基于深度学习的初至选择微震的监控

文摘

在微震的监控,实现准确、高效的初至选择改善的准确性和效率是至关重要的微震的时差源的位置。在大数据时代,传统的初至选择方法不能满足微震的监控过程的实时处理要求。使用的先进思想深度上优于端到端分类和突出特征提取完全卷积神经网络的优点,提出了一种初至的挑选方法有效的微震监测信号基于UNet + +网络,它可以显著提高初至选择的准确性和效率。在本文中,我们首先介绍了方法论的UNet + +的选择方法。然后,验证了该方法的性能实验与有限差分正演模拟信号和实际微地震记录在不同信噪比下,最后,比较实验执行使用U-Net-based初至选择算法和短期平均长期平均(STA / LTA)算法。结果表明U-Net网络相比,该方法能明显提高低信噪比的初至选择精度微震的信号,实现更高精度和效率比STA / LTA算法,在传统的算法效率高而闻名。

1。介绍

微震监测数据的处理在平衡精度和效率面临困难很长一段时间(1- - - - - -3]。微地震监测技术的发展,水力压裂微震的已经成为越来越重要的在页岩气勘探和开发4- - - - - -7]。准确和有效的微震的初至选择监控是提高性能的前提微震的时差源的位置。最近,许多选择方法被提出,如短期平均长期平均水平(STA / LTA) (8标准(AIC) [], Akaike信息9),和相关法10]。

最近,某些在初至的研究取得了进展。盛(11)结合小波变换和高阶统计和使用高阶统计挑选后的第一个到来的信号进行小波多尺度分析,这在一定程度上抑制随机噪声,提高初至选择的准确性。《下田(12]采用互相关法确定的第一个到达微震的钻孔常见的检波器采集信号,从而提供更简单的初至时间的选择和精度高于先前一步一步到达挑选使用单个探测器的方法。先前的研究的基础上,谭et al。13)提出了初至微地震信号的选择方法在低信噪比(信噪比)。首先,互相关和最小二乘准则是用来预处理原始微震的数据来获得一个更好的时差校正,然后,多通道表面参数被用来确定微震的事件。确定了微地震事件后,记录选择的人数。Karastathis [14)利用时频分析获得第一微弱的震动到来的选择方法,并与传统方法相比,选择精度显著提高。Massin [15]使用组件能源相关法来确定微震的身体波浪。进一步,在分析能量比算法,高阶统计方法,和最小信息准则(AIC)方法,Akram et al。16)发现,不同的方法有自己的优点和缺点在不同条件下,所以他们设计了一套parameter-optimized初至挑选方法微震的信号,也就是说,不同的参数被分配到不同的初至挑选方法根据微震的信号条件。Dowan et al。17)提出了初至挑选嘈杂的微震的记录相结合的方法互相关和叠加过程。结果表明,该方法可以自动选择的第一个到达低信噪比的信号。Yu et al。18)提出了初至挑选方法基于多通道波形互相关。结果表明,第一个到达的一致性提高该方法相比传统的单向的选择方法。Raj et al。19)提出了初至的挑选方法基于二维恒定的误警率微震,这提高了初至在低信噪比条件下精度。瞿et al。20.)监督支持向量机算法用于自动选择第一个到达,改善初至选择的效率。盛等。21]发达Shearlet Transform-Short时间窗口/长时间window-Kurtosis (s / L_K)使用Shearlet变换和高阶统计算法,可以准确地选择第一个到来的低信噪比微震的信号。高et al。22)使用滑动窗口结合模糊c均值聚类算法选择第一个吵闹和预处理微震的信号。然而,在大量的监测数据,上述传统初至选择方法不能同时满足要求实时微震的监控的效率和准确性。

深卷积神经网络已经被广泛研究,因为他们的杰出的特征提取和识别性能(23- - - - - -26]。Zhang et al。27)提出了一种新的multifeature再加权DenseNet (MFR-DenseNet)图像分类架构,这大大降低了错误率CIFAR-10和cifar - 100数据集。汉et al。28)提出了卷积边缘约束添加到提高目标探测的U-Net预测重要的图像映射。改进U-Net集成的特点,不同的层,从而大大减少了信息丢失。瞿et al。29日intrapulse]提出了一种雷达信号调制识别方法,利用时频分析、图像处理、和卷积神经网络(CNN)调节和识别雷达信号。6 dB的信噪比,该方法实现的识别成功率96.1%。杨et al。30.)提出了一种基于多任务旋转区域检测模型卷积神经网络,取得了良好的效果在任意方向的船位置检测和方向的预测。

