其中，κ是地质体的磁化率，Fe为地磁场强度，M为磁化强度，ri、φi分别为图3(b)中所示的距离和角度，I为当地的地磁倾角，β为磁性体走向和磁北的夹角。
进一步，所述设计观测系统具体包括：
地表101个观测点，观测点间距10米，观测点高度为0.3m。地下网格单元采用均匀剖分方式，将观测区域的地下空间剖分为相同大小的二维棱柱体单元，如图3(a)所示，一共为20×40均匀的矩形单元格，每个单元格25m×25m，磁偏角和磁倾角分别为90°和60°。
多个棱柱体单元在p点的磁异常可由单个棱柱体单元的磁异常叠加计算。因此磁异常正演可以表示为地质体磁化强度模型m到磁异常数据d的映射关系：d＝Gm，其中，m＝(m1,m2,…,mN)T，mi(i∈N)代表第i个网格的异常体磁化强度情况，N是剖分的网格单元数；d＝(d1,d2,…,dM)T，dj(j∈M)，表示地表第j个观测点的得到磁异常数据大小，M是观测点个数；G是核矩阵。
如图4所示，本发明实施例提供的使用基于CNN的磁异常反演方法的反演过程具体包括：
CNN通过训练网络来学习输入与输出的一种映射关系，其中输入为观测到的磁异常数据，输出为生成的地质体磁化强度模型。
图中可以明显看出基于CNN反演的过程一共有4个步骤：
第一步，通过设计好的地质体磁化强度模型mi正演得到磁异常数据dj。
第二步，用正演产生的mi和dj来训练VGGINV网络。
第三步，当mi和预测的地质体磁化强度模型以及dj和预测的磁异常数据之间的拟合程度高时，说明该网络训练完毕。
第四步，将没有参与过训练的新的磁异常数据dj′放入已达到预期的网络中来获得预测的地质体磁化强度模型mi′。
如图5所示，本发明实施例提供的一个基于CNN的磁异常反演方法的VGGINV网络结构具体包括：
借鉴经典的卷积神经网络VGG-13设计了一章全新的VGG磁异常反演网络(VGGINV)，由输入层、卷积层、池化层、全连接层和输出层五种结构所组成，每层都是包含多个神经元，相邻两层间输入输出关系为：y＝f(wTx+b)，其中，f(·)是非线性激活函数，x代表输入，y是输出，w是权重，b表示偏差值。均方误差(MSE)是深度学习中常用的损失函数，可以定义为:其中，代表网络的输出，mi代表真实值，N表示样本数量。CNN通过最小化损失函数来优化网络链接权重参数：其中，w和w′是在网络迭代更新前后的权重；η是学习速率或步长。
VGGINV网络结构由10层卷积层、5层池化层和3层全连接层组成。神经网络的输入为的矩阵，输出为的矩阵。在进行卷积池化操作时，将卷积核的大小设为，在经过第一个卷积层时设置步长为2，其他为1，通道数依次为64、64、128、128、256、256、512、512；池化核的大小设置为，步长设置为1，均采用“VALID”方式进行。最后是三个全连接层，通道数均为2000，每层之后都添加一个Dropout层，激活函数选用ReLU。
如图6所示，本发明实施例提供的使用基于CNN的磁异常反演方法的模型代表性示例包括矩形和阶梯模型(图6(a))与多个矩形模型(图6(b))具体包括：
大规模的数据集对于训练深度神经网络非常重要。本发明设计成不同性质和尺寸模型，如表一所示，通过移动模型位置、设置不同磁化强度(0.5A/m和1A/m)正演得到大量数据，共生成8424组数据构成数据集。
如图7所示，本发明实施例提供的使用基于CNN的磁异常反演方法的训练流程图具体包括：
首先对样本数据集进行预处理，将数据集随机分为训练集(6739组数据)和测试集(1685组数据)；接着设定参数、训练VGGINV网络；随后用测试集检查网络是否达到预期效果，如果没有达到，则修改参数，再此训练；最后，如果训练的网络达到预期效果，则输入验证集数据，重构出地下模型。
