- 博客(56)
- 收藏
- 关注
RSS订阅原创 纵测线与观测系统的覆盖次数
此图中，横线激发。：十字观测系统的观测范围就是横纵测线的外矩形。要想多次覆盖，平行于放炮线，做宽线采集。（x方向）：与平行——若只有一个横测线，则该，纵测线上有一个炮点，仅看该纵测线方向是单炮激发；横测线（y方向）：与走向平行；若测区既向左移又向右移然后放炮，则计算横向覆盖次数：指测区沿横向移动纵向覆盖次数：指测区沿纵向移动。
2024-08-23 10:13:34
272
原创 地震采集的观测系统
这张图表明，为什么在速度分析论文中，与CMP有关的数据都有的影子——因为CDP序号是对一条测线上布置的观测系统对的信号记录。换句话说，不同的CDP序号（类似测井位置）意味着不同的CMP道集。
2024-08-19 17:46:12
487
原创 TerraNubis网站
使用指南：https://doc.opendtect.org/7.0.0/doc/od_userdoc/Default.htm#preface/about_this_manual.htm?FAQ-速度建模https://doc.opendtect.org/7.0.0/doc/dgb_userdoc/Default.htm#velocity_model_building.htm。在OpendTect的基础上，dGB和合作伙伴开发了一系列独特的软件模块，用于从数据中提取更多的地质信息。软件解决方案和解释服务。
2024-08-16 22:54:09
166
原创 周报——写代码时解决的相关问题（7.22-7.28）
知识点1：类=属性（数据）+方法（函数）知识点2：用类创建对象——会默认调用__init__()方法知识点3：通过对象调用类中的方法——self相当于C语言中的this指针注意：传参的时候并不用传self，它负责把其他参数定位到所创建对象的地址。
2024-07-28 11:32:13
392
原创 周报0708-0715（run代码）
把我安装好的torch1.7.1+cu110给卸掉了，装了一个torch1.13.1, torchvision-0.14.1 tqdm-4.66.4 urllib3-2.0.7，心都碎了，哼！就是按照红色文字打开目录，发现他自己有两个numpy版本，我把正常的numpy版本留下，把另一个numpy1.21.6删了。再重新输入就正常安装了~本周围绕代码展开学习，学习了组内的FWI代码，主要收获是熟练了创建环境、匹配解释器、安装必要包的流程，以及搜索时的小Tips：比如需要的包+whl（表示该包的编译版本）。
2024-07-18 21:24:57
334
原创 周报0624-0701--输入CMP数据的准备
目的：设计思路（根据）【主程序】多进程，linux，tensorflow随机生成速度模型的显示颜色，位置，大小训练的多进程安排创建目录、环境变量，来存储CMP地震数据定义变量，来控制程序的生成和训练先是生成速度模型->正演数据集建立网络（在jupyter notebook）->训练网络->测试网络【CNN】1.利用 Seismic Unix（SU）工具集。将模型分解为CMP（Common Mid-Point）集合，并进行可视化。——没明白怎么分解的221.51.5。
2024-07-01 14:49:03
866
原创 周报0617--0623（智能速度分析）
本周阅读的文献是Mapping full seismic waveforms to vertical velocity profiles by deep learning。对文章的研究问题有了新的认识，作者是用CNN替代常规速度分析方法来实现速度拾取，用深度学习的低频外推来改善FWI，输入是单个/多个CMP道集，输出是1D的速度，标签是测井数据。输入是单个CMP（一个CMP道集，收集到的反射点信息都落在了目标测井上，是炮检距-时间的2D平面），存在的问题是容易做成简单插值问题容易过拟合；
2024-06-28 00:48:27