在地球物理领域,最近也被许多学者进行了研究。徐et al。31日)使用卷积神经网络识别活跃的地震事件。陈等人。32)实现强噪声干扰抑制的大地电磁数据使用递归神经网络(RNN)。值得一提的是,陈、张和萨德(33- - - - - -38)作出了出色的贡献通过应用地球物理学领域的深度学习微震的事件。

由于跳层连接,深监管结构,端到端分类和集成的优点深和浅的特性(39- - - - - -42),UNet + + (43)已广泛应用于医学图像处理领域的(44]。基于深度学习的先进理念的端到端分类后,本文考虑了初至选择有效的微震的信号作为两个分类问题并使用UNet + +网络选择有效的微震信号的初至,提高容错性能和修正预测偏差引起的标签错误使用标签平滑和正则化;最后,它输出相对应的最大概率预报值和第一个到达点初至。

剩下的纸是组织如下。我介绍的方法基于UNet + +初至选择方法。然后,构造数据集,UNet + +优化获得最佳hyperparameter。第一个到达取决于UNet + +,和比较实验使用U-Net-based进行初至选择算法和STA / LTA算法根据有限差分正演模拟信号和实际微地震记录在不同的信噪比。结果表明,与U-Net网络相比,该方法可以明显提高低信噪比的初至选择精度微震的信号,实现更高精度和效率比STA / LTA算法,这是著名的传统算法效率高。最后,分别提出了讨论和解决方案。

2。方法

2.1。UNet + +的选择方法

U-Net是一种先进的和成熟的网络相结合的特殊结构up-sampling和采样下来发挥重要作用领域的深入学习。U-Net网络相比,UNet + +网络,呈现在图1有一个更深层次的接受域。UNet + +拥有跳过连接结构和深监督基于U-Net的结构,它可以处理高维信息。UNet + +的主要优点如下:其独特的跳过连接整合不同层次的特点,提高了准确性;它有一个深刻的监管框架 ,所以它被平均最终的输出结果四个分割树枝和减少了参数的数量和提高网络的速度和准确度。的工作流UNet + +的挑选方法如下:(1)输入:离散时间序列的微震的信号。(2)收缩的道路UNet + +:这条道路的主要功能是提取微震的信号的信号和噪声特性。收缩路径的每一层包含一个卷积层,层的激活函数,一批标准化层,和最大池层;所有层除了第一个大层包含一个up-sampling层。卷积核的卷积层的大小 ;up-sampling层中的卷积核的大小 ;激活函数用于激活函数层Relu漏水,这是表示为: 在哪里代表了一种可训练的学习参数,在这个工作,它被设置为0.01;表示网络输入;代表输出。破Relu函数可以解决梯度消失的问题引起的层深度和加快收敛速度。(3)UNet + +的扩张路径:扩张路径使用up-sampling和解码的功能恢复到原始输入的大小和空间分辨率的输入信号恢复,恢复的详细特性,实现端到端分类效果。(4)输出:为了使提取的功能更全面,树枝的平均值得到修剪操作用于获得输出结果。在培训之前,在一个炎热的编码的标签是用来获得稀疏的标签,标签,然后平滑、正规化处理,(2)是用于提高模型的预测精度,提高其抵抗标签错误的能力。最后,将softmax函数给出的(3)用于获取信号采样点的概率曲线属于初至类别,和点上的最大概率曲线作为初至点。将softmax叉用作网络损失函数优化网络模型,它是由(4)。

在(2),表示样本标签标签平滑后,代表了平滑因子,代表原样品,是一个介绍了固定分配的所有值1。

在(3)和(4),表示类型,表示采样点,表示的输出的最后一层UNet + +网络对应的采样点 , 表示实际标签的概率分布,代表了网络预测概率分布。图2显示的流动。图3第一次到达显示标签的过程。

