-
公开(公告)号：CN114781617A
公开(公告)日：2022-07-22
申请号：CN202210462301.0
申请日：2022-04-28
Applicant: 吉林大学
Abstract: 本发明属于航磁勘探领域，具体地而言为一种基于编码器优化的全连接神经网络航磁干扰补偿方法，该方法包括：将16项系数矩阵Xn×16作为深度神经网络的输入数据；所述深度神经网络包括编码器以及与编码器串联的全连接神经网络，所述编码器用于提取数据的特征，得到特征矩阵Fn×12；将特征矩阵Fn×12传入全连接神经网络，所诉全连接神经网络用于实现特征对磁干扰的拟合，得到预测的磁干扰；根据预测的磁干扰计算补偿后的标准差。本发明有效提高模型的抗干扰能力。
-
公开(公告)号：CN110133716B
公开(公告)日：2020-07-14
申请号：CN201910474544.4
申请日：2019-06-03
Applicant: 吉林大学
IPC: G01V1/28
Abstract: 本发明涉及一种基于组合模型加权函数的磁异常数据三维反演方法，是从磁异常观测数据中提取信息作为水平加权函数与现有的深度加权函数组合，得到组合模型加权函数，将组合模型加权函数加入到磁异常数据三维反演中。与现有技术相比，首次提出了从磁异常观测数据中提取信息作为水平加权函数，水平加权函数能够在横向上对异常体进行有效约束；将水平加权函数与常规深度加权函数组合得到组合模型加权函数，将组合模型加权函数加入到磁异常数据三维反演中。本发明不仅能够显著提高反演结果的横向分辨率，反演恢复异常体，而且能够更准确的反映地下地质体的实际物性分布，从而，提高了利用磁异常数据圈定靶区的准确性。
-
公开(公告)号：CN110187393A
公开(公告)日：2019-08-30
申请号：CN201910448705.2
申请日：2019-05-28
Applicant: 吉林大学
Abstract: 本发明提供了一种基于广义回归神经网络的航磁补偿方法，包括：根据T-L方程数学模型和干扰产生原因，确定广义神经网络的输入输出指标因素；对标定飞行数据进行滤波处理后计算方向余弦及其导数，将输入、输出样本归一化处理，获得归一化的广义回归神经网络输入、输出向量；将预处理后的学习样本载入GRNN，采用十折交叉验证方法，循环验证，选取出最佳光滑因子、最佳输入样本和输出样本确定网络结构构建补偿模型。将标定飞行数据作为待补偿样本载入GRNN进行补偿计算，并将补偿网络的输出数据做反归一化处理，获得飞机干扰场的预测。本发明有效回避16项系数方程矩阵的病态问题，并且当标定飞行样本数据较少时，获得较好的补偿效果，实现无人机航磁干扰补偿。
-
公开(公告)号：CN110133716A
公开(公告)日：2019-08-16
申请号：CN201910474544.4
申请日：2019-06-03
Applicant: 吉林大学
IPC: G01V1/28
Abstract: 本发明涉及一种基于组合模型加权函数的磁异常数据三维反演方法，是从磁异常观测数据中提取信息作为水平加权函数与现有的深度加权函数组合，得到组合模型加权函数，将组合模型加权函数加入到磁异常数据三维反演中。与现有技术相比，首次提出了从磁异常观测数据中提取信息作为水平加权函数，水平加权函数能够在横向上对异常体进行有效约束；将水平加权函数与常规深度加权函数组合得到组合模型加权函数，将组合模型加权函数加入到磁异常数据三维反演中。本发明不仅能够显著提高反演结果的横向分辨率，反演恢复异常体，而且能够更准确的反映地下地质体的实际物性分布，从而，提高了利用磁异常数据圈定靶区的准确性。
-
公开(公告)号：CN114527514A
公开(公告)日：2022-05-24
申请号：CN202210184089.6
申请日：2022-02-25
Applicant: 吉林大学
Abstract: 本发明属于航磁干扰补偿领域，为一种基于模型压缩和加速的神经网络实时航磁补偿方法，包括初始化两个网络结构一致的神经网络P和神经网络A；利用额外的一次FOM飞行规定的补偿飞行数据C训练神经网络P，得到训练好的TW权重；以训练好的TW权重替换神经网络A中的初始化权重；利用飞行数据A训练替换好权重的神经网络A，得到训练好的OW权重；将训练好的神经网络A进行剪枝处理降低计算资源需求，得到最终所需要的神经网络；将需要补偿的数据的16项系数方程作为最终所需要的神经网络的输入，磁干扰作为输出输入。本发明可以降低神经网络的计算量，在低算力设备上提高训练速度，实现低载荷的小型无人机上实时处理航磁数据。
-
Patent Agency Ranking
公开(公告)号：CN111007571A
公开(公告)日：2020-04-14
申请号：CN201911195853.4
申请日：2019-11-28
Applicant: 吉林大学
