- 博客(80)
- 资源 (2)
- 收藏
- 关注
RSS订阅原创 第四次课：激活函数
激活函数的引入为神经网络提供了非线性变换的能力。没有激活函数，即使神经网络有多个层次，其输出仍然是输入的线性组合，这将限制其表达复杂函数的能力。通过使用非线性激活函数，神经网络能够学习和表示更复杂的任务和模式。
2024-04-02 21:35:33
834
原创 数字图像处理之matlab实验（四）：频域滤波器及图像复原
傅里叶变换后的可视化，通常通过功率谱和相位谱来展现。且都有对应的物理意义。傅里叶谱（幅度谱）告诉我们图像中某种频率的成分有多少。低通和高通滤波器实际上是作用于幅度谱。相位谱告诉我们频率成分的具体位置。
2024-03-31 20:33:08
1253
1
原创 全波形反演之卷积、自相关、互相关（2）
使用深度学习的全波形反演方案，面临的一个重要问题就是带标签的数据不足，往往我们会从合成尽可能真实的速度模型（输出标签）和地震数据（输入数据）入手。通常的做法，当获得足够多的合成数据时，在合成数据上训练，在真实数据上测试。有学者，从信号处理的角度，利用卷积、自相关、互相关等，描述了一类新的方法来增强对具有真实数据特征的合成数据的监督训练（领域自适应）。
2023-12-13 17:28:05
229
原创 全波形反演之卷积、自相关、互相关（1）
比如，当 t 为0时，两个信号一模一样，此时值最大。它可以用来发现信号中的重复模式，如被噪声掩盖的周期信号。自相关函数的极大值能够很好地体现信号中的周期性分量。
2023-12-13 11:10:38
297
原创 手把手教你写FWI代码5：网络训练
目录网络的训练过程如下：1、加载数据，包括：训练集、验证集1）确定设备2）确定数据和标签归一化方式 3）初始化训练集和验证集4） 加载数据集2、定义损失函数、学习率、优化器1）损失函数2）学习率3）优化器3、加载模型， 这里考虑是否加载预训练模型1）加载模型 2）加载预训练模型4、开始训练，训练模型、损失函数的保存，验证的评价指标的保存1）训练模型2）评价模型3）保存训练训练的模型2）确定数据和标签归一化方式 3）初始化训练集和验证集4） 加载数据集2、定义损失函数
2023-11-23 11:55:38
223
原创 手把手教你写FWI代码3：关于数据处理
综合起来看，其实就是告诉它所有数据的长度，它每次给你返回一个shuffle过的index,以这个方式遍历数据集，通过 __getitem__(self, index)返回一组你要的（data,label）补充归一化的内容。
2023-11-21 21:04:38
161
原创 手把手教你写FWI代码2：关于参数设置
目录argparse 对象的用法1、导入库2、定义命令行解析器对象 3、添加命令行参数4、从命令行中结构化解析参数5、 取对象的成员变量进行修改项目参数设置往往会放在train 或 test 文件中，用的 argparse 对象。如下述代码的呈现，可以看到args 是参数对象，main才是要处理的业务流程。 argparse 对象的用法1、导入库2、定义命令行解析器对象 3、添加命令行参数4、从命令行中结构化解析参数5、 取对象的成员变量进行修改
2023-11-21 18:23:47
129
原创 手把手教你写FWI代码1：将代码运行成功。
版本依赖分为三种情况：a. CUDA 决定了 Pytorch 的版本。CUDA安装参考深度学习GPU环境CUDA详细安装过程（简单快速有效） - 知乎 (zhihu.com)在anaconda环境中使用conda命令安装cuda、cudnn、tensorflow（-gpu）、pytorch_conda安装cuda-CSDN博客b. 有些包之间存在版本依赖关系，如Pytorch 决定了torchvision的版本。
2023-11-21 12:30:28
340
原创 手把手教你写FWI代码0：前言