2.2。实验

实验平台的参数表1。

2.3。数据集

质量和丰富的数据集有重大影响的挑选能力UNet + +。因此,当构建训练集UNet + +,有必要考虑跟踪连续性之间的关系和模型参数的变化趋势与破坏之间的距离和接收的信号在到达点。摘要生成的数据集是由5000个模拟信号建模和5000年真正的微震监测信号来自湖北,四川,中国胜利油田高和低信噪比。模拟信号在20 - 1000赫兹的频率范围,并由有限差分正演在不同信噪比的值使用不同的速度模型。数据分为训练集,测试和验证集使用的比例6:2:2。最后,自动选择方法,Shearlet Transform-Short时间窗口/长时间window-Kurtosis (s / L-K)方法(43),手工采摘方法被用来训练集的标签到达点。

2.4。Hyperparameter优化

学习速度和标签平滑正则化因子进行优化来确定最合适的hyperparameters UNet + +。学习速率的最重要的一个hyperparameters影响网络模型的性能,直接决定了网络的训练收敛速度和精度。平滑正则化因子可以影响干扰的强度应用于正确的标签,从而影响网络的输入标签的正确性。因此,在使用UNet + +挑选第一个到达,需要优化最重要的hyperparameters最大化模型的性能。(1)学习速率优化:如前所述,作为最重要的hyperparameters之一,学习速率直接影响网络的预测性能。一方面,如果学习速率过大,网络将错过极值点,这将减少网络的训练精度。另一方面,如果学习速率太低,网络也会收敛缓慢甚至可以导致过度拟合问题。为了解决这个问题,在这个工作中,最佳的学习速率决定了评估模型的表演学习速率的0.01,0.001,0.0001。模型损失和准确性的训练集和验证集在数据提出了不同的学习速率4(一)和4 (b),分别。如数据所示4(一)和4 (b)学习速率的0.001,模型聚合速度和获得验证精度最高。因此,学习速率的0.001作为最初的学习速率的实验。(2)标签平滑:标签平滑正规化增强模型的容忍能力通过添加扰动输入标签错误原标签。标签光滑正则化因子可以确定应用扰动的强度。一方面,如果正则化系数太大,网络可以困难收敛,因为标签扰动太强了。另一方面,如果正则化系数太小,它将导致减少网络容错。因此,它是非常重要的选择一个合适的正则化因子。损失曲线在训练阶段和准确性曲线在不同的标签在验证阶段提出了数据平滑正则化因子值5(一个)和5 (b),分别。如数据所示5(一个)和5 (b)标签使用平滑后,网络的训练和验证精度损失明显改善。特别是正则化因子为0.01,模型实现最佳性能。因此,实验中使用的正则化系数0.01。(3)模型验证:为了验证网络的泛化能力,UNet + +的性能相比,训练集和验证集和5倍交叉验证被用来评估网络的泛化误差。的损失和准确性UNet + +在图中提供的培训和验证6。根据结果如图6(一)和6 (b)优化模型可以用来选择的第一个到达微震的信号准确。

2.5。合成的例子

有限差分正演信号,信号频率的20赫兹,模型的大小 ,空间采样间隔 ,源坐标(140.80),和两层速度模型,上下两层的介质速度是2000米/秒和3000 m / s,呈现在图7。

在这部作品中,第四跟踪信号的建模部分作为研究对象。第一个到来的UNet + +在不同信噪比通过添加高斯噪声值。添加8分贝高斯噪声之后,第一个到达的部分被验证的可行性UNet + +的选择方法。信噪比的值计算: 在哪里和表示原始信号的标准差和添加噪声,分别。

2.6。无噪声的模拟信号测试

提出建模如图信号对应于八部分7提出了在图8(一个)。如图8(一个),第一个信号到达的时间是350 ms。数据8 (b)和8 (c)显示的中间特征信号如图8(一个)提取的C3和C5层UNet + +,分别。信号的局部放大和初至选择曲线获得的UNet + +从330毫秒到430毫秒给出数据9(一)和9分别(b)。完整的预测结果虚线框,如图所示9(b)。

