Speaker
Description
Нейросетевой подход активно развиваются в том числе в сфере обработки геофизических наблюдений [1, 2]. В докладе представлен метод инверсии гравиметрических и магнитных полей на основе глубокой нейросети. Одним из ключевых факторов эффективного обучения нейросети, является построения обучающего набора данных (датасета). В работе проведен анализ различных способов построения датасетов для повышения точности получаемых решений, которая оценивается в различных метриках. На основе указанного анализа строится обобщающий алгоритм, позволяющий выбрать оптимальную модель для восстановления произвольного обьекта, когда нет a priori данных о принадлежности его одному из исследуемых классов. Также проводится сравнительный анализ преимуществ и недостатков нейросетевого подхода по сравнению с классической регуляризацией [3, 4], причем комбинированное использование указанных подходов позволяет преодолеть ряд недостатков.
Работа выполнена при финансовой поддержке Российского научного фонда (код проекта 23-41-00002).
Список литературы
1. Igor Isaev, Ivan Obornev, Eugeny Obornev, Eugeny Rodionov, Mikhail Shimelevich𝑐 and Sergey Dolenko "Neural network solution of inverse problems of geological prospecting with discrete output." Proc. of Science. Vol. 410. 2021.
2. Zhou, S.; Wei, Y.; Lu, P.; Yu, G.; Wang, S.; Jiao, J.; Yu, P.; Zhao, J. A Deep Learning Gravity Inversion Method Based on a Self-Constrained Network and Its Application. Remote Sens. 2024, 16, 995.
3. Wang, Y.; Leonov, A.; Lukyanenko, D.; Yagola, A. General Tikhonov regularization with applications in geoscience. CSIAM Trans. Appl. Math. 2020, 1, 53–85.
4. Страхов В.Н., Степанова И.Э. Метод S- аппроксимаций и его использование при решении задач гравиметрии // Физика Земли № 7, 2002, с. 3-12.
| Секция конференции | Математическая геофизика |
|---|
