如何将全波形反演FWI与人工智能AI的神经网络做对比?
目录
1.全波形反演
2.神经网络
全波形反演可以说现在被地球物理界的小伙伴做烂了,一提到全波形反演大家先到的就是高精度...各种优点,可是他却有着与人工智能的同样的缺陷,那就是计算量的限制。但是在当下,随着计算技术的不但进步,虽然有人说摩尔定律已死,但是现在各种超级计算机横空出世,我们国家的曙光、天河等位居世界前列,相信,为了得到高精度的结果,这点计算花费是值得的,今天就来简单对地球物理的全波形反演(Full Waveform Inversion)和神经网络(Neural Network)进行简单的对比。
1.全波形反演
总所周知,全波形反演其实就是数学方法的堆叠(其实大部分的科学研究最终都要归功于数学,但是为什么没有诺贝尔数学奖呢?这个故事留给大家自己搜索)。全波形反演的流程其实非常简单:建立数据和模型的非线性关系是要点。假如数据为D,模型为M,他们之间的关系是A,那么简单的关系就是:
A说白了就是人类一直研究的自然规律(突然想起一句话:世间万物都是由分子构成“来自《大灌篮》”),地球物理学的常用规律是动力学和运动学理论,前者是波动理论,后者是旅行时理论,同时,当参数出现误差时候,方程就转变成了:
这里的就是数据误差,其实就是波形反演中观测数据与模拟数据之间的误差,
就是模型误差,就是我们需要更新的模型参数更新量。通常研究过程中加入修正量,叫做bias(偏置):
这个变量的引入通常会产生一定的修正作用,我们常说到的井约束等信息等。
人类法则是人类从自然法则中获取的一个无线接近于自然法则的定律。
2.神经网络
神经网络的原理大同小异,但是他的区别在于“人类法则”未知,需要通过大量的数据进行训练才能获取的一种规律。
将其写成神经网络的通用符形式为:
其中为权重,
为偏置。
如何建立这个“人类法则”的初始状态呢?这里就引入了一个叫做sigmoid函数和softplus函数的随机变量,用这个随机变量建立初始权重和偏置。
给出一个GitHub开源项目中的sigmoid函数的例子,项目名称mnist-neural-network,请大家自行搜索:
/*返回一个 正态分布的随机数*/
double
random_normal_distribution (void)
{return sqrt (-2.0 * log (drand ())) * cos (2.0 * M_PI * drand ());
}/*返回一个此范围内的伪随机数*/
int
random_integer (int min, int max)
{return min + rand () / (RAND_MAX / (max - min + 1) + 1);
}/*sigmoid函数*/
double
sigmoid_to_number (double number)
{
/*
a sigmoid = 0 i=-9999...99
b = 0.5 i=0
c = 1 i=9999...99
*//* exp (double) returns a "double" value, so casting is not required */return 1.0 / (1.0 + exp (-number));
}/*sigmoid的导数*/
double
sigmoid_prime_to_number (double number)
{/* Avoid to call same function 2 times */double sigmoid_number = sigmoid_to_number (number);return sigmoid_number * (1.0 - sigmoid_number);
}
建立完整的初始状态后,就可以根据最速下降法或者其他一些数学方法计算梯度(权重)和修正量(偏置)了,这里需要一系列的神经网络划分,不同的神经网络对于训练结果也会有不同的结果。给出一个简单的神经网络实例:
这个例子是手写数字识别的网络划分,每个手写字体有28*28=784个像素,最终的输出只有0~9数字。
如何将全波形反演FWI与人工智能AI的神经网络做对比?相关推荐
- 全波形反演的深度学习方法: 第 4 章 基于正演的 FWI
本章论述经典的 FWI, 它基于正演方法. 本贴仅供内部培训. 4.1 FWI 问题 图 4.1 FWI 的输入与输出 [1]. 图 4.2 FWI 的数学式子. 正演问题是建立从速度模型到地震数据的 ...