每一个故事的开始总是很美好，理想的情况下，我希望按照上面的思路完成代码讲解。但现实总是很骨感，因为学习者希望尽快的缩短听我嘚嘚的时间，因此直接就从困难的丰富的直接可用的例子开始，再辅以每一步为什么需要这样做的动机，应该也是很不错的。（闵老师教我的）每一个科研coder都是孤单的，因为没有人和你写一模一样的代码，你甚至无法判断它是对是错，那只有看每一步的结果是否符合自己的预期，才能给出相对客观的评价！更好的是给一个简单的例子，再迁移出特定场景下的困难的例子，最终再丰富这个困难例子的功能。
2023-11-21 09:04:38
217
原创 地震勘探原理自问自答
2、以陆地勘探为例，炮点激发，将地下介质近似为弹性介质，由激发信号经过地下介质的传播，在地表上采集到的信号称为地震数据，也就是我们常说的正演过程。地震数据包含：体波（反射比、直达波、折射波等）、面波（勒夫波、瑞利波/地滚波）、噪声。比如，是否含有面波？1、二维/三维（陆地/海洋）地震勘探，炮点（激发点）和检波点（接收点）的排布位置如何？2）利用合成数据去做反演，和利用真实数据去做反演，他们的反演过程/结果会有什么差异？3、请标出真实数据中的直达波、反射波、折射波、面波、初至波、噪声？
2023-10-16 09:28:12
218
原创 地震数据采集0: 观测系统
由于单次覆盖获得的地震数据信噪比比较低，通过设计激发点和接收点的空间位置，对地下反射点进行多次观测，观测的次数叫做覆盖次数，用以提高信噪比和成像效果，这种做法称为多次覆盖观测系统。测线上，激发点和接收点的相互空间位置关系，称为观测系统。道间距: 相邻检波器的距离，影响横向分辨率。排列长度：最近检波器与最远检波器之间的距离。分为：一维、二维、三维、四维观测系统。偏移距：应小于最小的目的层深度。炮检距：炮点和检波器间的距离。反射点距：反射点P之间的距离。炮间距：相邻激发点的距离。
2023-10-11 19:35:30
759
原创 地震数据处理4：地震水平叠加处理 vs 偏移处理
地震偏移的原理没看明白？偏移分为叠前偏移和叠后偏移。什么情况下需要偏移？倾斜反射层未知错误、断层扭曲、向斜扭曲、背斜扭曲。
2023-10-10 09:02:08
503
原创 地震数据处理3： 几种地震速度之间的关系
水平层状介质的时距曲线近似看成是双曲线，求出的速度，就是这一水平层状介质的均方根速度。该层的平均速度，与该层和其上层的速度有关。利用平均速度可以做时深转换，做深度构造图。水平层状介质，叠加速度与均方根速度相等。
2023-10-09 17:22:19
419
原创 地震数据处理2：地震静校正处理 vs 地震动校正处理
通过补偿，减少经过起伏地表、风化层、低速带的时间。好像信号就是从一个基准面激发和接收的。静校正中需要矫正的时间量为静校正量，一般用毫秒表示。针对共中心点道集的时距双曲线，纠正为直线，称为动校正。1）静校正 观察数据是共炮集 消除地表起伏影响 校正量有正有负2）动校正 观察数据是共中心点道集 消除炮检距地影响 校正量永远为正。
2023-10-09 16:27:35
759
原创 地震数据处理1：二维数字滤波与地震反褶积
地震数据中包含：面波、反射波、折射波、工业干扰、风干扰、声音干扰等。在数据处理过程中，可以利用有效波与干扰波在频谱上的差异，进行数字滤波。地震记录的自相关代替子波的自相关的前提条件：子波是最小相位的（实际上是混合相位）， 反射系数是随机的白噪声系列（实际上也不是白噪声）希望，在地震记录上每个反射波表现为一个窄的脉冲，脉冲的强弱与界面的反射系数大小成正比，脉冲的极性反映界面反射系数正负。地震记录：许多反射子波叠加的结果。将信号从时间-空间域，转换到频率-波数域，浅层折射波和反射波就可以分开。
2023-10-09 12:03:20
568
原创 地震数据去噪
受复杂自然环境等因素的影响，野外采集到的地震数据不可避免地会受到噪声的干扰，进而影响地下结构成像和地震资料的解释。因此压制地震数据中的噪声，提高地震数据的信噪比，在地震数据处理领域有着极为重要的意义。在地震勘探中，根据噪声传播规律的不同，。相干噪声一般包括面波、折射波、多次波等，这是一类具有特定频率和特定视速度的噪声。而不相干噪声没有特定频率和特定传播方向，通常会在地震记录上形成杂乱无章的干扰。不相干噪声通常等同随机噪声。
2023-09-27 12:25:56
1585
原创 网络工程实训（数通）0：大纲与成绩评定