进一步，所述修改参数具体包括：
目标函数的选取：
添加L2正则化技术是用于改善深度学习过度拟合的常用方法，其本质是在原始损失函数的基础上添加网络权重约束项(目标函数第3项)，从而限制网络的学习能力；另外，为了使神经网络更全面地学习样本数据，目标函数设置为磁化强度模型拟合误差(目标函数第1项)和磁异常数据拟合误差(目标函数第2项)，改进的目标函数表达式的细节如下： 其中λ是权重衰减系数，系数a，b，c可以用平衡模型约束、数据约束和权重约束之间的关系。系数a,b,c的值对于反演结果非常重要。为了优选出合适的值，本发明做对比实验，结果如表二所示。
表中cost1、cost2和cost3代表的是模型恢复程度、数据拟合程度和深度网络权重最小化约束，a、b、c分别代表这三项的相对重要程度，从对比试验结果可以看出：a＝0.3,b＝1,c＝0.001反演结果最好。
如图8所示，本发明实施例提供的使用基于CNN的磁异常反演方法的不同迭代次数的总损失变化趋势具体包括：
迭代次数的选取：
考虑到时间和性能之间的关系，选择了六个不同大小的迭代次数进行比较，如表三所示。
发现迭代次数越大，各项损失函数逐渐衰减，但消耗的时间也会逐渐增加；当迭代次数大于30000次时，总损失曲线趋于稳定；综合考虑各方面性能本发明将迭代次数设置为30000次。
进一步，其它超参数的设置如表四所示。
如图9所示，本发明实施例提供的使用基于CNN的磁异常反演方法的全部测试集样本反演结果(图9(a)至图9(l))具体包括：
通过调整参数，进行迭代训练后，得到测试集模型的反演结果。图的上半部分磁异常数据的拟合情况，蓝色虚线表示真实数据的拟合曲线，红色实线表示反演预测数据的拟合曲线。图的下半部分地下模型的恢复情况，白框代表真实模型的位置。从测试集反演结果来看，磁异常数据的拟合情况非常好，地下模型恢复情况很好，准确的反演出了模型的具体位置和形状，垂直方向的两个模型间也未出现“黏合”现象。
如图10所示，本发明实施例提供的使用基于CNN的磁异常反演方法的验证集样本反演结果(图10(a)至图10(d))具体包括：
为了验证VGGINV网络的泛化能力，本发明设计了没有参与过训练的新的地质体磁化强度模型，将其作为验证集输入到训练好的VGGINV网络，得到反演结果。观察发现，上半部分，数据曲线的大致趋势整体一致，矩形模型的数据拟合情况高于阶梯模型；下半部分，模型四周出现少量异常信息，但都可以较好的确定模型的具体位置和整体形状。
应当注意，本发明的实施方式可以通过硬件、软件或者软件和硬件的结合来实现。硬件部分可以利用专用逻辑来实现；软件部分可以存储在存储器中，由适当的指令执行系统，例如微处理器或者专用设计硬件来执行。本领域的普通技术人员可以理解上述的设备和方法可以使用计算机可执行指令和/或包含在处理器控制代码中来实现，例如在诸如磁盘、CD或DVD-ROM的载体介质、诸如只读存储器(固件)的可编程的存储器或者诸如光学或电子信号载体的数据载体上提供了这样的代码。本发明的设备及其模块可以由诸如超大规模集成电路或门阵列、诸如逻辑芯片、晶体管等的半导体、或者诸如现场可编程门阵列、可编程逻辑设备等的可编程硬件设备的硬件电路实现，也可以用由各种类型的处理器执行的软件实现，也可以由上述硬件电路和软件的结合例如固件来实现。
以上所述，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，都应涵盖在本发明的保护范围之内。
- 上一篇：一种医用注射器针头装配设备
- 下一篇：一种频域电磁测深资料二维结构化反演方法