[发明专利]一种新型重力位场向下延拓方法

权利要求书

1.一种新型重力位场向下延拓方法，其特征在于，包括以下步骤：

S1：建立D-Unet网络，所述D-Unet网络通过使用Densenet网络结构代替Unet网络中的特征提取部分建立而成；

S2：采用高平面位场数据一和低平面位场数据一对所述D-Unet网络进行训练，获得训练好的D-Unet网络；所述低平面位场数据一为所述高平面位场数据一采用频率域向下延拓后的结果；

S3：获取待向下延拓的高平面位场数据二，并采用频率域向下延拓获得所述高平面位场数据二向下延拓后的低平面位场数据二；

S4：将所述高平面位场数据二和所述低平面位场数据二制作成标签，共同输入至所述训练好的D-Unet网络，获得所述高平面位场数据二的最终向下延拓结果。

2.根据权利要求1所述的新型重力位场向下延拓方法，其特征在于，步骤S1中，所述D-Unet网络由Dense block、transition layer、common layer、convolutional layer、dropout layer、up convolutional layer组成；所述convolutional layer的激活函数为ReLU函数，卷积核为3*3；所述up convolutional layer的卷积核为2*2；

所述D-Unet网络的输入数据为256*256的数据；

所述输入数据经过一次Dense block运算后，进行一次3*3的卷积，然后进入到transition layer，所述transition layer对输入的数据进行一次2*2的最大池化，随后重复上述步骤3次，最终形成32*32*512的数据；

将所述32*32*512的数据进行两次3*3的卷积，并经历一次drop out layer；

然后进行以2*2卷积为方法的向上采样和2次3*3卷积，重复三次，并将每次重复的结果与所述dense block运算后的transition layer进行concat连接，最终形成64*64*16的特征数据；

将所述64*64*16的特征数据进行一次3*3的卷积，最终形成64*64*1的特征数据，形成输出。

3.根据权利要求1所述的新型重力位场向下延拓方法，其特征在于，步骤S2中，对所述D-Unet网络进行训练具体包括以下子步骤：

S21：构建样本数据集的模型空间，所述模型空间由多层层源组成，每层层源由多个棱柱体组成；

S22：对每层层源的每个棱柱体进行剩余密度赋值，并采用分层投点法，随机选择不同棱柱体进行差异化剩余密度赋值，获得异常体分布结果；

S23：对每层层源的棱柱体进行正演运算，获得低平面的总体位场数据；

S24：对所述低平面的总体位场数据进行频率域向上延拓，获得高平面的模拟位场数据，即所述高平面位场数据一；

S25：对所述高平面的模拟位场数据进行频率域向下延拓，获得低平面的模拟位场数据，即所述低平面位场数据一；

S26：将所述高平面位场数据一和所述低平面位场数据一作为所述D-Unet网络的共同输入，对模型进行训练，获得训练好的D-Unet网络。

4.根据权利要求3所述的新型重力位场向下延拓方法，其特征在于，步骤S22中，进行剩余密度赋值时，剩余密度的赋值范围为[-0.6，0.6]g/cm³。

5.根据权利要求3所述的新型重力位场向下延拓方法，其特征在于，步骤S25中，进行频率域向下延拓时，采用Tikhonov正则化方法进行向下延拓。

6.根据权利要求5所述的新型重力位场向下延拓方法，其特征在于，进行向下延拓时，向下延拓算子取0.01。

7.根据权利要求5所述的新型重力位场向下延拓方法，其特征在于，步骤S3中，进行频率域向下延拓时，采用Tikhonov正则化方法进行向下延拓。

8.根据权利要求1-7中任意一项所述的新型重力位场向下延拓方法，其特征在于，步骤S2中，在所述高平面位场数据一和所述低平面位场数据一输入所述D-Unet网络进行训练前，对所述高平面位场数据一和所述低平面位场数据一中的10％的数据进行加噪处理。