Smale-FWI入门培训（三）

---

一、机器学习训练方法的要点

1. 学习率（Learning Rate）的核心作用

爬山比喻：学习率相当于调整步伐大小的参数。步子太大（高学习率）容易错过最优解，步子太小（低学习率）收敛速度慢。

动态调整策略：初期用较大学习率快速接近目标，后期逐步降低以精细调整。类似人类“先粗后细”的学习方式。

过拟合风险：学习率过高可能导致模型在训练集上表现好但泛化性差，需结合验证集监控。

2. 课程学习（Curriculum Learning）的阶段性训练

人类学习类比：从简单任务逐步过渡到复杂任务，如先学加减法再学微积分。
优势是避免模型初期因困难样本“摆烂”，提升收敛效率和稳定性。

3. 迁移学习（Transfer Learning）与元学习（Meta-Learning）

迁移学习	元学习
目标: 将从一个任务（源域）学到的知识迁移到另一个相关任务（目标域），提升目标任务的性能。	目标: 让模型“学会如何学习”，使其能在新任务上快速适应。
关注点: 跨任务或跨领域的知识复用。	关注点: 优化模型的学习策略和能力。

---

二、什么是观测系统？

由激发点（炮点）和检波器阵列组成，用于采集地震反射/折射信号。

单炮数据就是一次激发后，多个检波器采集的二位时间序列数据（检波点位置x时间），呈现中间强、两侧衰减的“山峰形”特征。

勘探深度与波传播时间及介质速度相关，需通过时深转换确定。

---

三、陆地观测系统

1.滑动窗口模式

炮点移动时，检波器阵列同步移动，形成对地下区域的多次覆盖观测。
两个方式：
1.多炮反演，丢掉最两边反演情况不好的。
2.单炮反演，将结果进行叠加。

这其实是实际的地震观测系统

2.多次覆盖优势

高数据信噪比，增加地下同一点被不同炮检对观测的次数。

3.OpenFWI的特殊性

研究中采用固定检波器+移动炮点的非对称设计，与实际滑动窗口系统存在数
据格式差异，导致模型迁移困难。

平常训练使用的观测系统

---

四、海上观测系统

1. 托缆技术即勘探船拖曳检波器阵列，船尾激发震源，沿航线连续采集。
2. 直达波数据干净（未受多次反射干扰），适合高精度成像。远距离检波器对应深层反射信号。
3. 三维观测即多缆并行采集形成面状观测，相比陆地线性观测效率更高。

---

总结

地震勘探依赖观测系统设计与数据质量，机器学习通过动态训练策略（学习率、课程学习）和跨域技术（迁移/元学习）提升模型实用性，未来需结合领域知识解决实际数据泛化难题。