Sparse Bayesian Magnetic Inversion Based on Fast Relevance Vector Machine

Tianjiao Chen

doi:10.1109/jsen.2026.3728752

Sparse Bayesian Magnetic Inversion Based on Fast Relevance Vector Machine

2026-09-04

0

PRE

AI

DOI：10.1109/jsen.2026.3728752

原文链接

原文求助

摘要

En 中文

磁反演面临强非唯一性、大规模计算和低反演效率等挑战，严重限制了其在实际场景中的应用。为解决上述问题，本文引入并改进了基于Fast-RVM驱动的稀疏贝叶斯学习（SBL）框架，用于三维磁化率反演问题，形成了精细网格反演的实现方法。通过在磁化率参数上施加独立高斯先验，该方法实现了自适应超参数学习和模型参数的自动稀疏化。同时，利用Fast-RVM逐步识别并重新估计有效网格单元，后验更新仅在当前保留的有效子空间内进行。这减少了无关单元的计算参与量，缩小了解的规模以提高反演效率。合成数据和实测数据实验结果表明，所提出的方法能够良好地恢复地下目标的位置。与常规正则化方法相比，其计算效率显著提高，尤其在精细网格条件下优势更为明显。

Keyword:

Fast Relevance Vector Machine

fine-grid discretization

magnetic susceptibility inversion

sparse Bayesian learning

Sparse Bayesian Magnetic Inversion Based on Fast Relevance Vector Machine

摘要

期刊

机构

引用论文