摘星星的屋顶

2023年12月16日~12月22日（自适应反馈机制下基于卷积神经网络的高清晰反射波反演算法：CNN-RWI）

标题：Adaptive Feedback Convolutional-Neural-Network-Based High-Resolution Reflection-Waveform Inversion

全波形反演（FWI）是一种非线性拟合观测地震记录从而获得高清晰速度模型的最优化算法。FWI能够通过拟合浅层初至波和反射波获得较准确的浅层速度模型，并通过拟合观测到的反射波数据来更新界面。但是，FWI通常无法通过拟合深层反射波获得较准确的深层速度模型（包括背景速度和反射界面信息），因为模型梯度中的反射界面信息（偏移成分）比背景速度信息（层析成像成分）更加显著。因此，FWI主要更新深层反射界面而不是深层背景速度，而背景速度的误差会降低反射界面准确性。因此，FWI很难为地震资料解释和油气储藏分析提供准确的深层速度模型。

随着深度学习在计算机视觉等领域获得重大突破，利用深度学习预测速度模型（包括浅层和深层背景速度以及界面信息）成为了地震参数反演领域的研究热点之一。当有代表性的速度模型库可供深度学习训练和验证时，深度学习可以有效基于先验信息（比如观测地震记录或偏移图像）预测真实速度模型。然而，目前地震勘探领域并没有能够广泛代表各种不同构造的速度模型库。

中国科学院地质与地球物理研究所油气资源研究院重点实验室吴毓朗博士后与合作导师王彦飞研究员，以及美国得克萨斯大学达拉斯分校George A. McMechan教授展开合作，提出一种自适应反馈机制下基于卷积神经网络（CNN）的高清晰反射波反演算法（CNN-RWI），反复应用迭代更新的卷积神经网络（CNN）从平滑的初始速度模型（层析成像分量）和高分辨率偏移图像（偏移分量）预测真实速度模型。该算法既不需要拟合地震记录也不依赖广泛代表各种不同构造的速度模型库，而是通过自适应地聚类切割先验速度模型构建训练样本，利用不断改进的CNN，准确预测高清晰速度模型（包括浅层和深层的背景速度以及反射界面信息）。CNN由更具代表性的训练数据集迭代更新，该训练数据集是通过所提出的空间约束分裂分层k-means分组方法从最新的CNN预测速度模型中获得的。训练速度模型越有代表性，CNN预测的速度模型就越准确。使用Marmousi 2 P波速度模型的不同部分的合成实例表明，CNN-RWI反演速度模型的较浅和较深部分比共轭梯度FWI（CG-FWI）更准确。CNN-RWI和CG-FWI都对起始速度模型的准确性和未知真实速度模型的复杂性敏感。

本文提出利用卷积神经网络（CNN）从通过地震数据预处理（即，先前的初始速度模型和相应的偏移图像）。为了克服缺乏代表性速度模型作为训练标签，实现自适应反馈机制以从最新获得的先验速度模型（在第一次迭代时的较不准确的先验开始速度模型和在随后的迭代时的逐渐更准确的CNN预测的速度模型）迭代地构建越来越多的代表性训练速度模型。我们还建议迭代地和自适应地将最新获得的先验速度模型划分为许多块特征，以获得其相对较低维的随机扰动来构建训练速度模型。合成实例表明，提出的基于CNN的反射波形反演（CNN-RWI）与传统的共轭梯度全波形反演（CG-FWI）一样，基于相同的先验起始速度模型来估计速度模型，但CNN-RWI对速度模型的反演精度高于CG-FWI。

一、Introduction—介绍

全波形反演（FWI）是一种强大的算法，用于执行最小二乘非线性数据拟合优化以估计高分辨率速度模型。通过对源波场和剩余波场进行零滞后互相关而获得的常规FWI梯度可以分为三个分量：（a）从直达波、折射波和潜水波获得的低波数分量，（b）与反射相关联的低波数（层析成像）分量，以及（c）与反射相关联的高波数（偏移）分量。由于直达波、折射波和潜水波（相对于反射波）的穿透深度较浅，并且由于它们在源波场和剩余波场中的波径重叠，如果走时误差在半个周期内（Virieux & Operto，2009年），梯度的这一分量可以有效地主要更新较浅的背景速度模型。由于初始模型通常是光滑的，在FWI的第一次迭代中，梯度主要由震源波场与界面处反射主导的剩余波场的相互作用给出。因此，在第一次迭代中，反射波主要提供界面处FWI梯度的高波数分量（偏移分量）。在下面的迭代中，源和反射相关的剩余波场在界面处创建相应的散射波。然后，从反射波获得FWI梯度的低波数（层析）分量，因为源和反射相关的剩余波场的波径与在界面处散射的波重叠。界面处的反射相关的高波数（迁移）分量通常比界面上方的反射相关的低波数（层析成像）分量高一个数量级。因此，在平滑的起始速度模型下，常规FWI主要通过拟合观测到的反射数据来更新更深的界面，而不是更深的背景速度模型。

为了有效地通过层析分量更新背景速度模型，主要有三种类型的反射波形反演（RWI）被提出来保留层析分量，但从梯度中去除偏移分量。第一种策略是基于入射波场和反射波场分别向下和向上传播的假设来分离上行波场和下行波场（Chi等人，2017; Fei等人，2015; Hu和McMechan，1987; Lian等人，2018年; Liu等人，2011; Wang等人，2013年）。然而，如果一个层具有较大的倾角，偏移分量不能被完全去除，因此它导致背景速度模型在错误的方向上被更新。为了分离垂直和水平方向上的入射波场和反射波场，Barbor和Warner（2016）提出使用一对1D双向波动方程来分别模拟垂直和水平波传播。第二种策略是应用散射角滤波，基于层析成像分量对应于接近180°的散射角的假设（Alkhalifah，2014; Khalil等人，2014; Wu & Alkhalifah，2015，2017; Yao等人，2018年，2019年）。第三种策略是应用Born建模来分离层析成像和偏移分量（Sun等人，2017; Wu & Alkhalifah，2017; Xu等人，2012; Yao & Wu，2017）。Ma等人（2012）提出利用图像引导插值及其伴随算子从偏移图像获得稀疏模型，并将反演约束为从稀疏模型插值的块状模型。Wang等人（2021年）提出了一种基于广义内部多次成像的RWI（GIMI-RWI），将数据残差与为每个源-接收器对存储的反射核进行卷积，以更新层析成像速度。因此，GIMI-RWI避免了Born模型的反偏移，也是源独立的更新速度沿着波路径。我们参考Yao等人（2020）对RWI的概述。

卷积神经网络（CNN）首先在计算机视觉领域中被开发用于图像分类（福岛& Miyake，1982; Krizhevsky等人，2012; LeCun等人，1989年、1990年、1998年）。CNN在计算机视觉中的成功部分归功于许多开放访问的大型数据集，例如ImageNet数据集（Deng et al.，2009）和Microsoft COCO数据集（Lin等人，2014年）。这些图像数据集包含数千个随机选择和标记的代表性图像（例如，人、动物、物体等）。然后，这些代表性的图像数据集被分为训练、测试和验证数据集，用于CNN应用。由于CNN在计算机视觉中的成功，它迅速成为直接从原始地震数据或偏移图像预测速度模型的流行工具（Araya-Polo等人，2018; Lin & Wu，2018; Liu等人，2021; Wang & Ma，2020; Yang & Ma，2019; Zhang & Gao，2021）。预测速度模型的这些CNN应用取代了传统的波动方程引导过程（例如，计算FWI和RWI中的模型梯度以拟合地震数据），通过训练CNN来近似训练数据集中的映射关系。因此，传统FWI和RWI中的关键问题（例如，更新速度模型、循环跳跃等）转换为训练速度模型的选择偏差和CNN的过拟合。过度拟合是一种现象（Chicco，2017），即CNN训练中最小化的性能误差不会导致CNN更准确地预测未知的真实速度模型。因此，训练速度模型是否代表未知的真实速度模型（或者未知的真实速度模型是否在训练模型的分布范围内），成为应用CNN预测速度模型的有效关注点和关键问题。