335
原创 周报0610--0616（共中心点道集如何抽取）
注意共中心点和共反射点有区别：虽然都是激发点和检波点之间的点，但是共中心点指地表/地上的位置而共反射点指地下的位置。地震数据标定，是为了建立地震数据的反射波（反射时间）和钻井资料（深度）的联系，帮助我们来了解地震反射波所对应的地质层位、地质时代、岩性组合、含油气层位等特征。2.使用 Marmousi2 作为更复杂模型的基础，这些模型将包括衰减、各向异性、复杂地层、更复杂的碳氢化合物流体取代公式和更具创新性的采集技术的影响。角道集指的是地震勘探中组织数据的一种方式。角指的是角点，通常称为“共中心点”。
2024-06-16 23:04:25
881
原创 参考文献自检指南
参考文献作为论文的最后组成部分，可能不是加分项，但是做不好的话绝对会被吐槽，而且是个要命的减分项。因此要做好检查，以下是一些可以遵循的规范。（如有疏漏，欢迎指出）
2024-05-15 20:58:06
618
原创 KAN网络认识
其次，这个网络与多层感知机MLP的不同在于，直观上激活函数在MLP的神经元节点上，而激活函数（用B样条曲线来参数化）在KAN的边权上。换句话说，MLP的激活函数相同，靠边权不同来学习。这个定理指出如果函数f是定义在有界域上的多变量连续函数（即最终要拟合的非线性函数是连续的），那么该函数就可以表示为多个单变量、加法连续函数的有线组合。最后，KAN网络的深度和宽度取决于复合函数（即堆叠KAN层的设计）。对于机器学习来说，KAN网络的基础是学习高维函数的过程可以简化成学习多项式数量的一维函数。
2024-05-04 11:11:03
763
原创 体波与面波
逆时成像（把接收到的信号反传）不依赖震源信息的结构成像，不用管接收到的信息是哪里来的。对震源附近的结构有比较好的效果。比如，面波可以完成层析成像和提供横波速度（Yilmaz，2015）面波并不是在震源附近产生的，它需要一定的偏移距和一定的传播时间才发育出来。在被动源震动后，产生5种波，主要是C（瑞雷波）能量最大，不是体波是面波。频散曲线（速度-频率）有四个参数，主要关键的参数是S波（横波）速度。因为要采集足够长的波长，才能到达需要的深度。频散（面波的速度随着频率的变化而变化）利用不同类型的波的相干性。
2024-04-20 23:36:56
286
原创 （自学用）传统反演思路
反演计算慢的原因：反演过程一定是基于正演的。（就像BP神经网络是基于FFN网络的。一开始提出的FFN是只有正向传播，BP是既有正向又有反向传播。而反向传播的计算与正向传播有相似的流程）所以反演计算慢本质上是因为正演理论，不太合适的逼近方法。用来模拟数据同化时的随机性（不确定性），比如：某点的速度实际上是在一个取值范围内的，每次只取一个值用来作样本。更新的速度是观测数据（观测波形）和合成数据（理论波形）差的隐函数。杨顶辉、杨慧珠、李衍达、孙卫涛、杜启振、童平、巴晶等。时间差（又称拟波形）是一个波形的函数。
2024-04-20 22:41:09
298
原创 （自学用）正演理论
（简谐波在传播的过程中固定相位的点沿着波传播方向上的速度，例如，波峰的传播速度或者波谷的传播速度，也就是。传统方法是用某一点及其周围点的函数f的线性组合来逼近导数。分析数值频散的原因是：一个波长内采样点个数太少。类似图片的像素（采样点）少，导致分辨率太低，产生不平滑的凸起。正演方法追求的是：找到更好的逼近方法。在一个波长内采样点少（不变）的情况下随着网格变粗减缓发生数值频散的现象。不仅用到函数（位移）还用到函数的导数（位移的梯度）。但计算效率和空间存储受限。目的是在压制数值频散的效果下，实现网格数最少。
2024-04-20 21:14:55
227
原创 Lesson5、6、7汇报
反向传播最初是在 1970 年代引入的，但直到 1986 年出版了，它的重要性才得到充分认识。通过反向传播，可以使用神经网络来解决以前无法解决的问题。如今，反向传播是神经网络学习的主力军。没有它，我们将浪费时间和精力。那么，反向传播如何能够减少计算梯度所花费的时间呢？这一切都归结为在正向和反向累积模式下应用链式法则之间的计算复杂性。下面分别从前向和反向传播两个过程详细分析算法的复杂度。时间复杂度分析有一个基本的法则，就是四则运算法则。
