[发明专利]基于条件变分自编码的地壳模型构造方法

权利要求书

1.一种基于条件变分自编码的地壳模型构造方法，其特征在于：包括以下步骤：

(1)基于地球AK135模型进行随机采样，得到多个初始地壳模型，并利用初始地壳模型计算对应的相速度和群速度，分别构建成一数据集；

(11)将地球AK135模型的沉积层和地壳，从上到下分为S层，最上层为第一层；

(12)根据AK135模型对第一层的物性参数进行随机采样得到模型参数p_k1，p_k1表示第1层物性参数k的值，所述物性参数k包括初始层厚度h、初始P波层速度α、初始S波层速度β或初始层密度ρ，采用下式对每个物性参数k(k＝h,α,β,ρ)进行归一化处理，得到归一化模型参数y_k1，所述y_k1为分别与h、α、β、ρ对应的四个值；

(13)按照第一层中得到归一化模型参数y_k1的方法，得到其余S-1层的归一化模型参数，每层分别对应四个值，共得到N＝4S个值，将N个值组合成向量，构成一初始地壳模型y¹＝(y₁,y₂,..,y_N)；

(14)根据面波频散理论，计算该初始地壳模型y¹在T个周期的相速度和群速度，并组合成一速度向量x¹＝(x₁,x₂,..,x_T)；

(15)重复步骤(12)-(14)，得到M个初始地壳模型和M个速度向量，分别构建为一数据集，记为Y＝{y¹,y²,…,yⁱ,…,y^M}，X＝{x¹,x²,…,xⁱ,…,x^M}；

(16)将数据集X和Y分别分成训练集、验证集和测试集，并从训练集中选取数据用于训练；

(2)建立一CVAE神经网络并训练；

建立一CVAE神经网络，将速度向量xⁱ作为网络输入，其对应的初始地球初始地壳模型yⁱ和xⁱ的重构作为网络输出，通过梯度下降法来训练CVAE神经网络，训练过程中，改变网络参数以同时满足下列条件a、b，得到训练好的CVAE神经网络；

条件a：

条件b：CVAE神经网络学习得到正态分布的均值μ和方差σ²，满足N(μ，σ²)接近N(y，1)；

(3)计算地壳模型；

预设一组周期，并观测到这些周期的瑞利面波相速度和群速度，将每组相速度和群速度组合成一实际速度向量，将所有实际速度向量构成实际速度向量集合X′，作为输入送入训练好的CVAE神经网络中，得到输出记为Y′，将Y′中的元素分别进行步骤(13)的逆归一化处理，得到每层的实际模型参数。

2.根据权利要求1所述的基于条件变分自编码的地壳模型构造方法，其特征在于：所述M＝300000，s＝6，N＝24，T＝20。

3.根据权利要求1或2所述的基于条件变分自编码的地壳模型构造方法，其特征在于：步骤(2)中，建立一CVAE神经网络具体为：

(21)所述CVAE神经网络包括编码器和解码器；编码器和解码器均包括输入层、中间层、输出层；

(22)建立一CVAE编码器；

含n层中间层的编码器的深度编码函数为h；

h＝f_n(…f₂(W⁽²⁾f₁(W⁽¹⁾x)+b⁽¹⁾)+b⁽²⁾+…)+b⁽ⁿ⁾)

其中，W⁽¹⁾表示连接输入层与中间层的权重，b⁽¹⁾表示输入层的偏置项，f₁(x)表示编码激活函数，W^(k)(k＝2,..,n)表示中间第k-1层与中间第k层的权重，b^(k)表示中间第k-1层与中间第k层的偏置项，f_k(x)表示第k个中间层编码激活函数；

输入层和隐含层的激活函数为ReLU(h)＝max(0,h)；

输出层的激活函数为

编码器的损失函数包括KL损失函数J₁和拟合损失函数J₂；

(23)建立一CVAE解码器

含n层中间层的解码器的解码函数为h＇；

h＇＝g_m(…g₂(W′⁽²⁾g₁(W′⁽¹⁾x)+b′⁽¹⁾)+b′⁽²⁾+…)+b′^(m))

(3)式中，W′⁽¹⁾表示连接解码器输入层与中间层的权重，b′⁽¹⁾表示解码器输入层的偏置项，g₁(x)表示编码激活函数，W′^(k)(k＝2,..,n)表示中间k-1层与中间k层的权重，b′^(k)表示中间k-1层与中间k层的偏置项，g_k(x)表示第k个中间层解码激活函数；

输入层和隐含层的激活函数为ReLU(h′)＝max(0,h′)；

输出层的激活函数为

解码器的重构损失函数为J₃；

(24)通过下式计算参数W、b、W′、b′；

J(W,b,W′,b′；x)＝λ₁×J₁+λ₂×J₂+λ₃×J₃

其中，λ₁、λ₂、λ₃分别为损失函数J₁、J₂、J₃的权重系数，使用梯度下降算法优化J(W,b,W′,b′；x)，使其值最小，该最小值对应的W、b、W′、b′为调整好的CVAE神经网络的网络参数。