CN116559944B 一种基于TransUNet深度学习网络的地震相智能识别检测方法 （中国石油大学(华东)）_第1页
CN116559944B 一种基于TransUNet深度学习网络的地震相智能识别检测方法 （中国石油大学(华东)）_第2页
CN116559944B 一种基于TransUNet深度学习网络的地震相智能识别检测方法 （中国石油大学(华东)）_第3页
CN116559944B 一种基于TransUNet深度学习网络的地震相智能识别检测方法 （中国石油大学(华东)）_第4页
CN116559944B 一种基于TransUNet深度学习网络的地震相智能识别检测方法 （中国石油大学(华东)）_第5页
已阅读5页，还剩8页未读， 继续免费阅读

下载本文档

版权说明：本文档由用户提供并上传，收益归属内容提供方，若内容存在侵权，请进行举报或认领

文档简介

一种基于TransUNet深度学习网络的地震相本发明公开了一种基于TransUNet深度学习像，采用卷积神经网络和Transformer的编码器明通过利用全卷积神经网络和Transformer编码器对地震数据进行特征提取和编码，使用U_Net上采样结构将编码后的特征图解码到全像素密用Transformer先天的自注意力机制和U_Net卷积神经网络对局部细节的感知，TransUNet能够2B.构建基于TransUNet的地震相的地震数据特征图通过一个可训练的线性投影映射到一个D维嵌入空间，并为其添加可学3一种基于TransUNet深度学习网络[0001]本发明属于地球物理勘探领域和人工智能领域，具体涉及一种基于TransUNet深的自注意力机制。TransUNet算法作为一种能够兼顾局部细节特征和全局特征的语义分割中的标记化图像斑块编码为提取全局语境的输入序列，解码器对编码的特征进行上采样，过对原始三维地震数据进行切片，获取二维地震数据原始图像，采用卷积神经网络和Transformer的编码器结构，对二维地震数据原始图像进行编码，得到地震数据编码特征维地震剖面，在每一条地震剖面上选取尺寸为n*n[0008](2)对训练数据中所有地震原始数据的振幅值进行标准化，使其阈值在_1到1之[0009](3)由于地震标签数值之间不存在连续性关系，需要在训练前将标签数据转换为4[0012](2)将得到的地震数据特征图通过一个可训练的线性投影映射到一个D维嵌入[0013](3)将嵌入向量输入到由L层多头注意力模块MSA和多层感知器模块MLP组成的机制的每个头中，将Q和K通过点乘计算相似性并进行归一化，即除以、瓜,其中dk为向量[0016](6)将Transformer模块输出结果Zl通过3个级联上采样模块得到一个与地震数据[0020]本发明的有益效果是：利用全卷积神经网络和Transformer编码器对地震数据进相智能识别检测，改善了人工地震相分类出现的效率低、过度依赖经验的问题；利用Transformer先天的自注意力机制和U_Net卷积神经网络对局部细节的感知，TransUNet能5[0026](2)对训练数据中所有地震原始数据的振幅值进行标准化，使其阈值在-1到1之[0029](3)由于地震标签数值之间不存在连续性关系，需要在训练前将标签数据转换为pppp[0034](2)将得到的地震数据特征图通过一个可训练的线性投影映射到一个D维嵌入[0039](3)将嵌入向量输入到由L层多头注意力模块MSA和多层感知器模块MLP组成的6[0046](6)将Transformer模块输出结果Zl通过3个级联上采样模块得到一个与地震数据切片X;相同大小的全分辨率的预测结果，每个上采样模块一个ReLU激活层和一个3×3卷积层组成，每一层的输入由上一层输出和对应层级的CNN特征提取器输出的特征图7

人人文库> 全部分类> 行业资料 > 信息产业

温馨提示

  • 1. 本站所有资源如无特殊说明，都需要本地电脑安装OFFICE2007和PDF阅读器。图纸软件为CAD,CAXA,PROE,UG,SolidWorks等.压缩文件请下载最新的WinRAR软件解压。
  • 2. 本站的文档不包含任何第三方提供的附件图纸等，如果需要附件，请联系上传者。文件的所有权益归上传用户所有。
  • 3. 本站RAR压缩包中若带图纸，网页内容里面会有图纸预览，若没有图纸预览就没有图纸。
  • 4. 未经权益所有人同意不得将文件中的内容挪作商业或盈利用途。
  • 5. 人人文库网仅提供信息存储空间，仅对用户上传内容的表现方式做保护处理，对用户上传分享的文档内容本身不做任何修改或编辑，并不能对任何下载内容负责。
  • 6. 下载文件中如有侵权或不适当内容，请与我们联系，我们立即纠正。
  • 7. 本站不保证下载资源的准确性、安全性和完整性, 同时也不承担用户因使用这些下载资源对自己和他人造成任何形式的伤害或损失。

最新文档

评论

0/150

提交评论