2.7。高斯杂音附加信号测试

为了进一步验证UNet + +性能低信噪比的初至选择微震的有效信号,3 dB的高斯噪声,5 dB, 8分贝被添加到模拟信号如图8(一个),分别。结果呈现在图10,图11,图12。

正演模拟信号添加高斯噪声的3 dB, 5 dB, 8分贝给出数据13(一),14(一),15分别(a)。中间的特征信号如图13(a)中提取的C3和C5层UNet + +网络提出了数字13(b)和13分别(c)。信号的局部放大和初至选择曲线获得的UNet + +从330毫秒到430毫秒给出数据10(一)和10分别(b)。完整的选择结果是虚线框,如图所示10(b)。

中间的特征信号如图14(a)中提取的C3和C5层UNet + +给出数据14(b)和14分别(c)。信号的局部放大和初至选择曲线获得的UNet + +从330毫秒到430毫秒给出数据11(一)和11(b),完整的挑选结果虚线框,如图所示11(b)。

中间的特征信号如图15(a)中提取的C3和C5层UNet + +给出数据15(b)和15分别(c)。信号的局部放大和初至选择曲线获得的UNet + +从330毫秒到430毫秒给出数据12(一)和12(b),完整的挑选结果虚线框,如图所示12(b)。

如图9,图10,图11,图12,正演模拟信号的信噪比下降,初至点的概率预测的UNet + +下降。这不仅是因为网络提取原始信号在到达点的特性而且噪声的特点,从而减少初至点的概率值预测的网络。然而,该算法仍然可以准确预测初至点,这表明初至挑选方法基于UNet + +网络可以选择第一个到达有效信号的低信噪比的微震的信号稳定,准确。

2.8。正演剖面测试

随着断裂和接收点之间的距离增加,有效信号振幅逐渐衰减。为了评估初至点上的信号幅度的影响进一步挑选结果,第三概要文件的跟踪信号作为参考跟踪,然后8分贝高斯噪声添加到引用跟踪信号。最后,添加高斯噪声是参考跟踪信号,整个监测剖面如图7测试了初至选择算法的性能。挑选结果如图16和表2显示了图的具体数据16(c)。

提出了图168分贝的高斯噪声,初至选择算法基于UNet + +是合成信号更精确的比U-Net概要文件,并选择错误只有276 ms。尤其是第三个八的初至挑选结果监控概要的痕迹是在良好的协议与正演模拟信号的初至点。这是因为有效信号在到达点的特征更明显,和信噪比高于第一和第二信号跟踪。然而,对于第一和第二信号痕迹由于有效信号的振幅衰减,添加高斯噪声后的信号特征都认不出来,和信噪比大大降低,导致大量的初至选择错误。我们可以看到在图16,对于低信噪比微震的信号,该算法可以有效地、准确地选择第一个到来的微震的信号。

2.9。真实数据的例子

为了进一步验证该算法的可行性,进行了测试在选定的微震的来自四川工作区域和胜利油田的数据。此外,U-Net-based到来选择算法和传统的STA / LTA算法,以其效率高、比较。

微地震记录信噪比高的实际监测获得的胜利油田的工作区域,与seven-level铁板,铁板呈现在图17。每个信号的长度是4096 ms, 1毫秒采样间隔。到来的微地震监测记录是3500 - 4000 ms。必威2490第一个跟踪信号的实际微地震信号和中间特征提取的C3和C5层UNet + +呈现在图18。信号的到达时间图所示18(a)通过UNet + +, U-Net和STA / LTA算法如图19。

如图19,选择结果U-Net和UNet + +微震的监测信号如图18(一)都与人工选择的结果一致,而STA / LTA算法有一个明显的错误。

低信噪比的微震的记录来自四川省的实际监控在工作区域,与nine-level铁板,铁板呈现在图20.。每个信号的长度是3200 ms, 1毫秒采样间隔。到达点在微地震监测的记录是500 ms;必威2490人工选择的结果在表3。第六跟踪信号的微地震记录剖面和中间特征提取的C3和C5层UNet + +呈现在图21。比较信号的初至挑选结果如图21(a)通过UNet + +, U-Net和STA / LTA算法呈现在图22。

如图22(一)UNet + +的挑选方法可以选择低信噪比信号的到来;然而,有选择错误的U-Net-based初至挑选方法,和到达点U-Net选的是1384。同样,STA / LTA算法有一个明显的错误。