不像具有相对小种类的目标的类型、形状和轮廓的图像数据集（例如，人、动物、物体等），地球包含现实的、复杂的地质模型，其具有许多随机形状的各种层、盐和断层。更糟糕的是，大多数地质模型要么是未知的，要么不是开放的。为了弥补缺乏代表性的真实速度模型，许多CNN应用程序依赖于训练速度模型，这些模型是根据特定规则生成或选择的，而不是目标区域中真实地质结构的先验信息。Araya-Polo等人（2018）生成了具有随机断层和盐体的速度模型。Lin和Wu（2018）以及Zhang和Gao（2021）生成了具有随机平坦地下层和具有断层的弯曲地下层的速度模型。Yang和Ma（2019）生成了具有平滑界面曲率和随深度增加的速度值的随机速度模型。然后，将具有随机形状和位置的盐体嵌入到每个随机模型中。Wang和Ma（2020）将自然图像（例如，从Microsoft COCO数据集），其结构和细节丰富，到速度模型。Liu等人（2021）通过应用多个随机三角和线性方程生成连续、波动和复杂的曲线，生成致密层、断层和盐体模型。因此，以这些方式创建的随机速度模型或多或少地受到选择偏差的影响（即，速度模型不能合理地表示目标区域，因为它们不是从相同的分布绘制的）。因此，将随机速度模型划分为训练、验证和测试数据集来训练和测试CNN，由于随机速度模型的选择偏差，不能保证准确预测目标区域中的真实速度模型。

Kazei等人（2021年）提出通过应用复杂的图像处理程序（翻转、裁剪、失真等）从引导模型生成随机速度模型。然后，训练CNN以近似从完整地震波形到1D垂直速度剖面的映射，与2D速度模型相比，1D垂直速度剖面更随机地采样和选择（具有更少的选择偏差）。因此，他们的方法可以有效地训练一个过拟合程度较低的CNN来反演速度模型剖面。基于给定的起始速度模型而不是随机速度模型集来训练CNN的另一种方法是将CNN应用为函数逼近器以重新参数化，然后替换给定的起始速度模型以自动捕获其显著特征作为CNN域FWI中的先验信息（He & Wang，2021; Wu & McMechan，2018，2019; Zhu等人，2022年）。然后，CNN域FWI迭代地将反演主要约束到CNN隐藏层中的这些捕获的特征，作为隐式正则化，以最小化数据残差。在反演之后，CNN准确地预测速度模型。尽管CNN域FWI不需要代表性的训练速度模型集，但需要起始速度模型，如传统的FWI和RWI所做的那样，起始速度模型中不太显著的特征（其在预训练步骤中不由CNN自动捕获）不能被CNN域FWI准确地反演。因此，CNN域FWI比FWI或RWI更适合于针对具有显著特征（例如，盐体）。

在本文中，我们提出了一个基于卷积神经网络的反射波形反演（CNN-RWI），迭代应用CNN预测速度模型从原始的起始速度模型和相应的原始偏移图像，这两者形成的先验信息顺序地通过地震预处理获得。CNN-RWI主要包含两个循环。内循环是CNN训练步骤，其迭代地训练CNN以从对应的训练起始速度模型和训练迁移图像近似训练速度模型。提出的CNN-RWI和传统的CNN应用程序之间的主要区别是预测速度模型的外循环。预测速度模型的传统CNN应用程序仅遵循三个连续的主要步骤：训练模型准备，CNN训练和CNN预测。相比之下，CNN-RWI的外循环迭代地遵循这三个顺序步骤，直到CNN-RWI收敛（例如，数据或传播时间误差被最小化）。具体地，在CNN-RWI的外循环中，通过应用所提出的分组方法来划分在先前迭代中获得的CNN预测的速度模型以生成随机训练速度模型，来准备训练速度模型。然后，在对最新生成的随机训练速度模型进行CNN训练之后，应用CNN从原始起始速度模型和对应的原始偏移图像再次预测未知的真实速度模型。然后，在下一次迭代中，将对CNN预测的速度模型进行分区以准备训练速度模型。双循环机制使CNN-RWI能够动态调整选择偏置训练速度模型，以从原始起始速度模型和相应的原始偏移图像逐渐预测更准确的速度模型。因此，CNN-RWI不是像FWI或RWI那样最小化数据残差，而是以迭代深度学习的方式将训练速度模型以及CNN预测的速度模型的分布动态地移向未知的真实速度模型，以隐式地减少选择偏差。

CNN-RWI与FWI、RWI、预测速度模型的CNN应用和参数CNN域FWI相比具有以下优点。首先，对于更深的速度模型的反演，FWI和RWI主要更新界面和背景速度，分别，而CNN-RWI有效地更新它们。其次，FWI和RWI都依赖于较低频率的数据，使得走时误差在半个周期内，以避免在数据拟合过程中的周期跳跃，而CNN-RWI更喜欢较高频率的数据，以获得较高分辨率的偏移图像作为CNN输入数据，因为CNN-RWI不需要数据拟合过程。第三，用于预测速度模型的常规CNN应用可以被视为CNN-RWI的特殊情况，其在外循环中仅具有一次迭代，以训练CNN以准确地近似训练模型，其通常不能表示目标区域中的未知真实的速度模型（并且因此表现出选择偏差）。最后，参数CNN域FWI更准确地反演了起始速度模型中的显著先验特征，但未能有效地应用具有显著反射主导界面的FWI梯度来更准确地更新速度模型的更深部分。相比之下，基于CNN的RWI结合了起始速度模型和偏移图像中的先验信息，以准确预测所有深度的速度模型。

本文的结构如下。我们首先介绍了CNN-RWI算法的流程图。然后在合成实施例部分中，将CNN-RWI与由PySIT工具提供的共轭梯度FWI（CG-FWI）进行比较（Hewett等人，2020），以反演Marmousi 2 P波速度模型的三个不同部分（Martin等人，2006年）。在这些裁剪的Marmousi 2模型上的合成实例表明，CNN-RWI优于CG-FWI来反演速度模型。合成的例子还表明，CG-FWI的第二遍，需要帮助CNN-RWI进一步反演的速度模型的较浅的部分，这是部分省略的CNN-RWI在第一遍。

二、Methodology of CNN-RWI—CNN-RWI方法

CNN-RWI是一种迭代反演，利用CNN从初始速度模型和相应的原始偏移图像重复预测速度模型。假设初始速度模型是通过反射层析成像或基于偏移速度分析（MVA）从观测数据中获得的。通过（RTM）可以得到相应的原始偏移图像I(x)，其中图像由下式给出：

$I(x)=\int_{0}^{T}\bigcup_{s}^{}(x,t)\bigcup_{r}^{}(x,t)dt$

其中， $\bigcup_{s}^{}(x,t)$ 和 $\bigcup_{r}^{}(x,t)$ 分别是在x的位置和时间t处传播到起始速度模型的源波场和接收器波场。T是最大时间。

图1显示了CNN-RWI的工作流程，其中包含外部和内部循环。

内部循环是CNN训练，迭代更新CNN以适应训练速度模型（图1中的红框）。

其中外循环（见图1桔色箭头）又可分为五个部分：

（1）准备随机速度模型作为训练标签（见图1紫色框）；

（2）CNN训练（即内循环；见图1红色框）；

（3）CNN预测（见图1黑色框）；

（4）误差估计（见图1 Error evaluation）；

（5）动态调整训练样本集（见图1向上的桔色箭头）。

在CNN-RWI开始时，一旦计算出初始速度模型和对应的原始偏移（RTM）图像，将其固定，并在每次迭代时反复输入到CNN中，，在CNN的预测部分（黑框）中预测未知的真实速度模型。由于CNN预测的CNN输入数据在每次迭代时都是固定的，所以CNN-RWI的主要任务是动态调整选择偏差较小的训练速度模型来更新CNN。因此，CNN-RWI的核心思想是，训练速度模型对未知真实速度模型的表达越好，CNN训练部分的过拟合就越少，CNN对未知真实速度模型的预测就越好。

图1 CNN-RWI算法流程图。右侧红框和黑框内子流程图为相应左边红框和黑框的细节部分

2.1 Preparation of the Training Velocity Models—训练速度模型的准备

CNN—RWI的一个关键是从先验速度模型（紫色框）中准备训练模型。对于CNN-RWI的第一次迭代，最佳先验速度模型是初始速度模型，它通常通过对观测到的地震速度进行预处理（如：走时层析成像或MVA）来预估未知的真实速度模型。在接下来的CNN-RWI迭代中，最佳先验速度模型成为最新的CNN预测速度模型。

