数据驱动的地震波形反演：关于鲁棒性与泛化性的研究
信号处理
2019-06-07 v8
摘要
声波与弹性波波形反演是重建地下速度图像的一种重要且广泛使用的方法。波形反演是一个典型的非线性且不适定逆问题。现有的物理驱动计算方法在求解波形反演时存在周期跳跃和局部极小问题，且求解波形反演的计算代价高昂。近年来，数据驱动方法成为解决波形反演问题的一种有前景的途径。然而，大多数深度学习框架存在泛化与过拟合问题。在本文中，我们开发了一种实时数据驱动技术，称之为 VelocityGAN，以准确重建地下速度。我们的 VelocityGAN 构建于生成对抗网络（GAN）之上，并以端到端方式训练，以学习从原始地震波形数据到速度图像的映射函数。与其他基于编码器-解码器的数据驱动地震波形反演方法不同，我们的 VelocityGAN 从数据中学习正则化，并进一步将该正则化施加于生成器，从而提高了反演精度。我们进一步基于 VelocityGAN 开发了一种迁移学习策略以缓解泛化问题。我们在合成地震反射数据上进行了一系列实验，以评估 VelocityGAN 的有效性、效率和泛化性。我们不仅将其与现有的物理驱动方法和数据驱动框架进行比较，还进行了若干迁移学习实验。实验结果表明，VelocityGAN 在基线方法中取得了最先进的性能，并能在一定程度上改善泛化结果。
引用
@article{arxiv.1809.10262,
title = {Data-driven Seismic Waveform Inversion: A Study on the Robustness and Generalization},
author = {Zhongping Zhang and Youzuo Lin},
journal= {arXiv preprint arXiv:1809.10262},
year = {2019}
}