2024-04-18 17:39:50
573
原创 计算机导论——C语言002
前言（就像计算机内存溢出后，重启就好了。由于设备的内存（RAM）有限，无法精确表达现实世界——这是计算机不擅长的东西关注代码的底层实践。何时会自定义函数。但我们不只是希望它在输出层起作用，而是实际上让它有输出（别人给的小抄不能只实际存在，要显示出来让人看见）返回值。1.注意 加法的输出：不是"x+y"，而是"i\n", x+y希望做一个可以重用的加法函数。——简化代码2.scope作用域出现变量未被定义的情况。只在离他最近一层的{}内起作用。
2024-04-13 11:13:36
638
原创 计算机导论——C语言001
前言学习英语不是要记住所有单词，而是要懂得查字典（因为这样就可以理解单词，并会用单词造句子了）以下侧重于了解输出（side effects），即显示在屏幕上的。由可视化的拼图对应上实际的代码。
2024-04-12 11:39:31
1013
原创 深度学习的数学基础--Homework2
BP算法（误差反传）有两个过程：先是前向传播得到输出层的误差，再将基于其的误差信号反传，作为输入信号，加权得到隐藏层的误差。逐层向前~
2024-04-05 23:02:57
271
原创 《深度学习的数学基础》小结
激活函数是用于网络拟合过程中的模型部分，因此在模型输出之前（清醒点，不要和损失函数弄混！二是指出连续的S型函数对任意测度可区分，即存在一种方法能根据不同的标准（即测度，测度帮助获得物体属性，比如重量、颜色）能完成分类任务，这意味着连续的S型函数能实现建立模型完成数据分类、回归等任务，建模能力、泛化能力、算法选择上不那么受限；三是介绍Squashing函数（递增的S型函数）及其性质，说明递增的S型激活函数一定存在收敛子列，损失函数收敛有助于损失函数减小，这意味着提高模型的准确性、泛化能力和训练速度。
2024-04-05 12:39:50
362
原创 胡光辉老师FWI--报告记录
（梯度计算好理解，但是对初始模型和数据资料要求高）——求梯度的方法（伴随矩阵法能把要求两个算子，转化成只求一个算子）——注意细节，细节决定最终的成败。但是速度模型提高后如何偏移成像更高（像没有变好，破坏了原有的道集，制约成像质量提升的根本原因）——道集影响FWI这里没理解~全波形反演：精度高，反演速度是速度——最理想的情况：从叠前炮集直接到储层解释的工作。基于数据重构的FWI–把数据延拓到需要的面上来，利用特征波，先后，局部做。分析，人们意识到制约FWI的关键：”方法适应数据，而不是数据适应方法。
2024-03-22 19:11:34
357
原创 深度学习的数学基础--笔记02
因此，为了保证模型的泛化能力和评估结果的准确性，训练集和测试集需要满足相同的分布。——论文的idea：以往的损失函数是衡量整体的差异，能不能设计一个损失函数衡量个体的差异，从而实现对个体损失的控制，减少过拟合（设计的这个损失函数具有什么样的特点呢？都是用来描述随机变量的分布特征，但是针对不同类型的随机变量（连续型和离散型）而提出的概念。所以这个概念是一个理论上的概念，告诉我们能求得的误差也只是一种近似误差，不是真实的误差！用的/题干给的真实函数g）是无法获得的，能获得的只是部分真实地下数据（这相当于。
2024-03-21 22:35:16
511
原创 随记性总结０１
读文章前知道自己要哪个层面的收获——思想／视角层面；孙子兵法里有句话“宁可拙胜，不可巧久”，今天对这句话有了新的认识。文章不是读一遍的，多刷几遍的意义就在于每次刷的重点都不一样了。老师讲了一个去市场买鱼的例子：每个摊位都看VS直奔卖鱼的摊位。直奔重点，才能提速，从而避免＂看了后面忘记前面的＂问题。坚持该方法论——多刷几遍，好兵贵神速。做事和读文章有共通之处。