训练速度模型的准备包括两个主要过程：从先验模型生成模型基础，从模型基础生成训练速度模型。通过将先验速度模型分割成空间相关和连通的特征来创建模型基础。然后，利用模型基础建立训练速度模型。

2.1.1. Generation of the Model Basis From a Prior Velocity Model—从先验速度模型生成模型基础（未完）

文章提出了一种空间约束的分层K-means分割方法，将速度模型分割为空间相关和连接的特征，作为模型的基础。McMechan（1983a）提出了区分图像并寻找局部最大值以包裹偏移的公共中点剖面。因此，该方法分割的特征数量取决于图像的梯度。传统的k-means方法（Forgy，1965; Lloyd，1982; MacQueen，1967）也不适用于分割，因为传统的k-means方法不能保证空间连续性。所提出的parcellation方法结合了k-means与区域增长，在分裂（自上而下）的层次结构。

一个临界超参数是最小特征尺寸的阈值，它是决定特征是否需要进一步细分的标准。该阈值在衡量每个特征的均匀性和最小尺寸方面起着关键作用。阈值应设置为最大化特征的数量，而不会产生无意义的小的散射区域。本文所提出的分割方法的数学解释被分成以下七个步骤，并且在算法1的伪代码中描述。

步骤一：K-mean聚类的应用

应用k-means聚类方法，k = 2，将先验速度模型V划分为两个不相交的聚类C1和C2，其中：

$V=C_1{}\cup C_2{},C_1{}\cap C_2{}=\varnothing$

通过最小化损失函数，获得两个不相交的聚类C1和C2。

算法1：空间约束分裂层次k-means

procedure 当模型的大小（网格点数量）小于阈值时，设置一个阈值作为停止标准。

空间约束k-means（模型）

if 模型大小≥阈值，则：

1.根据速度分布，应用k=2时的k-means将模型划分为两个聚类簇a和b

2.分别找出聚类a和b最大区域x和y

3.让区域x和y竞争合并模型中的其它区域

4.根据区域x和y将模型拆分为子模型A和子模型B

5.空间约束k-means（子模型A）

6.空间约束k-means（子模型B）

end if

7.将模型保存为叶子节点（模型基础中的一个组件）

end procedure

$D(V)=\sum_{i=1}^{2}\sum_{p\in C_{i}}\left \|v(p)-\mu _{i} \right \|^{2}$

其中，v(p)表示模型网格点p处的速度，而ui表示Ci中速度的平均值。K-means聚类方法基于速度分布将速度模型V划分为聚类C1和C2，而不考虑空间关系和连接。因此，集群C1和C2可以包括许多空间上不相关和不连通的小区域，应当避免这些小区域在相应的地震数据中产生不想要的散射伪影。

步骤二：找出最大的区域

通过独立地计算每个聚类C1和C2中的每个空间上不相交的区域中的网格点的数量，相应的最大空间上连接的区域被分别选择为S1和S2。

步骤三：应用区域增长

速度模型V被重新划分为三个不相交的簇V={S0,S1,S2}，其中 $S_{1}\subseteq C_{1}$ 和 $S_{2}\subseteq C_{2}$ 是步骤二中选择的区域，并且 $S_{0}=V\cap S_{1} \cup S_{2}$ ，然后，基于曼哈顿距离 $D_{m}$ ，将每个模型网格点 $p\in S_{0}$ 合并到 $S_{1}$ 或 $S_{2}$ 中，使用：

$p\in \begin{Bmatrix} S_{1},if D_{m}(p,S_{1})\leq D_{m}(p,S_{2}) \\ S_{2},if D_{m}(p,S_{1})> D_{m}(p,S_{2}) \end{Bmatrix}$

其中， $D_{m}(p,S_{i})$ （对于 $i\in \begin{Bmatrix} 1,2 \end{Bmatrix}$ ）被定义为（对于2-D模型）：

$D_{m}(p,S_{i})=min_{s\in S_{i}}\left | x_{p}- x_{s}\right |+\left | y_{p}- y_{s}\right |$

其中，x和y是水平和垂直坐标，S表示簇 $S_{i}$ 中的网格点（对于 $i\in \begin{Bmatrix} 1,2 \end{Bmatrix}$ ）。

区域生长步骤通过迭代合并分别与聚类 $S_{1}$ 和 $S_{2}$ 中的每一个相邻的模型网格点（ $p\in S_{0}$ ）来数值地实现。

步骤四：将速度模型拆分为两个子模型

在区域生长完成之后，速度模型V最终被分割为两个空间相关且连接不相交的子模型（S1和S2）。

$V=S_1{}\cup S_2{},S_1{}\cap S_2{}=\varnothing$

步骤五和六：递归地包裹子模型

然后，空间相关且连接的不相交子模型S1和S2被分别递归地分割，直到子模型大小（待分割的子模型中的网格点的数量）小于阈值（最小容许特征大小）。

步骤七：保存特征作为模型基础的元件

如果子模型大小（要分割的子模型中的网格点的数量）小于阈值（最小容许特征大小），则子模型将不会被递归地分割。相反，它将被保存为模型基础的组件（即，它变成分层树中的叶节点）。通过步骤1-7中的递归分块，速度模型V必然被分块为许多空间相关且连接的不相交特征（子模型）作为模型基础：

V={S0,S1,...,Sn}

其中n是特征的数量。

$S_{i}\cap S_j{}=\phi$ ,if i≠j

2.1.2. Generation of the Training Velocity Models From the Model Basis—从模型基础生成训练速度模型

在获得模型基{S1，S2，...，Sn}之后，可以基于模型基的每个分量中的速度的平均值E（Si）和方差Var（Si）创建训练速度模型，如：

$E(S_{i})=\frac{1}{N_{i}}\sum_{s\in S_{i}}^{}s$

和：

$Var(S_{i})=E\begin{Bmatrix} \left [ S_{i}-E(S_{i})^{2} \right ] \end{Bmatrix}=\frac{1}{N_{i}}\sum_{s\in S_{i}}^{}\left [ s-E(S_{i})^{2} \right ]$

其中Ni是每个组件（地块）Si中的网格点的数量。然后，通过将从模型基础中的组件的速度分布中提取的随机值分配给它们自身，获得随机训练速度模型集:

每个特征分配随机值（等式11）不仅增加了训练速度模型的多样性，而且还创建了具有许多不同均匀层（每个均匀层具有均匀速度）的训练速度模型。任意两个相邻的均匀层之间的速度对比在训练速度模型中产生具有不同反射率的反射体，这确保了对应的训练地震数据包含反射同相轴，就像观测数据一样。

2.2. CNN Training—CNN训练

在准备阶段（第2.1小节）中创建训练速度模型之后，从对应的速度模型集合中计算地震数据。然后还要经过一致的预处理（比如，反射层析成像或基于偏移速度分析MVA）得到初始训练速度模型集合。因此，以与从观测数据获得初始速度模型V0和RTM图像I0相同的方式，从合成数据获得初始训练速度模型集合和训练RTM图像集合。

2.3. CNN Prediction—CNN预测

在CNN预测中（图1中的黑框），原始起始速度模型 $V_{0}$ 和对应的RTM图像 $I_{0}$ 的组合被输入到经训练的CNN以预测未知的真实速度模型：

$V_{p}=G(V_{0},I_{0};w^{*})$

其中，Vp是CNN预测的速度模型。

2.4. Error Evaluation—误差评定

在通过CNN预测速度模型Vp之后，需要进行正演建模以获得用于误差评估的相应合成地震数据（例如，计算最小二乘数据残差）。与通过在每次迭代时最小化数据误差来更新速度模型的常规FWI不同，CNN-RWI计算用于CNN预测的速度模型Vp的准确性的间接评估的数据误差。如果从CNN预测的速度模型Vp获得的数据误差不满足收敛标准（例如，最小数据误差的阈值），则CNN预测的速度模型Vp将成为最新生成的先验模型，其将被分组以生成训练速度模型集（子部分2.1），用于下一次迭代。

2.5. Dynamic Adjustment of the Training Data Set—训练数据集的动态调整（未完）

上文第2.1-2.4小节介绍了CNN-RWI外环中的四个主要部分（图1）。除了从先验速度模型生成训练速度模型（第2.1小节）中固有的新奇之外，CNN-RWI的另一个关键新颖性是在外部循环中的每次迭代时基于最新的先验速度模型对训练数据集进行动态调整（由图1中的橙子箭头指示）。最新的先验速度模型被定义为第一次迭代时的原始起始速度模型V0，或者在随后的每次迭代中获得的CNN预测的速度模型Vp。

