-
公开(公告)号：CN119090723A
公开(公告)日：2024-12-06
申请号：CN202411190824.X
申请日：2024-08-28
Applicant: 吉林大学
IPC: G06T3/4076 , G06N3/045 , G06N3/0475 , G06N3/094 , G06V10/774 , G06V10/776 , G06N3/048 , G06N3/0464 , G06V10/80 , G06V10/82
Abstract: 本发明涉及一种叠后地震剖面超分辨率重建方法，包括构建生成网络与对抗网络，生成网络用于提高叠后地震剖面的分辨率，对抗网则用于判别输入的图像是原始的高分辨率地震剖面还是通过生成网络重建后的高分辨率地震剖面。本发明设计了一种由多尺度残差模块、双注意力模块以及残差D模块等组成的生成网络，提高了网络在提取重要特征信息方面的能力；还设计了一种基于马尔科夫判别器的对抗网络，提高了网络对于地震图像的判别能力；通过引入总变分损失和边缘信息保留损失函数，改进了生成对抗网络的常规损失函数。本方法可以在有效提高叠后地震剖面分辨率的同时，更好地去除噪声信号，保留更多的地质构造和特征，提高地震图像的感知质量。
-
公开(公告)号：CN117826243A
公开(公告)日：2024-04-05
申请号：CN202311618560.9
申请日：2023-11-30
Applicant: 吉林大学
Abstract: 本发明提出了一种融入混合注意力Unet神经网络隧洞地震数据重建方法，通过人工智能神经网络自动地学习现有隧洞地震数据之间的特征，建立缺失数据与完整数据之间的非线性映射关系；通过人工智能中具有图像语义分割、通讯信号消噪等诸多强大功能的Unet神经网络，设计基于通道注意力和空间注意力的混合注意力机制并融入Unet网络的跳跃链接部分，提升网络模型对于有效信号同相轴的提取同时摒弃冗余信息如噪声；并通过对实测数据进行分类建立强泛化性的训练数据集和测试数据集，训练网络模型参数并验证其效果，将隧洞地震数据重建结果精度最高的一次模型训练参数作为最终结果，从而实现隧洞地震波法超前地质预报缺失数据的智能、准确重建。
-
公开(公告)号：CN117631028A
公开(公告)日：2024-03-01
申请号：CN202311618562.8
申请日：2023-11-30
Applicant: 吉林大学
Abstract: 本发明涉及一种多尺度全局信息融合神经网络地震数据低频重构方法，解决了对于任一复杂实际地震记录的准确低频重构、提高全波形反演的收敛性的问题。本方法融入了分网格局部共享模块和非局部注意力模块的多尺度编解码结构的神经网络，在有效提取输入数据局部特征的同时，充分考虑了低频信号这种长波长时序信号的全局信息相关性，且突出强调了全局信息对于低频重构的重要性，并结合在公开标准地层速度模型上获取的模拟地震数据训练集，自动学习缺失低频地震数据与其相应的低频数据之间的非线性映射关系，实现地震数据频带从高频到低频的智能外推，准确获取携带了地下介质真实长波长信息的低频数据，有效全波形反演速度建模的准确性。
-
公开(公告)号：CN118859317A
公开(公告)日：2024-10-29
申请号：CN202410767622.0
申请日：2024-06-14
Applicant: 吉林大学
IPC: G01V1/30 , G01V1/34 , G06F18/214 , G06N3/0455 , G06N3/0464 , G06N3/084 , G06F123/02
Abstract: 本发明涉及一种基于Transformer地震勘探数据低频延拓方法，包括设计神经网络训练的输入和输出数据尺寸；训练集的构建；测试集的构建；设计多头自注意力模块；设计Transformer模块；设计窗口Transformer模块和滑动窗口Transformer模块；设计整体网络结构；设置网络训练超参数；将训练数据输入网络进行训练；验证提出方法的低频延拓效果和泛化性。本发明使用Transformer模型对数据进行全局建模来拟合缺失低频分量数据和低频数据之间的映射关系，该方法提高了对全局信息的利用，增加了预测精度。窗口自注意力机制的使用有效节省了计算成本，使该方法在计算效率上也优于经典深度学习方法。
-
-
-
Search Results
4
records
(took 0.014 seconds)
