[发明专利]基于深度学习的时频电磁与大地电磁联合反演方法

权利要求书

1.一种基于深度学习的时频电磁与大地电磁联合反演方法，其特征在于，包括如下步骤：

a、建立神经网络N，包含三个深度卷积子网络，分别记为N_MT、N_F、N_T，三个深度卷积子网络N_MT、N_F、N_T输出的m个通道的数据合并形成联合数据再连接中间过渡层F_A，中间过渡层F_A后连接处理联合数据的深度卷积网络N_L，深度卷积网络N_L再连接输出层，其中，层数m根据探测对象的深度和反演参数确定，为8～16层，各层厚度相同；

b、按照反演数据的观测参数、系统参数和测点位置参数进行层状模型的正演模拟，经过主成分分析后得到大地电磁和时频电磁训练与验证数据体：含个频点的大地电磁响应、n_s个地面测点((x_sk，y_sk)，k＝1，…，n_s)的时频电磁响应、含个频点的频域响应和n_t个延时t_k(k＝1，…，n_t)的时域响应；其中，大地电磁响应数据为视电阻率数据和分布范围为[0，2π]的相位响应数据；时频电磁的频率响应数据为x分量的电场E_x和y分量的磁场响应H_y数据；时频电磁的时域响应为三分量感生电动势瞬变响应；

c、将含个频点的大地电磁响应数据体D_MT输入神经网络的深度卷积子网络N_MT，将n_s个地面测点((x_sk，y_sk)，k＝1，…，n_s)的时频电磁响应和含个频点的频域响应数据体D_F输入神经网络的深度卷积子网络N_F，将n_t个延时t_k(k＝1，…，n_t)的时域响应数据体D_T输入神经网络的深度卷积子网络N_T；

d、深度卷积子网络N_MT、N_F、N_T对数据进行卷积、池化运算后，输出数据到中间过渡层F_A；

e、中间过渡层F_A对数据进行全连接或卷积-池化运算后，输出数据到深度卷积网络N_L；

f、深度卷积网络N_L对数据运算处理后经输出层输出m个值。

2.根据权利要求1所述的基于深度学习的时频电磁与大地电磁联合反演方法，其特征在于，还包括如下步骤：

对去噪后的联合反演数据进行同样的主成分处理，用同样的频率或延时参数将对应的数据进行反演计算；

对全部数据进行预处理：

大地电磁响应数据体D_MT，将各个频点下的视电阻率数据ρ_a，做0.1×lg(ρ_a)+0.2变换、对各相位值做除以2π的归一化处理；

时频电磁法的频域响应数据体D_F，对其中的第i个测点、第j个频点响应数据做相同的变换：其中，n_s是测点个数，是频点数，d_o表示E_x分量或H_y分量数据，*表示复数的共轭，深度学习计算用的是处理后的数据d的实部和虚部；

时频电磁法的频域响应数据体D_T，三分量感生电动势响应数据其中，n_t是延时个数。

3.根据权利要求2所述的基于深度学习的时频电磁与大地电磁联合反演方法，其特征在于，网络输入数据D_MT、D_F、D_T的个数为其中D_MT的数据设计为1个通道，对应变换后的视电阻率数据和归一化相位数据，D_F的数据设计为2个通道，分别对应d的分量实部和虚部数据，D_T的数据设计为1个通道，对应三分量感生电动势响应数据变换后的v_p(p＝x，y，z)数据的组合。