三、Numerical Examples—数值算例

图2 Marmousi2 P波速度模型。Marmousi2速度模型的三个不同部分（黑色、红色和青色框中）是测试1和2中使用的三个真实速度模型（A-C）。

在本节中，Marmousi2 P波速度模型的三个部分，网格256×256，用作真实速度模型A、B和C（图2中黑色、红色和青色的区域）。对三个真实速度模型A、B和C的合成测试被分为测试1和测试2，分别由3×3高斯滤波器平滑400和1600次迭代的初始速度模型，以减轻预处理（如，走时成析成像或MVA）。测试1和2比较了CNN-RWI与CG-FWI的性能和灵敏度，CG-FWI由PySIT公司提供（Hewett等人，2020年），以不同的精度的启动速度模型。模型的垂直和水平范围为3.2 km，空间采样增量为0.0125 km。将原始Marmousi 2 P波速度模型裁剪为三个平方速度模型A、B和C的原因是为了评估CNN-RWI和CG-FWI的性能，以有效且高效地更新来自反射数据的速度模型的较深部分。为了模拟观测数据，每隔0.125 km设置25个主频率为20 Hz（CG-FWI为7 Hz作为参考组）的爆炸Ricker小波源，每隔0.0125 km设置256个接收器。所有的信号源和接收器都在地面上。记录时间为3.5 s，时间采样增量为1.0 ms。

在这里，本文使用U-net CNN（图3）（Ronneberger等人，2015）来预测速度模型，经验表明，该模型是用于生成任务的强大且有效的CNN架构（Ronneberger等人，2015; Yang & Ma，2019）。CNN架构（图3）中的下采样和上采样分别通过卷积和转置卷积操作实现，步幅为2。

由于本文的主要贡献是CNN-RWI算法（第2节中的方法和图1中的工作流程），而不是CNN架构的进步，因此也可以使用其他CNN架构，只要它们可以准确预测CNN训练中的训练速度模型（第2.2小节）。

图3 U-net卷积神经网络架构。黑色层是输入层，其中起始速度模型和逆时偏移图像被连接为两个通道。红色层是输出层，它在卷积神经网络（CNN）训练（公式13）或CNN预测（公式14）中输出速度模型。下采样和上采样分别由卷积和转置卷积实现，步幅=2。

为了在每次迭代时准备具有24个样本的训练模型集，应用空间约束、分割、分层k均值分组方法（第2.1.1小节），以分别从第一次迭代的初始速度模型或从后续迭代的CNN预测速度模型构建模型基础。这种分割方法的阈值设置为655，即模型网格点总数（256 × 256 = 65536）的1%。阈值应设置为最大化模型基础中的组件数量（分层树中的叶节点的数量），并限制不创建无意义的小散射区域。这个阈值的另一个考虑因素是计算成本。阈值越小，分层树的深度就越大，因此以指数方式增加了将子模型进一步打包成更小特征作为模型基础的组件的计算时间。所以，我们将阈值设置为655，即模型网格点总数（65536）的百分之一，以平衡模型基础的质量和计算成本。对于包含大规模盐体或储层的速度模型，CNN域FWI（He & Wang，2021; Wu & McMechan，2018，2019; Zhu等人，2022）以将反演主要集中到初始速度模型中的先验特征（例如，盐体、储层等）因为正则化可能比CNN-RWI更合适。CNN域FWI和基于CNN的RWI之间的比较超出了本文的范围，因此留待将来比较。

CNN-RWI的快速收敛性在 16 次迭代中，从原始起始速度迭代预测速度模型及其对应的原始迁移图像。然后，使用这些速度模型作为 CG-FWI 的起始速度模型，在第二次中再进行 39 次迭代。因此，基于与CNN-RWI相同的初始速度模型，通道一中的CNN-RWI和通道二中的CG-FWI（55次迭代）的总迭代次数是CG-FWI（110次迭代）的一半。

3.1. Test 1: Synthetic Tests on the More Accurate Starting Velocity Models

图4直观地比较了两遍CNN-RWI（图4d-4i）和一遍CG-FWI（图4j-4o）反演的速度模型，通过使用初始速度模型（图4a-4c），通过400次3 × 3高斯滤波器的应用获得，以平滑图2中黑色、红色和青色框中的真实速度模型A、B和C。图4d-4f是第16次迭代时的CNN-RWI反演速度模型，基于主频为20 Hz的震源，使用初始模型（图4a-4a）作为第1遍中的起始速度模型。图4g-4i显示了第39次迭代时的CG-FWI反演速度模型，基于主频为20 Hz的震源，使用CNN-RWI反演速度模型（图4d-4f）作为第2遍中的起始速度模型。图4j-4l和4m-4o显示了第110次迭代时的CG-FWI反演速度模型，分别基于主频为20和7Hz的震源，使用初始模型（图4a-4a）作为起始速度模型。图5显示了图4中的模型与相应的真实速度模型A、B和C（图2）之间的相应模型残差。图6d-6o使用图4d-4o中的反演速度模型与初始速度模型（图4a-4c）之间的模型残差来视觉分析初始速度模型的哪些部分分别由CNN-RWI和CG-FWI主要更新。图7直观地比较了图4中速度模型的RMS速度模型误差，测试1中每个深度的所有位置。

图4和图5直观地证明了两遍CNN-RWI对速度模型的反演（第一遍为图4d-4f和5d-5fd，第二遍为图4g-4 i和5g-5i）比CG-FWI更准确（图4j-4o和5j-5o分别为20和7Hz的结果），尤其是在速度模型的较深部分。图6d-6f显示出了第1遍中的CNN-RWI在几乎所有深度处将速度模型（图4d-4f）中的背景速度和界面显著地更新到正确的方向。通过比较，CG-FWI主要更新较浅的背景速度以及所有深度的界面（图6a-6c和6j-6o），这与FWI梯度的理论和数值分析一致（Alkhalifah，2014; Wu & Alkhalifah，2015; Xu等人，2012; Yao等人，2020年）。图7定量地说明了在通道1中由CNN-RWI反演的速度模型（图7中的红线）在几乎所有深度处具有比由CG-FWI反演的速度模型（图7中的黑色和洋红色线）相对更低的RMS模型误差。通道1中CNN-RWI反演速度模型的模型误差相对较低（图7中的红线），导致通道2中CG-FWI反演速度模型的RMS模型误差最小（图7中的蓝线）。

图8基于均方根模型误差和归一化数据误差，定量比较了CNN-RWI和CG-FWI。与通道1(图8a-8c中的红线)中由CNN-RWI反演的速度模型(急剧减少和快速收敛)相比，对于20和7赫兹数据(图8a-8c中的黑色和洋红色线)，由CG-FWI反演的速度模型逐渐减小并缓慢收敛到相对更高的均方根模型误差。图8a-8c中的青色点对应于在CNN-RWI的前16次迭代中的24个训练速度模型的均方根模型误差。它验证了CNN预测的速度模型在每一次迭代中都比训练速度模型更准确的假设，这是CNN-RWI迭代预测越来越准确的速度模型的关键动机。图8a和8d示出了用于7赫兹情况的CG-FWI(图8a和8d中的洋红色线)在第46次迭代(由图8a和8d中的洋红色圆圈指示)处陷入坏的局部最小值，以通过错误地增加位于图4m中深度2.1公里以上和以下的两个突出层中的速度来继续最小化数据误差(图8d中的洋红色线)。因此，随着CG-FWI(图8a和8d中的洋红线)中数据误差的减少，模型误差从第46次增加到第110次。与之相反，用CNN-RWI-反速度模型作为初始速度模型，在PASS 2中由CG-FWI反演的速度模型逐渐变得更精确，因此RMS模型误差和归一化数据误差在每次迭代(8a和8d中的蓝线)都减小了。

