[发明专利]一种基于UNet的面波频散质量快速评估方法

权利要求书

1.一种基于UNet的面波频散质量快速评估方法，其特征在于，所述方法步骤为：

步骤1、采集地震面波频散数据，对每个频散点人为标记合格标签，并将其分成训练集样本和测试集样本；

步骤2、构建面波频散质量评估的UNet模型，并利用训练集样本对UNet模型进行训练；；

步骤3、将面波频散的周期、面波频散、以及频散的变化率作为训练好的UNet模型的输入，得到质量评估后的面波频散的UNet预测结果。

2.根据权利要求1所述的一种基于UNet的面波频散质量快速评估方法，其特征在于，步骤1中，每个训练样本需要人为指定合格的标签，将合格的频散点标记为1，不合格的标记为0。

3.根据权利要求1所述的一种基于UNet的面波频散质量快速评估方法，其特征在于，所述UNet模型左右各4层，一共包含15个卷积层，3个池化层，3个转置卷积层；选取RELU激活函数作用于卷积层的输出；卷积操作之后使用Batch_normilization对数据进行标准化。

4.根据权利要求3所述的一种基于UNet的面波频散质量快速评估方法，其特征在于，所述UNet模型的输入层包括三个通道：周期，面波频散，以及频散的变化率；输入层一共48个神经元，不足48个频散点的数据充零；输出层为每个周期点对应的标签，质量合格标签为1，否则标签为0；

为了能够更好的使输出层与标签匹配，对输出层作用于sigmod激活函数，使得最终输出神经元的值在0～1之间，sigmod激活函数的数学表达为：

σ(x)＝1/(1+exp(-x))

其中，x为输入。

5.根据权利要求4所述的一种基于UNet的面波频散质量快速评估方法，其特征在于，UNet训练的损失函数需要极小化向量差的二范数：

其中，下标i表示第i个训练样本，N为训练样本的总数；D为由深度学习实现的预测结果；label_i为人为给定的标签，表征每个采样点数据的质量，d_i为输入频散数据，其包含三个通道；θ为网络反向传播中需要更新的超参数。