基于深度残差傅里叶神经算子方法压制地震多次波

多次波是一种较为严重影响地震成像的干扰波,如何有效压制多次波是需要关注的地震资料处理关键问题之一.本文基于傅里叶神经算子(FNO)和残差网络(ResNet),提出了基于深度残差傅里叶神经算子(DRFNO)网络的多次波压制方法.DRFNO是一种弱约束模型+数据驱动的人工智能算法,包含一次波和多次波的全波场炮集为输入,其中真实一次波炮集为标签训练网络,输出为压制多次波后的一次波炮集.DRFNO的网络结构中考虑了地震波场的数据特点,结合波动方程正演模拟的物理机理,约束网络训练过程.基于传统机器学习中的激活函数设置方法,该方法通过一个用于地震数据样本与标签预处理的激活函数(SDAF),克服地震炮集数据中因同相轴能量差异导致神经网络无法训练的问题.采用两套层状介质模型和Sigsbee2B复杂模型的模拟地震数据验证了DRFNO方法多次波压制处理的有效性,抗噪性和泛化能力.最后,通过一套实际地震数据实例表明本文提出的DRFNO方法应用于压制实际复杂地震波场中多次波的良好效果.

嵌入傅里叶神经算子的卷积自编码声波速度反演方法

【背景】地震波反演是利用地震波的到达时间、振幅和波形等信息获取地下介质构造、岩性和物性特征的有效手段。基于波动方程的地震反演方法利用正演模拟技术不断迭代更新模型参数,这通常需要大量的数值模拟和优化计算,耗费大量的计算资源和时间。近年来,以傅里叶神经算子(Fourier neural operator,FNO)为代表的神经算子学习引起了广泛关注。然而,在复杂介质地震波反演中,原始FNO结构无法有效学习地质结构变化剧烈的波场信息,导致其反演结果准确性不高。【目的和方法】为了提升FNO在复杂地质模型下学习地震波场信息的准确性和泛化性能,提出了一种新颖的声波速度反演方法-卷积自编码傅里叶神经算子(CAE-FNO)。CAE-FNO利用编码器进行特征提取,并基于FNO进行高效训练,以更好地捕捉波场的细微特征并提高预测精度。CAEFNO在网络训练过程中逐层减小傅立叶模的规模,从而有效减少网络参数的数量,同时增强网络的泛化能力。【结果和结论】通过对均匀、非均匀、层状和Marmousi2等模型进行数值实验验证,结果表明:CAE-FNO的反演精度优于FNO及其变体UFNO和UNO。在均匀介质模型中,CAE-FNO的速度反演结果相对误差为1.3%,而UFNO与UNO的反演结果相对误差分别为1.7%、2.3%,FNO的误差高达10.1%。在非均匀模型中,CAE-FNO准确反演地质结构和速度变化位置,而UFNO和UNO在速度变化剧烈区域的误差相对较大。层状模型中,CAE-FNO能够清晰区分不同层间的微小速度变化,而FNO无法明显区分。在Marmousi2模型的平滑区域和突变区域,CAE-FNO较UFNO和UNO更能准确捕捉不规则的速度变化界面,FNO则无法有效处理这些区域的速度突变与细节变化。CAE-FNO通过更低的损失函数值和更高的反演精度,展示了其在复杂介质反演中的优势,为地震反演技术提供新的研究思路。

基于改进的傅里叶神经算子数值求解频率域声波方程

在许多应用中,频率域声波方程的数值求解发挥着重要作用,如医学成像和地震勘探。传统的频率域声波方程求解方法,如有限差分法、有限元法等,通常具有参数依赖性,导致计算成本高昂。本文提出了一种结合残差网络(ResNet)和傅里叶神经算子(FNO)的神经网络方法(RFNO),以快速求解频域声波方程。RFNO可以学习从速度参数函数空间到波场函数空间的映射。因此,当神经网络经过适当训练后,对于不同的速度可以快速高效给出波动方程的近似解。基于简单分层模型和Marmousi模型数据集进行的数值实验,以验证RFNO的有效性。数值结果表明,RFNO在计算效率方面表现出良好的性能。因此,在反问题求解过程中,RFNO是非常具有竞争力的一种正问题求解器。

基于傅里叶神经算子的遥感数据预测方法

地球遥感是气象卫星的主要任务.由于受云层遮挡、宇宙射线辐射等因素影响,气象卫星所获取的遥感数据通常存在大量缺失及异常.傅里叶神经算子具有效率高、精度高、分辨率灵活等特性,基于此,提出一种基于傅里叶神经算子的遥测数据预测算法.该算法首先对遥感数据缺失值利用空间均值法和拉格朗日插值法进行填充,之后用傅里叶神经算子训练出空间数值在时间域上的映射关系,最后利用训练出来的模型对于最新的遥感数据进行预测,基于风云4号遥感卫星真实遥感数据的仿真实验结果表明,所提出的方法在较长期的时序预测中仍能保持较好的预测精度.

基于二维视图的三维人脸重建设计

人脸表情是交流展示的重要信息载体,三维人脸重建在图像识别、动画影视等领域有至关重要的作用。针对三维人脸重建存在细节易丢失、计算复杂度高等问题,提出基于二维视图的三维人脸重建设计。所提出的方法以二维视图为基础,利用傅里叶神经算子来求解泊松方程,并从定向点云测量中重建网格,改进了经典深度神经网络在形状重建中的局限性,在重建质量、运行时间等方面取得较好结果。此外,为量化人脸图像表情识别,提出基于顶点距离的测量方法,结合支持向量机对表情状态进行分类。