[發明專利]地震解釋模型構建方法、電子設備及可讀存儲介質

有效

• 申請號: 202310677544.0
• 申請日: 2023-06-09
• 公開（公告）號: CN116401597B
• 公開（公告）日: 2023-08-22
• 發明（設計）人: 呂文君;張文婷;李鯤;康宇
• 申請（專利權）人: 中國科學技術大學先進技術研究院
• 主分類號: G06F18/241
• 分類號: G06F18/241;G06N3/0455;G06N3/0464;G06N3/048;G06N3/08;G06F18/213;G01V1/28;G01V99/00
• 代理公司: 深圳市世紀恒程知識產權代理事務所 44287
• 代理人: 康婧

1.一種地震解釋模型構建方法，其特征在于，所述地震解釋模型構建方法包括：

獲取由至少一個地震真實樣本數據合成的地震樣本標簽數據；

將所述地震樣本標簽數據輸入至預設地震解釋模型，提取樣本學習特征和樣本指導特征，其中，所述樣本學習特征由所述預設地震解釋模型的多尺度學習模型輸出，所述樣本指導特征由所述預設地震解釋模型的多尺度指導模型輸出；

根據所述樣本學習特征和所述樣本指導特征，確定目標損失函數，其中，所述目標損失函數由標簽分類損失函數、域間差異損失函數和一致性損失函數共同組成；

根據所述地震真實樣本數據和所述地震樣本標簽數據和所述目標損失函數，迭代訓練所述多尺度學習模型；

通過更新所述多尺度學習模型的第一模型參數和所述多尺度指導模型的第二模型參數，得到目標地震解釋模型，其中，所述第二模型參數由所述第一模型參數進行指數移動平均得到，其中，基于合成地震圖像進行訓練得到的地震解釋模型輸出的地震預測結果進行地震預測，所述域間差異損失函數如下：

其中，為所述域間差異損失函數，為所述多尺度學習模型的第一域間差異損失函數，為所述多尺度指導模型的第二域間差異損失函數，m為樣本數量，為第i個地震樣本的域標簽，為第i個樣本數據經過所述多尺度學習模型的域鑒別器的輸出，為第i個樣本數據經過所述多尺度指導模型的域鑒別器的輸出，其中，域鑒別器用于判別所述樣本數據為所述地震真實樣本數據或所述地震樣本標簽數據。

2.如權利要求1所述地震解釋模型構建方法，其特征在于，所述預設地震解釋模型包括標簽分類器、域鑒別器和一致性度量模塊，

所述根據所述地震真實樣本數據和所述地震樣本標簽數據和所述目標損失函數，迭代訓練所述多尺度學習模型的步驟包括：

保持所述域鑒別器和所述一致性度量模塊不變，通過所述地震樣本標簽數據訓練所述標簽分類器，更新所述標簽分類損失函數；

保持所述標簽分類器和所述一致性度量模塊不變，通過所述地震真實樣本數據和所述地震樣本標簽數據訓練所述域鑒別器，更新所述域間差異損失函數；

保持所述標簽分類器和所述域鑒別器不變，通過所述地震真實樣本數據和所述地震樣本標簽數據訓練所述一致性度量模塊，更新所述一致性損失函數；

返回執行步驟：獲取由至少一個地震真實樣本數據合成的地震樣本標簽數據，直至所述目標損失函數收斂。

3.如權利要求2所述地震解釋模型構建方法，其特征在于，所述樣本學習特征和所述樣本指導特征如下：

其中，為所述樣本學習特征，為所述樣本指導特征，為所述多尺度學習模型的解碼器，為所述多尺度指導模型的解碼器，為所述多尺度學習模型的編碼器，為所述多尺度指導模型的編碼器，所述多尺度學習模型的至少一個平行卷積層，為所述多尺度指導模型的至少一個平行卷積層，為樣本數據。

4.如權利要求3所述地震解釋模型構建方法，其特征在于，所述目標損失函數如下：

其中，為所述目標損失函數，為所述多尺度學習模型的第一模型參數，為所述標簽分類器的模型參數，為所述域鑒別器的模型參數，為標簽分類損失函數，為一致性損失函數，為域間差異損失函數。

5.如權利要求4所述地震解釋模型構建方法，其特征在于，所述標簽分類損失函數如下：

其中，為所述標簽分類損失函數，為所述樣本學習特征，為所述地震樣本標簽數據為所述地震樣本標簽數據的數據個數，表示屬于類的概率，K為類別總數，為第i個輸入的樣本數據，，為所述地震真實樣本數據。

6.如權利要求1所述地震解釋模型構建方法，其特征在于，所述域鑒別器的輸出的計算公式如下：

其中，為所述多尺度學習模型的域鑒別器的輸出或者所述多尺度指導模型的域鑒別器的輸出，為所述多尺度學習模型的域鑒別器或者所述多尺度指導模型的域鑒別器的輸出，為所述多尺度學習模型的解碼器或者所述多尺度指導模型的解碼器，為所述多尺度學習模型的平行卷積層或者所述多尺度指導模型的平行卷積層，為所述多尺度學習模型的編碼器或者所述多尺度指導模型的編碼器，為所述樣本數據。