图8显示CNN-RWI(图8a-8c中的红线)的RMS模型误差在最初的几次迭代中急剧减少，然后以轻微的波动收敛，而CNN-RWI(图8d-8f中的红线)的归一化数据误差急剧减少，但随后以严重的波动收敛。这些波动行为不一致的主要原因是CNN-RWI应用了在每次迭代(子节2.5)从动态可调整的训练数据集中逐渐学习的近似空间映射来预测速度模型，而不是像FcWI那样稳定地最小化数据误差。当CNN预测的速度模型不太准确时，训练数据集中的空间映射(第2.2小节)有效地指导CNN预测更准确的速度模型，这对应于RMS模型误差和归一化数据误差(图8中前几次迭代中的红线)的急剧减少。这些更精确的速度模型仍然包含局部区域速度的一些变化，由于高度非线性的CNN对速度的预测不完善，这些变化的速度和位置在每次迭代中都可能改变。随着CNN预测速度模型的平均精度显著提高，这些局部速度误差和相应的数据误差不再占主导地位，因此均方根模型误差和归一化数据误差在最初的几次迭代中都不会波动。然而，当CNN预测的速度模型收敛时，CNN预测的速度模型的平均精度不会大幅提高。因此，CNN预测速度模型中局部误差的方差(轻微起伏)在影响数据误差(剧烈起伏)中起主导作用。由于地震数据对模型误差非常敏感，数据误差的波动要比模型误差大得多。

比较了CNN-RW I和CG-FW I在不同模型(图4-8)上的性能，结果表明，对于几乎所有深度的速度模型(特别是背景速度模型)，CNN-RW I在速度模型(尤其是背景速度模型)上的性能都优于CG-FW I。相比之下，CG-FWI有效地更新了沿俯冲和折射波较浅的背景速度模型。深部速度模型中的背景速度和界面可以通过CG-FWI进行更新，但精度较低，甚至可能被错误的方向更新。通过在PASS 2中应用CG-FWI继续对速度模型进行反转，而PASS 1中的CNN-RWI可以更好地恢复速度模型，CG-FWI可以有效地更新界面，但不能更新背景速度模型(图6a-6c)。因此，对于几乎所有深度的所有速度模型，CNN-RW I比CG-FW I更准确地反演速度模型(图4-8)。

3.2. Test 2: Synthetic Tests on the Less Accurate Starting Velocity Models—试验2：不太精确的初始速度模型的综合试验

为了分析CNN-RWI和CG-FWI的性能对起始速度模型的准确性的灵敏度，使用较不准确（较平滑）的初始速度模型（图9a-9 c）并遵循与测试1中完全相同的测试和比较程序，对两种方法进行测试以反演速度模型。初始速度模型（图9a-9 c）通过1600次应用3 × 3高斯滤波器来平滑图2中黑色、红色和青色框中的真实速度模型A、B和C而获得。与测试1中包含显著特征的更准确的起始速度模型（图4a-4c）相比，测试2中的初始速度模型（图9a-9 c）过于平滑，无法包含显著特征。

类似于测试1中的结果，CNN-RWI优于CG-FWI（在20和7 Hz两者下）来反演速度模型（比较图9d-9 f与图9 j-9 o）。然而，测试2（图9）中的所有反演结果都不如测试1（图4）中相应的反演结果准确。图4和图9的比较表明，CNN-RWI和CG-FWI都对起始速度模型的准确性敏感。

图10 d中的残差模型显示，CNN-RWI在正确的方向上稍微更新了位于2.1 km深度以上和以下的两个突出层。相比之下，图10 j和10 m显示CG-FWI错误地更新了速度模型中的这些突出层（图9 j和9 m）。每个深度所有位置的RMS模型误差（图11 a）定量验证了20和7 Hz CG-FWI的RMS模型误差与其他参数相比最高（比较图11中箭头1-4所示的RMS误差）。相比之下，在通道1中由CNN-RWI反转的这两个突出层以及在通道2中由CG-FWI反转的这两个突出层（分别为图11 a中的红线和蓝线）是最低的。实际上，图9-11说明了在测试2中，在第1遍中由CNN-FWI反演的速度模型以及在第2遍中由CG-FWI反演的速度模型是几乎所有深度处的最准确结果。

图12显示了测试2中CNN-RWI和CG-FWI的RMS模型误差和归一化数据误差与测试1（图8）中的趋势相似，但测试2中的所有模型和数据误差水平均高于测试1。CG-FWI反演的速度模型的速度模型误差增加（20和7 Hz情况），而相应的数据误差减小，就像测试1中的那些一样（比较图8a和12 a以及图8d和12 d中的黑色和洋红线）。与CNN-RWI对应的RMS模型误差和归一化数据误差显著降低，并收敛到高于测试1的误差水平（比较图8和图12中的红线）。模型和数据误差曲线的波动分别与测试1中的波动相似（比较图8和图12）。模型和数据误差曲线趋势方向相反的根本原因已在前一小节中分析，因此此处省略。

使用不同的初始速度模型（测试1中的图4a-4c和测试2中的图9a-9 c）对Marmousi模型的三个部分（图2）进行的合成测试表明，CNN-RWI和CG-FWI的性能对真实速度模型的复杂性和相应初始速度模型的准确性都很敏感。合成试验1和2还表明，CNN-RWI反演速度模型比CG-FWI更准确，几乎在所有深度。

四、Discussion—讨论

我们说明了CNN-RWI如何从原始起始速度模型和相应的偏移图像迭代地预测越来越准确的速度模型，而不需要传统FWI中的数据拟合过程（例如，CG-FWI）。CNN预测的速度模型的最高精度部分地受到原始起始速度模型的精度的限制，原因有两个。首先，所使用的原始起始速度模型越精确，原始偏移图像将越精确。它们都减少了从自身到未知真实速度模型的空间映射的不适定性，这使得CNN能够更准确地预测速度模型（第2.3小节）。第二，更精确的原始起始速度模型包含更丰富和精确的用于生成模型基础的先验信息，这增加了准确性（即，减少选择偏差）。因此，CNN-RWI显然取代了传统FWI中的数据拟合过程，通过CNN训练和预测。然而，CNN-RWI需要起始速度模型中的准确先验信息来减少映射的不适定性，并为CNN训练生成更准确的模型基础，就像传统FWI需要更好地解决循环跳跃问题一样。在合成试验1和2中，通过应用3 × 3高斯滤波器分别对真实速度模型进行400次和1600次迭代来平滑，以模拟预处理，从而获得起始速度模型。综合测试1和2清楚地表明，无论是传统的FWI和CNN-RWI是敏感的起始速度模型的准确性，以及未知的真实速度模型的复杂性。CNN-RWI与现有技术的FWI（诸如正则化FWI（Esser等人，2018; Guitton，2012; Peters & Herrmann，2017），超出了本文的范围。因此，留待今后研究。

在从先验速度模型生成模型基础的过程中（第2.1.1小节），所提出的空间约束的划分分层k均值分割方法与常规k均值聚类之间的主要差异之一在于：所提出的分割方法保留了以下之间的结构关系以及每个特征内的连通性，更合理、更适合于训练速度模型的建立。相比之下，传统的k-means聚类方法（Forgy，1965; Lloyd，1982; MacQueen，1967）可能包含许多空间上不相关和不连通的区域，这些区域成为不需要的散射点。另一个主要区别是分组的目的。传统的k-means聚类旨在通过最小化稀疏模型和密集模型之间的差异，将密集模型（具有相对大量的参数）聚类并压缩为稀疏模型（具有相对较少的参数）。因此，稀疏模型，压缩传统的k-means聚类方法，仍然是一个精确的近似和替代密集参数模型。相比之下，CNN-RWI中聚类的目标是将先验速度模型分割成小特征作为模型基础，以创建具有不同均匀特征和尖锐边界的随机训练速度模型，作为先验速度模型的相对低维随机扰动。然后，这些训练速度模型用于表示CNN训练的未知真实速度模型。因此，训练速度模型，所提出的分割方法创建，被认为是极其有损和不可接受的稀疏模型在其重建和压缩方面，因为训练速度模型没有被优化以适应先验速度模型，而是根据先验速度模型创建随机扰动。

在传统的FWI（例如，CG-FWI），由于数据失配在每次迭代时被最小化，归一化数据误差曲线通常减小。相比之下，CNN-RWI不需要像FWI那样最小化（数据）错拟合函数来更新速度模型。相反，初始速度模型（层析成像分量）和原始高分辨率偏移图像（偏移分量）被重复输入到CNN作为先验信息，以约束CNN基于这些先验信息以及从动态调整的训练数据集学习的空间映射来预测速度模型（第2.5小节）。然而，数据不拟合以及其他验证工具（例如，时间不匹配等）可以用作质量指标来分析CNN-RWI在每次迭代时的性能。