表3显示了采摘时间消耗备案资料数据所示17和20.UNet + +, U-Net和STA / LTA算法。

根据对比实验的模拟和实际监测信号和初至采摘时间消耗的比较不同的算法,它可以得出结论,STA / LTA算法,效率高而闻名,困难可以获得准确的初至挑选低信噪比条件下的结果,基于深度学习的初至选择算法,由于其强大的功能捕捉能力和更好的信噪比特性的区别,可以准确、有效地选择第一个到来的低信噪比微震的信号。该方法的选择速度明显高于STA / LTA算法,从而提高了速度和初至选择的准确性。

UNet + +,由于其层致密连接和深监管结构,可以提取比U-Net更深的信号和噪声的特点,即使在低信噪比环境中区分微震的信号。优良的泛化能力进一步扩大其应用前景的初至选择微震的信号。因此,提出初至选择算法基于UNet + +可以选择微震的信号更加准确和高效的到达。

3所示。讨论

尽管该方法可以取得良好的成果,仍有改进的余地。

监控数据不同的工作区域不同监测方法、地质条件、压裂方法,等等。因此,标签数据的一项新调查区域可以大大减少应用程序算法的效率,使其不满足微地震监测的实时处理的要求。然而,semisupervised学习使用网络来提取自动标记为小样本数据的特点,从而实现大规模的无标号数据的自动贴标,可大大提高该算法的应用效率(45- - - - - -47]。

监督学习相比,学习继续学习目标域数据传输的基础上使用pretraining网络参数初始化,大大减少训练数据规模,降低计算成本和时间消耗的网络培训(48]。因此,为了实现微震监测数据的处理在不同的工作领域更有效和迅速,后续研究将结合semisupervised的思想学习和转移学习提高的速度提出了初至进一步选择算法。

样本多样性的重要因素之一是影响网络的预测性能。使用适当的数量的样品可以进一步提高网络的预测精度。最近,许多样本提出了改进方法,如无监督数据增加(UDA) [49)和生成对抗网络(GAN) (50]。此外,对抗的训练可以减少错误率在原独立且同分布测试集,提高网络的容错网络训练和对抗的训练集样本(51,52]。因此,后续研究将结合示例增强和敌对的培训实现高精度微地震信号的初至选择在小样本条件下为了进一步改善的准确性提出了初至选择方法。

Hyperparameters产生重大影响的模型性能,算法的运行时间和存储成本的深层神经网络。因此,自动配置和优化hyperparameters是非常重要的。Ghahramani指出,贝叶斯优化是其中一个最先进的和有前途的技术在人工智能领域53]。因此,后续研究将进一步研究快速贝叶斯优化方案深神经网络(54),优化模型,提高它的准确性(55,56]。

4所示。结论

本文基于UNet + +初至选择方法提出了满足实时处理的要求选择的准确性和效率的微震的信号。为了测试该算法的有效性,高斯噪声的信噪比1 dB, 5 dB和8 dB先后加入了建模的信号,和该算法与STA / LTA算法。最后,U-Net-based方法,该方法和STA / LTA方法应用到实际微地震监测数据中国四川盆地和胜利油田的验证的可行性UNet + +的选择方法。模拟和实际数据测试表明,提出的挑选方法可以选择第一个到达有效信号的准确和获得一个可靠的微震监测结果甚至对噪声信号。

