.png){kind=icon}
返回
Optimizing Regularization Parameters for Potential Field Data Inversion Using RPSNN
.png){kind=icon}
PRE
AI
DOI：10.1109/TGRS.2025.3590377.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
获取地下结构的一个重要方法是位场数据的反演，这是一个不适定问题。正则化反演是解决此类不适定问题的常用方法。正则化参数的选择决定了反演的精度和稳定性。然而，传统方法计算复杂度高，计算过程中可能引入参数选择的误差。我们讨论了现有方法的不足，并提出了一种正则化参数选择神经网络（RPSNN），用于计算位场数据反演的正则化参数。该网络旨在更有效地捕捉位场数据与正则化参数之间的关系。比较分析表明，我们的方法可以直接获得最优正则化参数（ORP），并导致更精确的反演结果。因此，我们的方法在位场数据反演的正则化参数选择方面更有效。数值实验表明，训练后的RPSNN在预测正则化参数方面优于现有方法，从而改善了反演问题的解。所提出的方法应用于长江中下游地区的庐枞矿集区，以获取地下5 km内的磁铁矿三维分布模型。结果表明，磁铁矿位置与正在开采的浅层矿物吻合良好，并通过钻孔数据得到验证，证实了矿集区深部存在可用资源。深部矿物的范围被圈定，以圈定有利的成矿区域。
Keyword:
Gravity inversion
ill-posed problems
regularization parameters
期刊
IF:
8.6
论文数:
2.1W
被引数:
10.7W
机构
引用论文
Amplitude-versus-angle inversion based on the L1-norm-based likelihood function and the total variation regularization constraint.png)
GEOPHYSICS
GEOPHYSICSIF3.2
PREAI
分享收藏Machine-learning-based prediction of regularization parameters for seismic inverse problems基于机器学习的地震反演问题正则化参数预测
PREAI
分享收藏
查看更多内容