所提出的空间约束的、分裂的、分层的k-means分割方法的计算成本可以被忽略，因为在每次迭代中，分割先前的速度模型以生成随机训练速度模型是非常快的。因此，CNN-RWI的计算成本主要取决于小训练数据集中的样本数量（例如，以上示例中的24个样本）以及获得训练速度模型和训练迁移图像以及CNN训练的效率。在使用合成数据的测试（测试1和2）中，24个样本被实验证明对于GPU环境中的CNN训练是足够的并且非常有效。如果在并行编程环境中获得训练偏移图像，则训练偏移图像的计算时间将近似等于一个偏移图像的计算时间，这将使偏移处理在每次迭代中效率最高。CNN-RWI最不确定的部分是用于在每次迭代中获得训练初始速度模型的过程。应用原始处理（例如，时间层析成像或MVA）以在每次迭代时获得训练初始速度模型是非常准确的，但耗时。相反，平滑训练速度模型以模仿原始处理以获得训练速度模型是非常快的，但不太准确。因此，开发一种更好的方法来平衡精度和计算成本以获得训练起始速度模型是一个关键问题，这需要解决将CNN-RWI应用于现场数据的问题，但超出了本文的范围。因此，留待今后研究。

假设通过平滑训练速度模型获得用于训练的初始速度模型，则CNN-RWI（ $T_{CNNRWI}$ ）的计算时间为：

$T_{CNNRWI}=(T_{migration}+T_{train})\times N_{samples}\times N_{iterations}$

其中， $T_{migration}$ 和 $T_{train}$ 分别是一个训练样本的偏移和CNN训练的平均时间； $N_{samples}$ 和 $N_{iterations}$ 分别是训练样本的数量和外循环中的迭代次数。在迁移和CNN训练的理想并行编程环境中，计算时间变为：

$T_{CNNRWI}=(T_{migration}+T_{train})\times N_{iterations}$

其近似等于FWI（ $T_{FWI}$ ）的计算成本。

$T_{FWI}=(T_{gradient}+T_{search})\times N_{iterations}$

其中， $T_{gradient}$ 是用于计算FWI梯度的计算时间， $T_{search}$ 是用于步长搜索的计算时间，其涉及多次正演建模以最小化合成地震数据与观测地震数据之间的数据残差； $N_{iterations}$ 是反演中的迭代次数。因此，在理想的并行编程环境中，CNN-RWI的计算时间近似等于FWI的计算时间。随着CNN-RWI收敛得更快（即，由于CNN-RWI的迭代次数更少），并且比FWI更准确地预测了速度模型（比较图8和图12），因此可以合理地假设CNN-RWI的计算时间相对小于FWI的计算时间。

五、Conclusion—结论

本文提出了一种新的CNN-RWI方法来迭代预测更精确的速度模型。CNN-RWI包含内循环和外循环。内循环训练CNN，以根据训练初始速度模型和相应的偏移图像准确地预测训练速度模型。外循环迭代地使用CNN训练后CNN预测的最新先验速度模型，为下一次迭代的CNN训练创建更具代表性的训练数据集。从先前的速度模型的训练速度模型的创建是通过所提出的空间约束的、分裂的、分层的k-means分割方法来实现的。外循环迭代地改进训练速度模型，使CNN能够逐步预测更准确的速度模型。使用Marmousi 2 P波速度模型的三个部分的合成实例表明，CNN-RWI预测速度模型的浅部和深部比CG-FWI更准确。CNN-RWI和CG-FWI都对起始速度模型的准确性敏感。

Data Availability Statement—数据可用性声明

数据：https://doi.org/10.5281/zenodo.6578811
代码：https://github.com/YulangWu/CNN-RWI

你可能感兴趣的:(论文,周报,深度学习,人工智能,学习)