数据可用性

可用的数据和代码https://github.com/RufusGuo/UNet-。

的利益冲突

作者宣称没有利益冲突有关的出版。

引用

1. n .伊克巴尔·e·刘,j·h·麦克莱伦a . Al-Shuhail s i卡卡,和a . Zerguine”使用时频表示微震事件的检测和去噪和张量分解,“IEEE访问》第六卷,第23006 - 22993页,2018年。视图:出版商的网站|谷歌学术搜索
2. s . c .麦克斯韦j·拉特里奇,r·琼斯和m . Fehler“石油储集层描述使用井下微地震监测,”地球物理学,卷75,不。5,页75 a129 - 75 a137 2010。视图:出版商的网站|谷歌学术搜索
3. c .歌曲和t . Alkhalifah“微地震事件估计基于一个有效波场反演,”IEEE选择杂志的主题应用地球观测和遥感,12卷,不。11日,第4671 - 4664页,2019年。视图:出版商的网站|谷歌学术搜索
4. g·l·冯x t·冯b·r·陈,x和y,”一个高度精确的定位方法微地震事件与隧道岩爆的开发过程有关,“IEEE访问5卷,第27731 - 27722页,2017年。视图:出版商的网站|谷歌学术搜索
5. l .董,d .太阳,x,和k .杜”AE定位方法的理论和实验研究和矿山微震的来源没有pre-measured波速,”IEEE访问5卷,第16828 - 16818页,2017年。视图:出版商的网站|谷歌学术搜索
6. 下午邓肯和l·艾斯纳“使用表面微震监测储层特征,”地球物理学,卷75,不。5,页75 a139 - 75 a146 2010。视图:出版商的网站|谷歌学术搜索
7. l·艾斯纳,p . m .邓肯w·m·海格尔和w·r·凯勒”被动地震监测、不确定性”前缘,28卷,不。6,648 - 655年,2012页。视图:谷歌学术搜索
8. r·艾伦,”从单跟踪地震自动识别和时机。”美国地震学会公报,卷68,不。5,1521 - 1532年,1978页。视图:谷歌学术搜索
9. c . Suhendi m . r . p . Sudibyo i f . Erlangga和a . p . Arbad”事件自动识别与修改Akaike构造地震信息准则(mAIC)”IOP会议系列:地球与环境科学研究所各种来华朝贡校园,卷258,不。1、第012037条楠榜塞拉坦风,印度尼西亚,2019。视图:谷歌学术搜索
10. m . Senkaya和h . Karsli半自动的方法来识别第一个到达时间:互相关技术,”地球科学研究杂志,18卷,不。2、107 - 113年,2014页。视图:谷歌学术搜索
11. g .盛x唐、k .谢和j .熊”第一次到达水力压裂微震的挑选方法基于non-subsampled shearlet变换和高阶统计量,”《地震勘探,28卷,不。6,593 - 618年,2019页。视图:谷歌学术搜索
12. n ., a前夕,美国a·夏皮罗”到达时间选择常见的接收器收集钻孔数组数据,”赛格技术项目扩展摘要2015,页2655 - 2659,勘探地球物理学家协会,2015。视图:谷歌学术搜索
13. 他y谭和c,“改进的检测方法和到达选择低信噪比的微震事件,“地球物理学,卷81,不。2,KS133-KS151, 2016页。视图:谷歌学术搜索
14. 诉Karastathis t . Aspiotis a Tselentis, n . Russill”自动被动地震横波选择基于时频分析应用程序,”赛格技术项目扩展摘要2016,页2760 - 2764,勘探地球物理学家协会,2016。视图:谷歌学术搜索
15. f . Massin和A·马尔科姆,”一个更好的自动体波与广泛的适用性,选择”赛格技术项目扩展摘要2016,页2617 - 2621,勘探地球物理学家协会,2016。视图:谷歌学术搜索
16. Akram和d . w .伊顿”,到达时间挑选的审查和评估方法对于井下微震的数据,”地球物理学,卷81,不。2,KS67-KS87, 2016页。视图:谷歌学术搜索
17. j . d . Kim Byun,崔j . m . Lee m .金,“第一次到达快速选择算法的微震的数据,”勘探地球物理学,48卷,不。2、131 - 136年,2016页。视图:谷歌学术搜索
18. z Yu, c .他、g .侯和y Tan“到来选择基于波形互相关和细化微震的事件,”国际地球物理会议,第1357 - 1354页,北京,中国,2018。视图:谷歌学术搜索
