科研之友
微信
新浪微博
Facebook
分享链接
摘要
在监督学习的三要素(数据、标签和模型)中，对标签的结构及地球物理意义的研究较少受到关注。当训练地震相分类这种多类分类模型时，通常将分类值转换为独热编码。由于手动解释的标签含有噪声，因此信息单一的独热编码在用于训练时很容易引起深度学习模型的过拟合。为此，在分析现有深度学习地震相分类存在的问题的基础上，引入了一种基于标签精炼的地震相标签动态生成方法，可以在不修改深度学习模型的基础上，提高预测准确率。首先制作包含空间信息的“先验标签”,替代独热标签送入深度学习模型进行训练；然后将前一次模型的输出结果作为下次训练的数据标签，依次迭代，不断更新该深度学习模型的网络权重与输出结果，从而得到具有更多信息量、更符合实际概率分布的地震相标签。F3工区与Parihaka工区数据的应用结果表明，该方法可以在不改变模型结构等其它超参数的条件下提高地震相预测的准确率。
-
单位中石化石油工程地球物理有限公司