情绪觉察日记第37天露露_e800
今天是家庭关系规划师的第二阶最后一天，慧萍老师帮我做了个案，帮我处理了埋在心底好多年的一份恐惧，并给了我深深的力量！这几天出来学习，爸妈过来婆家帮我带小孩，妈妈出于爱帮我收拾东西，并跟我先生和婆婆产生矛盾，妈妈觉得他们没有照顾好我…。今晚回家见到妈妈，我很欣赏她并赞扬她，妈妈说今晚要跟我睡我说好，当我们俩躺在床上准备睡觉的时候，我握着妈妈的手对她说:妈妈这几天辛苦你了，你看你多利害把我们的家收拾得
机器学习与深度学习间关系与区别 ℒℴѵℯ心·动ꦿ໊ོ꫞ 人工智能学习深度学习 python
一、机器学习概述定义机器学习（MachineLearning,ML）是一种通过数据驱动的方法，利用统计学和计算算法来训练模型，使计算机能够从数据中学习并自动进行预测或决策。机器学习通过分析大量数据样本，识别其中的模式和规律，从而对新的数据进行判断。其核心在于通过训练过程，让模型不断优化和提升其预测准确性。主要类型1.监督学习（SupervisedLearning）监督学习是指在训练数据集中包含输入
铭刻于星（四十二）随风至
69夜晚，绍敏同学做完功课后，看了眼房外，没听到动静才敢从书包的夹层里拿出那个心形纸团。折痕压得很深，都有些旧了，想来是已经写好很久了。绍敏同学慢慢地、轻轻地捏开折叠处，待到全部拆开后，又反复抚平纸张，然后仔细地一字字默看。只是开头的三个字是第一次看到，让她心漏跳了几拍。“亲爱的绍敏：从四年级的时候，我就喜欢你了，但是我一直不敢说，怕影响你学习。六年级的时候听说有人跟你表白，你接受了，我很难过，但
UI学习——cell的复用和自定义cell Magnetic_h ui 学习
目录cell的复用手动（非注册）自动（注册）自定义cellcell的复用在iOS开发中，单元格复用是一种提高表格（UITableView）和集合视图（UICollectionView）滚动性能的技术。当一个UITableViewCell或UICollectionViewCell首次需要显示时，如果没有可复用的单元格，则视图会创建一个新的单元格。一旦这个单元格滚动出屏幕，它就不会被销毁。相反，它被添
学点心理知识，呵护孩子健康静候花开_7090
昨天听了华中师范大学教育管理学系副教授张玲老师的《哪里才是学生心理健康的最后庇护所，超越教育与技术的思考》的讲座。今天又重新学习了一遍，收获匪浅。张玲博士也注意到了当今社会上的孩子由于心理问题导致的自残、自杀及伤害他人等恶性事件。她向我们普及了一个重要的命题，她说心理健康的一些基本命题，我们与我们通常的一些教育命题是不同的，她还举了几个例子，让我们明白我们原来以为的健康并非心理学上的健康。比如如果
ArcGIS栅格计算器常见公式（赋值、0和空值的转换、补充栅格空值）研学随笔 arcgis 经验分享
我们在使用ArcGIS时通常经常用到栅格计算器，今天主要给大家介绍我日常中经常用到的几个公式，供大家参考学习。将特定值（-9999）赋值为0，例如-9999.Con("raster"==-9999,0,"raster")2.给空值赋予特定的值（如0）Con(IsNull("raster"),0,"raster")3.将特定的栅格值(如1)赋值为空值，其他保留原值SetNull("raster"==
【一起学Rust | 设计模式】习惯语法——使用借用类型作为参数、格式化拼接字符串、构造函数广龙宇一起学Rust #Rust设计模式 rust 设计模式开发语言
提示：文章写完后，目录可以自动生成，如何生成可参考右边的帮助文档文章目录前言一、使用借用类型作为参数二、格式化拼接字符串三、使用构造函数总结前言Rust不是传统的面向对象编程语言，它的所有特性，使其独一无二。因此，学习特定于Rust的设计模式是必要的。本系列文章为作者学习《Rust设计模式》的学习笔记以及自己的见解。因此，本系列文章的结构也与此书的结构相同（后续可能会调成结构），基本上分为三个部分
回溯 Leetcode 332 重新安排行程 mmaerd Leetcode刷题学习记录 leetcode 算法职场和发展
重新安排行程Leetcode332学习记录自代码随想录给你一份航线列表tickets，其中tickets[i]=[fromi,toi]表示飞机出发和降落的机场地点。请你对该行程进行重新规划排序。所有这些机票都属于一个从JFK（肯尼迪国际机场）出发的先生，所以该行程必须从JFK开始。如果存在多种有效的行程，请你按字典排序返回最小的行程组合。例如，行程[“JFK”,“LGA”]与[“JFK”,“LGB
Python数据分析与可视化实战指南 William数据分析 python python 数据
在数据驱动的时代，Python因其简洁的语法、强大的库生态系统以及活跃的社区，成为了数据分析与可视化的首选语言。本文将通过一个详细的案例，带领大家学习如何使用Python进行数据分析，并通过可视化来直观呈现分析结果。一、环境准备1.1安装必要库在开始数据分析和可视化之前，我们需要安装一些常用的库。主要包括pandas、numpy、matplotlib和seaborn等。这些库分别用于数据处理、数学
2019-12-22-22:30 涓涓1016
今天是冬至，写下我的日更，是因为这两天的学习真的是能量的满满，让我看到了自己，未来另外一种可能性，也让我看到了这两年这几年的过程中我所接受那些痛苦的来源。一切的根源和痛苦都来自于人生，家庭，而你的原生家庭，你的爸爸和妈妈，是因为你这个灵魂在那一刻选择他们作为你的爸爸和妈妈来的，所以你得接受他，你得接纳他，他就是因为他的存在而给你的学习和成长带来这些痛苦，那其实是你必然要经历的这个过程，当你去接纳的
将cmd中命令输出保存为txt文本文件落难Coder Windows cmd window
最近深度学习本地的训练中我们常常要在命令行中运行自己的代码，无可厚非，我们有必要保存我们的炼丹结果，但是复制命令行输出到txt是非常麻烦的，其实Windows下的命令行为我们提供了相应的操作。其基本的调用格式就是：运行指令>输出到的文件名称或者具体保存路径测试下，我打开cmd并且ping一下百度：pingwww.baidu.com>./data.txt看下相同目录下data.txt的输出：如果你再
四章-32-点要素的聚合彩云飘过
本文基于腾讯课堂老胡的课《跟我学Openlayers--基础实例详解》做的学习笔记，使用的openlayers5.3.xapi。源码见1032.html，对应的官网示例https://openlayers.org/en/latest/examples/cluster.htmlhttps://openlayers.org/en/latest/examples/earthquake-clusters.
探索OpenAI和LangChain的适配器集成：轻松切换模型提供商 nseejrukjhad langchain easyui 前端 python
#探索OpenAI和LangChain的适配器集成：轻松切换模型提供商##引言在人工智能和自然语言处理的世界中，OpenAI的模型提供了强大的能力。然而，随着技术的发展，许多人开始探索其他模型以满足特定需求。LangChain作为一个强大的工具，集成了多种模型提供商，通过提供适配器，简化了不同模型之间的转换。本篇文章将介绍如何使用LangChain的适配器与OpenAI集成，以便轻松切换模型提供商
深入理解 MultiQueryRetriever：提升向量数据库检索效果的强大工具 nseejrukjhad 数据库 python
深入理解MultiQueryRetriever：提升向量数据库检索效果的强大工具引言在人工智能和自然语言处理领域，高效准确的信息检索一直是一个关键挑战。传统的基于距离的向量数据库检索方法虽然广泛应用，但仍存在一些局限性。本文将介绍一种创新的解决方案：MultiQueryRetriever，它通过自动生成多个查询视角来增强检索效果，提高结果的相关性和多样性。MultiQueryRetriever的工
GitHub上克隆项目 bigbig猩猩 github
从GitHub上克隆项目是一个简单且直接的过程，它允许你将远程仓库中的项目复制到你的本地计算机上，以便进行进一步的开发、测试或学习。以下是一个详细的步骤指南，帮助你从GitHub上克隆项目。一、准备工作1.安装Git在克隆GitHub项目之前，你需要在你的计算机上安装Git工具。Git是一个开源的分布式版本控制系统，用于跟踪和管理代码变更。你可以从Git的官方网站（https://git-scm.
HTML网页设计制作大作业（div+css）云南我的家乡旅游景点带文字滚动二挡起步 web前端期末大作业 web设计网页规划与设计 html css javascript dreamweaver 前端
Web前端开发技术描述网页设计题材，DIV+CSS布局制作,HTML+CSS网页设计期末课程大作业游景点介绍|旅游风景区|家乡介绍|等网站的设计与制作HTML期末大学生网页设计作业HTML：结构CSS：样式在操作方面上运用了html5和css3，采用了div+css结构、表单、超链接、浮动、绝对定位、相对定位、字体样式、引用视频等基础知识JavaScript：做与用户的交互行为文章目录前端学习路线
Day1笔记-Python简介&标识符和关键字&输入输出 ~在杰难逃~ Python python 开发语言大数据数据分析数据挖掘
大家好，从今天开始呢，杰哥开展一个新的专栏，当然，数据分析部分也会不定时更新的，这个新的专栏主要是讲解一些Python的基础语法和知识，帮助0基础的小伙伴入门和学习Python，感兴趣的小伙伴可以开始认真学习啦！一、Python简介【了解】1.计算机工作原理编程语言就是用来定义计算机程序的形式语言。我们通过编程语言来编写程序代码，再通过语言处理程序执行向计算机发送指令，让计算机完成对应的工作，编程
人工智能时代，程序员如何保持核心竞争力？ jmoych 人工智能
随着AIGC（如chatgpt、midjourney、claude等）大语言模型接二连三的涌现，AI辅助编程工具日益普及，程序员的工作方式正在发生深刻变革。有人担心AI可能取代部分编程工作，也有人认为AI是提高效率的得力助手。面对这一趋势,程序员应该如何应对?是专注于某个领域深耕细作，还是广泛学习以适应快速变化的技术环境?又或者，我们是否应该将重点转向AI无法轻易替代的软技能？让我们一起探讨程序员
node.js学习小猿L node.js node.js 学习 vim
node.js学习实操及笔记温故node.js，node.js学习实操过程及笔记~node.js学习视频node.js官网node.js中文网实操笔记githubcsdn笔记为什么学node.js可以让别人访问我们编写的网页为后续的框架学习打下基础，三大框架vuereactangular离不开node.jsnode.js是什么官网：node.js是一个开源的、跨平台的运行JavaScript的运行
