[發明專利]基于深度學習的數據五維插值方法

在審

• 申請號: 202211570484.4
• 申請日: 2022-12-08
• 公開（公告）號: CN116029338A
• 公開（公告）日: 2023-04-28
• 發明（設計）人: 徐婉婷;付麗華;方文倩
• 申請（專利權）人: 中國地質大學（武漢）
• 主分類號: G06N3/0464
• 分類號: G06N3/0464;G06F17/16;G06N3/08
• 代理公司: 武漢科皓知識產權代理事務所(特殊普通合伙) 42222
• 代理人: 羅敏清

1.一種基于深度學習的數據五維插值方法，其特征在于，包括如下步驟：

步驟1：根據3D卷積構造5D卷積，并設計5D卷積層；

步驟2：構建五維全卷積神經網絡模型FCNN5D，其中，五維全卷積神經網絡FCNN5D包括堆疊的多個5D卷積層；

步驟3：從仿真數據中隨機截取N個大小為N₁×N₂×N₃×N₄×N₅的5D數據塊作為數據集D，其中一部分作為訓練集D_train，一部分作為驗證集D_val；

步驟4：將步驟3中的訓練樣本輸入到步驟2構建的FCNN5D中進行訓練，并構建損失函數，通過最小化損失函數訓練網絡模型參數，再將訓練的網絡參數在驗證數據集上驗證FCNN5D性能，選擇驗證集上FCNN5D性能最優對應的參數作為優化后的FCNN5D參數；

步驟5：采用步驟4中優化后的FCNN5D對其他工區數據進行插值。

2.根據權利要求1所述的基于深度學習的數據五維插值方法，其特征在于，步驟1具體方法為：

記網絡共M層，第i層的5D卷積算子為大小為f_i1×f_i2×f_i3×f_i4×f_i5，第i層的輸入特征層為大小為B×N₁×N₂×N₃×N₄×N₅×C_in，其中B為批次維度，C_in為輸入通道數，輸出為大小為B×X₁×X₂×X₃×X₄×X₅×C_out，C_out為輸出通道數；

當f_i4＝，f_i5＝時，5D卷積算子大小為f_i1×f_i2×f_i3×1×1，刪減單一維度后記為對應的5D輸入特征層大小為N₁×N₂×N₃×1×1，刪減單一維度后記為則5D卷積過程表示為：

記第i層的激活函數層記作A_i，則第i層卷積層表示為第M層卷積層表示為

3.根據權利要求1所述的基于深度學習的數據五維插值方法，其特征在于，步驟3中構建數據集D的方法為：

將原始的完整數據塊作為標簽，歸一化到[-1,1]之間，然后在每個數據塊中隨機選擇一部分的地震道設置為0，模擬隨機缺失，記歸一化后的完整數據塊為d_i，缺失數據塊為m_i，將完整數據和缺失數據作為數據集，表示為

4.根據權利要求3所述的基于深度學習的數據五維插值方法，其特征在于，歸一化方式為將每一個完整數據除以信號絕對值的最大值。

5.根據權利要求1所述的基于深度學習的數據五維插值方法，其特征在于，步驟4中，損失函數loss為：

其中，為Frobenius范數的平方，N_train為訓練集的樣本個數，θ為待訓練的網絡參數，m_i為缺失數據塊，d_i為完整數據塊。

6.根據權利要求1所述的基于深度學習的數據五維插值方法，其特征在于，步驟4中訓練FCNN5D時采用批訓練方式，即每一次迭代將一批樣本對輸入到FCNN5D中，采用梯度下降類算法最小化損失函數loss以訓練FCNN5D參數，訓練后的參數為：

7.根據權利要求6所述的基于深度學習的數據五維插值方法，其特征在于，梯度下降類算法包括但不限于批梯度下降、隨機梯度下降、Adam算法。