2024-03-15 16:43:49
75
原创 Python学习之代码规范
格式化就是按照一定规则进行排版。传统方法是用%占位，弊端是可读性差、错误难以发现、功能有限而且不安全。常用的方法是.format()和f-stringage = 25# 使用 format()# 使用 f-string（Python 3.6+）
2024-01-04 19:00:57
451
原创 文献阅读（二）
本文提出了一个用于断层识别的网络（叫FaultAdvNet），它有两个特点：一是使用小样本真实数据训练，属于轻量化NN，二是具有全局特征融合的优点。这两点不同于以往研究（网络提取的是目标层的局部特征，训练时候用的是合成数据）。那这样做有什么优点呢，一方面全局特征综合考虑目标和背景两部分信息，另一方面合成数据是对人工模型的正演模拟，经地质条件简化的模型难以反映地下复杂的实际构造情况，所以现场数据提供更多真实地下信息。本文使用的现场数据来自墨西哥湾。网络表现出了3方面优点：1.断层具有较好的连续性。
2023-11-18 11:50:04
96
原创 文献笔记--（2020）Seismic velocity estimation: A deep recurrent neural-network approach
CNN+RNN
2023-10-04 20:10:04
156
原创 地震反演名词之照明区域
在如图所示的速度模型上, 假设炮点为 (100, 0), 检波点从 (0, 0) 到 (200, 0), 检测深度为 1000. 理想情况下, 单炮所观测区域为 (0, 0), (50, 1000), (150, 1000), (200, 0) 这 4 个点所包围如果要进行速度模型反演, 则可将该, 作为反演的目标.要获得一个区域多炮的结果, 首先按照逆过程将反演的速度模型, 然后再叠加.问题：用上述方法进行正反演是否有道理？如果可行，考虑把照明区域（梯形）的速度模型作为标签来训练网络。
2023-09-07 19:20:27
347
原创 论文阅读之迁移学习（一）
深度学习以其用少量资源处理大量地震数据的优势，为地震速度模型重建提供了一种新方法。神经网络自动对地震数据进行建模（反问题的映射：地震数据->速度模型）。但它不适用于2D和3D真实数据。本文提出一种迁移学习策略（TL）网络构想：首先在较小的子问题（１D数据）上训练，其次将训练好的模型作为更大、更复杂数据的初始模型，类似于FWI的层次化多尺度模型。网络实施：建立逐层复杂的子目标；先训练一个用于估计水平层的速度模型，再训练用于估计2D 倾斜层模型（dipping layered）。TL策略优点。
2023-08-31 23:57:54
216
原创 研究周报（8.14-8.20）
从滤波器的角度理解，大地结构就是一个滤波器（不同地层有反射系数/噪音等等，一个复杂的系统），震源相当于激发的子波，波形和滤波因子褶积，那么接收到的就是人工合成地震记录（地震道）。把刚才输出的合成地震记录作为输入，进行反褶积，希望得到类似于反射系数的东西（解析出滤波器），也称反滤波。褶积是为了得到合成地震记录，子波经过滤波器（在不考虑噪音的情况下，就是与反射系数褶积）得到合成记录，也称滤波。注意*的含义：时间域里面是褶积，频率域里面先由时间域做傅里叶变换，在振幅谱是乘积，在相位谱是相加。
2023-08-19 23:24:26
170
2
原创 机器学习暑期培训（Day1）
1. 什么是智能？这个问题关于智能的本质。即智能是如何产生的（从感知到措施，形成一个闭环）从内容方面看，包括基础理论->关键技术->支撑应用（是一个过程）2. “十年为一个周期”3. 发展趋势：从好性能的网络如何应用-轻量化4. 关于1*1卷积的理解有很多，以下是关于卷积的处理5*5换成两个3*3深度可分离卷积：1*1拆成1*3和3*1逆残差网络（先升维再降维）
2023-08-04 00:40:31
76
空空如也
空空如也
TA创建的收藏夹 TA关注的收藏夹
TA关注的人