19. a . g . Raj m . c . JH n . Iqbal a . a . Al-Shuhail和s i卡卡,“自动微震的事件检测在时频域,使用恒虚警率处理”赛格技术项目扩展摘要2018,页2912 - 2916,勘探地球物理学家协会,2018。视图:谷歌学术搜索
20. 曲,z关、大肠Verschuur和y . Chen”自动高分辨率微震的事件检测通过监督机器学习”国际地球物理杂志,卷222,不。3、1881 - 1895年,2020页。视图:出版商的网站|谷歌学术搜索
21. h . Wu b, f·李,n .刘”第一次到达半自动挑选micro-seismic事件通过pixel-wise卷积图像分割方法,”地球物理学,卷84,不。3、1 - 70、2019页。视图:谷歌学术搜索
22. l .高Z.-Y。江,f . Min”初至旅行时间选择通过滑动窗口和模糊c均值,”数学,7卷,不。3,p。221年,2019年。视图:出版商的网站|谷歌学术搜索
23. 李,b . Liu y任et al .,“深度学习地震资料反演,”2020年,https://arxiv.org/abs/1901.07733。视图:谷歌学术搜索
24. 张,陈和y, z . Wang“深度学习地震岩性预测,”国际地球物理杂志,卷215,不。2、1368 - 1387年,2018页。视图:出版商的网站|谷歌学术搜索
25. m·张,刘y, y,“无人监督的地震随机噪声衰减深度卷积神经网络的基础上,“IEEE访问7卷,第179822 - 179810页,2019年。视图:出版商的网站|谷歌学术搜索
26. b . Liu s .杨任y、x, p .江和y陈,“深度学习地震全波形反演的实际结构模型,”地球物理学,卷86,不。1,R31-R44, 2021页。视图:出版商的网站|谷歌学术搜索
27. a . Krizhevsky i Sutskever g·辛顿,“ImageNet分类与深卷积神经网络,”先进的神经信息处理系统,25卷,不。2、1097 - 1105年,2012页。视图:谷歌学术搜索
28. j . k .张郭y、x Wang元,问:叮,“多个特性调整DenseNet图像分类,“IEEE访问7卷,第9880 - 9872页,2019年。视图:出版商的网站|谷歌学术搜索
29. l .汉、李x和y咚,”卷积边缘基于U-net显著目标检测,”IEEE访问7卷,第48900 - 48890页,2019年。视图:出版商的网站|谷歌学术搜索
30. c .侯瞿z, w . Wang, c .侯”雷达信号的脉内调制识别基于卷积去噪autoencoder和深卷积神经网络,”IEEE访问7卷,第112347 - 112339页,2019年。视图:出版商的网站|谷歌学术搜索
31. x x杨,h .太阳,太阳,m .严z郭,和k .傅”位置检测和方向预测arbitrary-oriented船只通过多任务旋转区域卷积神经网络,”IEEE访问》第六卷,第50849 - 50839页,2018年。视图:出版商的网站|谷歌学术搜索
32. z, t . Wang s徐et al .,“主动源地震p波的识别和自动选择使用卷积神经网络首先到来,”在中国地震研究,33卷,不。2、288 - 304年,2019页。视图:谷歌学术搜索
33. g . y . Chen, m .呗,s .祖茂堂z关,和m .张“自动波形分类和到达选择基于卷积神经网络,”地球和空间科学》第六卷,没有。7,1244 - 1261年,2019页。视图:出版商的网站|谷歌学术搜索
34. 陈y”,自动微震的事件选择通过非监督机器学习,”国际地球物理杂志卷,222年,第1764 - 1750页,2020年。视图:谷歌学术搜索
35. 陈y,“快速波形检测微震的成像使用非监督机器学习,”国际地球物理杂志,卷215,不。2、1185 - 1199年,2018页。视图:出版商的网站|谷歌学术搜索
36. g .张、c·林和y . Chen”为微震的卷积神经网络波形分类和挑选,”地球物理学,卷85,不。4,WA227-WA240, 2020页。视图:出版商的网站|谷歌学术搜索
37. o·m·萨阿德y陈,“自动waveform-based较高成像使用深度学习提取微震的信号,”地球物理学,卷85,不。6,KS171-KS183, 2020页。视图:出版商的网站|谷歌学术搜索
38. o·m·萨阿德y陈,“地震探测和纵波到达时间挑选使用胶囊神经网络,”IEEE地球科学和遥感,卷。58岁的1 - 10,2021页。视图:出版商的网站|谷歌学术搜索
