典型文献
基于自注意力机制深度学习的重磁数据网格化和滤波方法
文献摘要：
重磁数据网格化和滤波结果直接影响解释结果,为此设计了合理的深度学习网络结构以实现高精度重磁数据网格化和滤波处理.建立基于自注意力机制深度学习的网格化方法,使用 自注意力机制层对二维位置编码进行处理,得到融合了全局与局部信息的位置编码向量,再将位置信息与异常信息融合输出节点异常,从而降低数据的失真性.针对重磁数据噪声具有随机性、条带状的特点,首先采用卷积神经网络进行噪声分类,针对条带状噪声和随机噪声分别采用 自注意力机制神经网络和卷积自编码器进行去除,可获得质量较高的基础数据.模型试验表明,深度学习的网格化结构相对常规方法更接近真实结果,所开发的滤波方法能很好地实现不同类型噪声的去除,为后续反演提供更准确的基础数据.将基于深度学习的网格化和滤波方法用于实际磁场数据的处理,获得了较好的结果,证明该方法具有较强的实用性.
文献关键词：
重磁数据;网格化;滤波;深度学习;自注意力机制
中图分类号：
作者姓名：
马国庆;王泽坤;李丽丽
作者机构：
吉林大学地球探测科学与技术学院,吉林长春130026
文献出处：
引用格式：
[1]马国庆;王泽坤;李丽丽-.基于自注意力机制深度学习的重磁数据网格化和滤波方法)[J].石油地球物理勘探,2022(01):34-42
A类：
B类：
自注意力机制,重磁数据,数据网,网格化,滤波方法,深度学习网络,高精度重磁,滤波处理,位置编码,局部信息,编码向量,位置信息,异常信息,信息融合,点异常,失真,真性,数据噪声,随机性,条带状,噪声分类,随机噪声,卷积自编码器,模型试验,常规方法
AB值：
0.256457
相似文献
机标中图分类号，由域田数据科技根据网络公开资料自动分析生成，仅供学习研究参考。
