如需要完整文档点击下方 "点击下载文档" 按钮

针对全波形反演收敛慢与对低频速度模型的依赖等问题, 本文将深度学习与最优输运理论结合.利用循环神经网络求解时间域波动方程, 进而实现波动方程的正演模拟与波形反演.在目标函数的建立上, 以最优输运为基本理论, 比较了不同变换下的目标函数对反演效果的影响; 在收敛效率上, 利用深度学习中的小批量优化算法, 对比不同批量数据下的反演效果.数值实验表明, 线性正变换优于比较范围内的其他变换, 可有效提高反演精度.对比常规全批量的全波形反演, 小批量的随机反演策略在同等计算量情况下明显提高了收敛效率.

如需要完整文档点击下方 "点击下载文档" 按钮

《基于最优输运与循环神经网络的全波形反演》

将 完整文档 下载到本地，方便收藏和查阅

文件号：299956

点击下载文档