39. d .彭、张y和h .关”端到端为高分辨率卫星图像变化检测使用改进UNet + +,”遥感,11卷,不。11,1382年,页2019。视图:谷歌学术搜索
40. w . y . Chen, j .左和k·杨,“火灾识别算法使用动态特征融合和IV-SVM分类器,”集群计算22卷,第7675 - 7665页,2018年。视图:谷歌学术搜索
41. z, m . m . r . Siddiquee: Tajbakhsh, j .梁,“UNet + +:重新设计跳过连接利用多尺度特性在图像分割中,“IEEE医学成像,39卷,不。6,1856 - 1867年,2019页。视图:谷歌学术搜索
42. z, t .田、r峰和l .王”海陆分割Res-UNet和完全连接CRF”雪茄烟,2019 - 2019年IEEE国际地球科学和遥感研讨会IEEE,页3840 - 3843年,日本横滨2019。视图:谷歌学术搜索
43. h·陈,r·郭j . Liu y . Wang和r·林,“大地电磁数据与递归神经网络去噪,”赛格2019车间:数学物理:传统与学习,5 - 7页,北京,中国,勘探地球物理学家协会,2020。视图:谷歌学术搜索
44. z, m . m . Siddiquee n . Tajbakhsh和j .梁”UNet + +:一个嵌套U-Net架构用于医学图像分割”深度学习在医学图像分析和多通道学习临床决策支持页3-11 Springer,可汗,2018年。视图:谷歌学术搜索
45. 莱恩和t .艾拉“Semi-Supervised学习时间合奏,”2017年,https://arxiv.org/abs/1610.02242。视图:谷歌学术搜索
46. l . w . Li段、徐d和i . w . Tsang”学习和增强功能,为监督semi-supervised异构域的适应,”IEEE模式分析与机器智能,36卷,不。6,1134 - 1148年,2014页。视图:出版商的网站|谷歌学术搜索
47. h .锅和z康”,Semi-Supervised分类、健壮的图学习”2018年第10届国际智能人机系统大会和控制论(IHMSC)杭州,页265 - 268年,中国,2018。视图:谷歌学术搜索
48. x, y Grandvalet, f . Davoine“显式感应偏压与卷积网络转移学习,”国际会议上机器学习Stockholmsmassan,斯德哥尔摩瑞典,2018年。视图:谷歌学术搜索
49. 问:谢,z, e . Hovy m .陈德良问:诉勒,“无监督数据增强一致性训练,”2019年,https://arxiv.org/abs/1904.12848。视图:谷歌学术搜索
50. c . Chang t·陈,p .涌,“Semi-supervised学习使用生成对抗网络”2018年IEEE研讨会系列计算智能(1),页892 - 896,班加罗尔,印度,2018。视图:谷歌学术搜索
51. j·格拉汉姆·古德费勒,j . Shlens, c . Szegedy“解释和利用对手的例子,”2015年,https://arxiv.org/abs/1412.6572。视图:谷歌学术搜索
52. Maeda t . Miyato s m .小山,s . Ishii“虚拟对抗训练:监督和semi-supervised学习正则化方法,”IEEE模式分析与机器智能第41卷。。8,1979 - 1993年,2019页。视图:出版商的网站|谷歌学术搜索
53. g . Zoubin”概率机器学习和人工智能。”自然,卷521,不。7553年,第459 - 452页,2018年。视图:谷歌学术搜索
54. k·亚伦,“快速贝叶斯优化机器学习Hyperparameters在大型数据集上,”人工智能和统计PMLR,页528 - 536年,劳德代尔堡,佛罗里达州,美国,2017。视图:谷歌学术搜索
55. a . Karbalayghareh x钱,e·r·多尔蒂,“最优贝叶斯学习,转移”IEEE信号处理,卷66,不。14日,第3739 - 3724页,2018年。视图:出版商的网站|谷歌学术搜索
56. a·h·刘,z . Cheng和j .江”分类通过传输方法,贝叶斯网络学习”2019年IEEE 31日国际会议与人工智能工具(ICTAI)波特兰,页1102 - 1109,或者美国,2019年。视图:谷歌学术搜索

betway赞助

betway赞助版权©2021郭枭龙。这是一个开放的分布式下文章知识共享归属许可,它允许无限制的使用、分配和复制在任何媒介,提供最初的工作是正确引用。