- 全波形反演的深度学习方法: 第 1 章 基本概念
本章介绍正反演的基本概念, 包括波, 正演, 反演, 仅供内部培训. 1.1 波的分类 波是地震正反演的基础. 纵波也称为P 波, 是指质点的振动方向与波的传播方向平行的波. 在天然地震中, P 波速 ...
- 利用Tesseral建模进行地震正演、全波形反演以及逆时偏移
要建立一个新模型,您需要先打开建模器,然后选择"File"->"New"菜单,输入模型的名称.大小和分辨率,然后点击"OK"按钮.这时 ...
- 超72小时整理,全网最全「人工智能·AI 工具导航网站」
随着人工智能领域的快速扩展,各类的AI工具不断涌现,它们在自然语言处理.图像识别.智能推荐等多个领域都展现出了不可或缺的重要性.然而,面对这么多的工具,你是否也曾感到困惑,不知从何处寻找那些优质且实用 ...
- 人工智能AI Boosting HMC Memory Chip
人工智能AI Boosting HMC Memory Chip Innosilicon的AI Boosting HMC存储芯片适用于高速,高带宽和高性能存储领域,例如AI边缘,数据中心,自动化等. H ...
- 中国人工智能AI框架自主研发
中国人工智能AI框架自主研发 中国AI界争相构建AI开源框架的背后,技术和业务层面的考量因素当然重要,但也不应忽视国家层面的政策支持.对于AI基础设施的建设,中国政府在<新一代人工智能发展规划& ...
- 人工智能AI工程师学习路线心路历程和总结分享
背景: 刚开始接触人工智能AI的时候,感觉很新鲜.很新颖,是一个未来的方向.充满了无限的憧憬,给自己定了一个目标:学习人工智能.接下来的问题:怎么学习?开始想过报名培训班,经过咨询之后,费用是一大笔开 ...
- 人工智能AI实训平台
人工智能AI实训平台 目录 产品外观 产品架构 产品特点 技术优势 产品功能 系统组成 操作使用说明 网络结构 教学实训 手写数字识别项目案例WZ-AISZ-V1.0 人脸识别项目案例WZ-AIRL- ...
- 错过了前三次的伟大革命(蒸汽机革命、电气革命、信息革命),GPT-4 你还要错过人工智能AI革命吗!!!
错过了前三次的伟大革命(蒸汽机革命.电气革命.信息革命),GPT-4 你还要错过人工智能AI革命吗!!! 看 GPT-4 是如何炼成绝世神功:葵花宝典? 欲练神功,不必自宫.西方不败--GPT-4! ...
最新文章
- 装了mysql但是服务里没有反应_Mysql安装后在服务里找不到和服务启动不起来的解决方法...
- 计算机类期刊的影响因子
- 【转】解决yum安装软件报Couldn't resolve host 'mirrorlist.centos.org问题
- P5369-[PKUSC2018]最大前缀和【状压dp】
- HashMap源码分析-jdk1.6和jdk1.8的区别
- (26)Verilog HDL循环语句:repeat
- python os.path
- Zipkin分布式任务追踪
- [题解]Shorten IPv6 Address-模拟(2019牛客多校第六场B题)
- [转]C# 3.0入门系列(二)
- react native基础-(一)react和react native基础
- Microsoft store下载速度过慢
- 玉米社:SEM竞价搜索推广移动优先还是PC优先,怎么设置?
- Linux搭建泰拉瑞亚(原版/模组/插件)服务器之1.4模组服务器
- 浙江python信息技术教材_人工智能、Python…浙江省三到九年级将使用信息技术新修订教材...
- guice使用方法(1)
- (语言学知识,勿点)越南语第一章
- 小熊电器失宠,小家电市场不背锅
- 水热耦合模型SHAW驱动数据说明和运行方法
- 苹果最新发布iOS 5 全部机型都有 下载吧