摘要

人工神经网络是通过从大量训练数据中学习来拟合复杂非线性函数的有效方法,属于一种数据驱动的机器学习方法。人工神经网络应用于地震反演时可以得到更高分辨率和精度的结果,有着优于传统反演方法的泛化能力和非线性拟合能力。本文对人工神经网络的发展脉络进行了回顾,梳理了基于梯度的学习过程中代价函数的作用,反向传播学习算法的思路,激活函数的不同类型,以及万能近似定理等。特别是对热门的深度神经网络,按照时间先后顺序总结了带卷积核的LeNet-5、AlexNet、VGGNet、GoogLeNet、ResNet、UNet、自编码器和GANs等经典模型。在此基础上,本文分析了深度神经网络在反射系数和子波反演、速度反演、波阻抗反演和地震结构反演中不同网络的拓扑结构、学习算法、激活函数和训练样本等。最后,本文归纳和讨论了用于地震反演的有监督端到端学习网络的流程和关键影响因素等,展望了融入物理规律、基于反演目标函数展开的专用地震反演网络。