IPC: G01V3/00
Abstract: 本发明涉及一种基于三维构造张量的航磁数据地质体边界识别方法，包括：获取实测航磁异常数据并预处理；对预处理后的数据进行空间域计算；对预处理后的数据进行频率域计算；利用空间域计算的数据和频率域计算的数据得到水平导数、多阶垂向导数以及构造张量矩阵得到边界识别滤波器NSED1和边界识别滤波器NSED2；本发明突破了以往边界识别滤波器采用单梯度和同阶梯度进行滤波器定义的思想，定义的多梯度分量参与的边界识别滤波器在深浅叠加异常、临近叠加异常、正负叠加异常等复杂地质情况下均可获得更清晰、可靠的地质体水平位置圈定结果，避免叠加异常产生的干扰信息，提高了弱异常、深部异常对应地质体的边界位置增强和提取能力。
-
公开(公告)号：CN114781617B
公开(公告)日：2024-08-27
申请号：CN202210462301.0
申请日：2022-04-28
Applicant: 吉林大学
IPC: G06N3/0455 , G06N3/048 , G06N3/06 , G06N3/08
Abstract: 本发明属于航磁勘探领域，具体地而言为一种基于编码器优化的全连接神经网络航磁干扰补偿方法，该方法包括：将16项系数矩阵Xn×16作为深度神经网络的输入数据；所述深度神经网络包括编码器以及与编码器串联的全连接神经网络，所述编码器用于提取数据的特征，得到特征矩阵Fn×12；将特征矩阵Fn×12传入全连接神经网络，所诉全连接神经网络用于实现特征对磁干扰的拟合，得到预测的磁干扰；根据预测的磁干扰计算补偿后的标准差。本发明有效提高模型的抗干扰能力。
-
公开(公告)号：CN110187393B
公开(公告)日：2020-08-11
申请号：CN201910448705.2
申请日：2019-05-28
Applicant: 吉林大学
Abstract: 本发明提供了一种基于广义回归神经网络的航磁补偿方法，包括：根据T‑L方程数学模型和干扰产生原因，确定广义神经网络的输入输出指标因素；对标定飞行数据进行滤波处理后计算方向余弦及其导数，将输入、输出样本归一化处理，获得归一化的广义回归神经网络输入、输出向量；将预处理后的学习样本载入GRNN，采用十折交叉验证方法，循环验证，选取出最佳光滑因子、最佳输入样本和输出样本确定网络结构构建补偿模型。将标定飞行数据作为待补偿样本载入GRNN进行补偿计算，并将补偿网络的输出数据做反归一化处理，获得飞机干扰场的预测。本发明有效回避16项系数方程矩阵的病态问题，并且当标定飞行样本数据较少时，获得较好的补偿效果，实现无人机航磁干扰补偿。
-
公开(公告)号：CN114528927A
公开(公告)日：2022-05-24
申请号：CN202210127691.6
申请日：2022-02-11
Applicant: 吉林大学
Abstract: 本发明为一种自编码网络的航磁干扰补偿方法及自编码网络的构建方法，将系数矩阵作为自编码网络的输入，利用自编码网络得到的编码器的特征作为新的系数矩阵FD；利用得到的新系数矩阵FD计算系数CNew，采用最小二乘计算补偿磁干扰，不需要获取系数矩阵的特征作为训练标签便能实现特征提取。将编码器的中间层神经元节点数设置小于输入层神经元节点数，这种特殊结构可以压缩系数矩阵的表示并提取数据特征，从而削弱系数矩阵变量之间的相关性。将T‑L方程的系数矩阵作为输入，此外为了适应数据，选择了性能更好的双曲正切激活函数以及更鲁棒的Huber损失函数，能有效降低网络对异常值的敏感性。网络中间层获取的特征之间的相关性将大大降低。
-
公开(公告)号：CN114527514B
公开(公告)日：2024-08-23
申请号：CN202210184089.6
申请日：2022-02-25
Applicant: 吉林大学
IPC: G01V3/38 , G06N3/045 , G06N3/0495 , G06N3/082 , G06N3/084
Abstract: 本发明属于航磁干扰补偿领域，为一种基于模型压缩和加速的神经网络实时航磁补偿方法，包括初始化两个网络结构一致的神经网络P和神经网络A；利用额外的一次FOM飞行规定的补偿飞行数据C训练神经网络P，得到训练好的TW权重；以训练好的TW权重替换神经网络A中的初始化权重；利用飞行数据A训练替换好权重的神经网络A，得到训练好的OW权重；将训练好的神经网络A进行剪枝处理降低计算资源需求，得到最终所需要的神经网络；将需要补偿的数据的16项系数方程作为最终所需要的神经网络的输入，磁干扰作为输出输入。本发明可以降低神经网络的计算量，在低算力设备上提高训练速度，实现低载荷的小型无人机上实时处理航磁数据。
-
-
-
-
-
-
-
-
-
Search Results
11
records
(took 0.015 seconds)
