基于QHAdam梯度优化算法的最小二乘逆时偏移

最小二乘逆时偏移(LSRTM)通常基于梯度类算法,经过几十次甚至上百次的迭代得到最终的成像剖面,然而常规最小二乘逆时偏移其在迭代过程中,所求梯度通常不做优化处理,导致最小二乘逆时偏移的收敛效率和成像精度不高,并且每次迭代的模型更新处理还需付出1~2次的波场延拓计算代价来获取迭代步长.本文将深度学习中的优化算法QHAdam引入到传统时间域最小二乘逆时偏移计算中,可在付出极小计算代价的前提下,直接获得优化的模型更新量,同时避免了迭代步长的求取.Marmousi模型实验结果显示,相比于常规最小二乘逆时偏移算法,基于QHAdam梯度优化算法的最小二乘逆时偏移其收敛效率和成像精度更高,且由于减少了迭代步长的求取步骤,其也具有更高的计算效率;相对于基于Adam算法最小二乘逆时偏移,本文方法也具有更高的收敛效率和收敛精度.