第一天：环境配置；华为VRP系统基本操作第二天：路由实验：IPv4 路由基础实验；OSPF 路由协议基础实验第三天：VLAN实验（一）：VLAN配置；生成树基础实验；第四天：VLAN实验（二）：以太网链路聚合实验；VLAN间通信实验；第五天：网络安全基础：访问控制列表配置；本地AAA配置；网络地址转换配置；第六天：基础网络服务与应用配置：FTP基础配置；DHCP基础配置；第七天：构建基础WLAN 网络第八天：数通综合实验（一）第九天：数通综合实验（二）第十天：数通综合实验（三）
2023-09-03 20:41:58
215
1
原创 网络工程实训 （数通）1：构建互联互通的IP网络
当提到“组网设备”，通常指的是构建计算机网络的各种设备，这些设备协同工作以实现数据通信和资源共享。：路由器是网络中的关键设备，用于连接不同的子网或网络，并根据IP地址转发数据包。它能够根据网络协议来决定数据包的最佳路径，以实现不同网络之间的通信。：交换机用于在局域网内传输数据。它根据MAC地址学习和转发数据帧，以将数据包从一个端口转发到另一个端口，从而实现设备之间的直接通信。：防火墙用于保护网络免受未经授权的访问和恶意攻击。它可以过滤流入和流出网络的数据包，根据预定义的规则允许或阻止流量。
2023-08-31 11:04:33
317
原创 网络工程实训（安全方向）1：网络通信体系结构
网络通信体系结构, 包括 OSI模型和TCP/IP 模型，他们都可以用于描述计算机网络中不同层次之间的通信和协议交互。与 OSI 七层模型相比，减少了一些层次。
2023-08-16 17:39:54
128
原创 网络工程实训（安全方向）0：目录
在项目开始，我们会搭建一个通用的网络（利用eNSP），让大家感受数据的流向，以及可能在其中数据受到的干扰。9）表达层（Presentation Layer）安全策略。10）应用层（Application Layer）安全策略。5）数据链路层（Data Link Layer）安全策略。7）传输层（Transport Layer）安全策略。4）物理层（Physical Layer）安全策略。6）网络层（Network Layer）安全策略。8）会话层（Session Layer）安全策略。
2023-08-16 09:03:46
100
原创 域适应编程：加载数据
在读取数据到把数据输入网路之前，我们经常需要变换数据的维度，数据类型等。我们处理的数据，可能是seg-y文件、mat文件或者npy文件。在这个阶段，通常数据是ndarry类型。以下总结常用的数据处理操作。
2023-07-31 21:21:35
70
原创 Pycharm 中的中文乱码问题
Python的默认编码方式是ASCII，如果在Python源码中包含了中文（或者其他非英语语言），即使将Python源文件以UTF-8格式保存了依然是不行。
2023-05-19 16:48:27
2628
原创 归一化（Normalization） or 标准化（Standardization）?
简而言之，归一化将数据缩放到0和1之间，保留数据分布的形状，对取值范围未知或差异较大的特征适用。标准化将数据转换为均值为0，标准差为1的分布，使得所有特征具有相似的尺度，对取值范围已知且差异不大的特征适用。在深度学习中，归一化（Normalization）和标准化（Standardization）是两种常见的数据预处理技术，用于将输入数据调整到合适的范围，以提高模型的训练效果。最常见的归一化方法是将每个样本的特征值减去最小值，然后除以最大值和最小值之间的差值。是将数据转换为均值为0，标准差为1的分布。
2023-05-19 15:46:13
677
原创 无监督域适应 （UDA）（1）
经典机器学习假设训练集和测试集来自相同的分布。然而，这个假设在现实世界的应用程序中可能并不总是成立，例如，数据来源不同。这种情况下，域分布之间会存在差异，直接将训练好的模型应用于新数据集可能会导致性能下降。本贴主要讨论（有标签的源域、无标签的目标域）。
2023-05-09 17:21:25
3380
1
空空如也
TA创建的收藏夹 TA关注的收藏夹
TA关注的人