阶段总结反思轻争
马上就要进入10月份了，今天做一下前段时间的总结和反思。前段时间，日更、英语、健身、护肤坚持的比较好。阅读、书法坚持的不好。1.中间被迫停更半个多月，其余时间一直在坚持日更挑战。偶尔也有不想写的时候，就做一下摘抄。因为阅读（输入）没跟上来，所以写作（输出）质量有待进一步加强。2.英语做到了一周至少学习5天，每次不少于30分钟，但是小班课没有跟上更新速度，下一步要争取利用零碎时间补听小班课。3.减肥
ARM驱动学习之基础小知识 JT灬新一 ARM 嵌入式 arm开发学习
ARM驱动学习之基础小知识•sch原理图工程师工作内容–方案–元器件选型–采购（能不能买到，价格）–原理图（涉及到稳定性）•layout画板工程师–layout（封装、布局，布线，log）（涉及到稳定性）–焊接的一部分工作（调试阶段板子的焊接）•驱动工程师–驱动，原理图，layout三部分的交集容易发生矛盾•PCB研发流程介绍–方案，原理图(网表)–layout工程师（gerber文件）–PCB板
ARM驱动学习之5 LEDS驱动 JT灬新一嵌入式 C 底层 arm开发学习单片机
ARM驱动学习之5LEDS驱动知识点：•linuxGPIO申请函数和赋值函数–gpio_request–gpio_set_value•三星平台配置GPIO函数–s3c_gpio_cfgpin•GPIO配置输出模式的宏变量–S3C_GPIO_OUTPUT注意点：DRIVER_NAME和DEVICE_NAME匹配。实现步骤：1.加入需要的头文件：//Linux平台的gpio头文件#include//三
ARM驱动学习之4小结 JT灬新一嵌入式 C++arm开发学习 linux
ARM驱动学习之4小结#include#include#include#include#include#defineDEVICE_NAME"hello_ctl123"MODULE_LICENSE("DualBSD/GPL");MODULE_AUTHOR("TOPEET");staticlonghello_ioctl(structfile*file,unsignedintcmd,unsignedlo
展现思维导图魅力，不断挖掘人生宝藏思维导图讲师Mandy
第13期最强思维导图训练营已经结束一周了，但是我依旧是感觉所有学员还在努力的学习，这些学员中有教师、学生、白领、公务员、宝妈等等，只要你努力，只要你想改变自己，任何行业，任何岗位都可以参与进来，28天足以让你见成效，在这28天中，我们的学员不仅仅是收获了一枚毕业证，最重要的是让自己的思维方式得到升级，今天的你为自己投资，明天的你就会感谢你今天的付出，我们来听一听来自13期最强思维导图训练营优秀学员
2019-3-23晨间日记红红火火小耳朵
今天是什么日子起床：7点40就寝：23点半天气：有太阳，不过一会儿出来一会儿进去特别清爽的凉意，还蛮舒服的心情：小激动要给女朋友过生日啦纪念日：田田女士过生日任务清单昨日完成的任务，最重要的三件事：1.英语一对一2.运动计划3.认真护肤习惯养成：调整状态周目标·完成进度英语七天打卡（5/7）轻课阅读（87/180）音标课（25/30）读书（福尔摩斯一章）学习·信息·阅读#英语课#Cookingte
【华为OD技术面试真题精选 - 非技术题】 -HR面，综合面_华为od hr面一个射手座的程序媛程序员华为od 面试职场和发展
最后的话最近很多小伙伴找我要Linux学习资料，于是我翻箱倒柜，整理了一些优质资源，涵盖视频、电子书、PPT等共享给大家！资料预览给大家整理的视频资料：给大家整理的电子书资料：如果本文对你有帮助，欢迎点赞、收藏、转发给朋友，让我有持续创作的动力！网上学习资料一大堆，但如果学到的知识不成体系，遇到问题时只是浅尝辄止，不再深入研究，那么很难做到真正的技术提升。需要这份系统化的资料的朋友，可以点击这里获
教育用心灵温暖心灵
@陈春丽长期学习班冯倩。今天一早就听到说高职合并，取消中专教育的教育信息。感觉是虽然知道，再听还是吓一跳。国家重视职业教育为何还要取消中专技术学校的教育？再听高中就要进行技术教育了，一部分人学习好继续努力学习考大学，一部分人在高中就可以进行职业教育接受职业教育了还要中专技术教育学校干什么呢！a有些职业教育学校转型升级快，不是孩子上完给找工作，而是学校帮孩子创业，我觉得是不错的方向！新闻新你得实时更
数字里的世界17期：2021年全球10大顶级数据中心，中国移动榜首张三叨
你知道吗？2016年，全球的数据中心共计用电4160亿千瓦时，比整个英国的发电量还多40％！前言每天，我们都会创造超过250万TB的数据。并且随着物联网（IOT）的不断普及，这一数据将持续增长。如此庞大的数据被存储在被称为“数据中心”的专用设施中。虽然最早的数据中心建于20世纪40年代，但直到1997-2000年的互联网泡沫期间才逐渐成为主流。当前人类的技术，比如人工智能和机器学习，已经将我们推向
学习“论语”-第59天春峰轩
12.14子张问政。子曰：“居之无倦，行之以忠。”子张问为政之道。孔子说：“在位尽职不懈怠，执行政令要忠诚。”12.15子曰：“博学于文，约之以礼，亦可以弗畔矣夫！”孔子说：“君子广泛地学习文献，并且用礼节约束自己，也就不会离经叛道了。”12.16子曰：“君子成人之美，不成人之恶。小人反是。”孔子说：“君子成全别人的好事，而不助长别人的坏处。小人则与此相反行事。”知识点:“成人之美，不成人之恶”贯
nosql数据库技术与应用知识点皆过客，揽星河 NoSQL nosql 数据库大数据数据分析数据结构非关系型数据库
Nosql知识回顾大数据处理流程数据采集(flume、爬虫、传感器)数据存储(本门课程NoSQL所处的阶段)Hdfs、MongoDB、HBase等数据清洗(入仓)Hive等数据处理、分析(Spark、Flink等)数据可视化数据挖掘、机器学习应用(Python、SparkMLlib等)大数据时代存储的挑战(三高)高并发(同一时间很多人访问)高扩展(要求随时根据需求扩展存储)高效率(要求读写速度快)
深入浅出Java Annotation(元注解和自定义注解） Josh_Persistence Java Annotation 元注解自定义注解
一、基本概述　　 Annontation是Java5开始引入的新特征。中文名称一般叫注解。它提供了一种安全的类似注释的机制，用来将任何的信息或元数据（metadata）与程序元素（类、方法、成员变量等）进行关联。　　更通俗的意思是为程序的元素（类、方法、成员变量）加上更直观更明了的说明，这些说明信息是与程序的业务逻辑无关，并且是供指定的工具或
mysql优化特定类型的查询 annan211 java 工作 mysql
本节所介绍的查询优化的技巧都是和特定版本相关的，所以对于未来mysql的版本未必适用。 1 优化count查询对于count这个函数的网上的大部分资料都是错误的或者是理解的都是一知半解的。在做优化之前我们先来看看真正的count()函数的作用到底是什么。 count()是一个特殊的函数，有两种非常不同的作用，他可以统计某个列值的数量，也可以统计行数。在统
MAC下安装多版本JDK和切换几种方式棋子chessman jdk
环境： MAC AIR,OS X 10.10,64位历史：过去 Mac 上的 Java 都是由 Apple 自己提供，只支持到 Java 6，并且OS X 10.7 开始系统并不自带（而是可选安装）（原自带的是1.6）。后来 Apple 加入 OpenJDK 继续支持 Java 6，而 Java 7 将由 Oracle 负责提供。在终端中输入jav
javaScript （1） Array_06 JavaScript java 浏览器
JavaScript 1、运算符　　运算符就是完成操作的一系列符号，它有七类：　　赋值运算符（=,+=,-=,*=,/=,%=,<<=,>>=,|=,&=）、算术运算符(+,-,*,/,++,--,%)、比较运算符(>,<,<=,>=,==,===,!=,!==)、逻辑运算符(||,&&,!)、条件运算(?:)、位
国内顶级代码分享网站袁潇含 java jdk oracle .net PHP
现在国内很多开源网站感觉都是为了利益而做的当然利益是肯定的,否则谁也不会免费的去做网站 &
Elasticsearch、MongoDB和Hadoop比较随意而生 mongodb hadoop 搜索引擎
IT界在过去几年中出现了一个有趣的现象。很多新的技术出现并立即拥抱了“大数据”。稍微老一点的技术也会将大数据添进自己的特性，避免落大部队太远，我们看到了不同技术之间的边际的模糊化。假如你有诸如Elasticsearch或者Solr这样的搜索引擎，它们存储着JSON文档，MongoDB存着JSON文档，或者一堆JSON文档存放在一个Hadoop集群的HDFS中。你可以使用这三种配
mac os 系统科研软件总结张亚雄 mac os
1.1 Microsoft Office for Mac 2011 大客户版，自行搜索。 1.2 Latex （MacTex）: 系统环境：https://tug.org/mactex/ &nb
Maven实战（四）生命周期 AdyZhang maven
1. 三套生命周期 Maven拥有三套相互独立的生命周期，它们分别为clean，default和site。每个生命周期包含一些阶段，这些阶段是有顺序的，并且后面的阶段依赖于前面的阶段，用户和Maven最直接的交互方式就是调用这些生命周期阶段。以clean生命周期为例，它包含的阶段有pre-clean, clean 和 post
Linux下Jenkins迁移 aijuans Jenkins
1. 将Jenkins程序目录copy过去源程序在/export/data/tomcatRoot/ofctest-jenkins.jd.com下面 tar -cvzf jenkins.tar.gz ofctest-jenkins.jd.com &
request.getInputStream()只能获取一次的问题 ayaoxinchao request Inputstream
问题：在使用HTTP协议实现应用间接口通信时，服务端读取客户端请求过来的数据，会用到request.getInputStream()，第一次读取的时候可以读取到数据，但是接下来的读取操作都读取不到数据原因： 1. 一个InputStream对象在被读取完成后，将无法被再次读取，始终返回-1； 2. InputStream并没有实现reset方法（可以重
数据库SQL优化大总结之百万级数据库优化方案 BigBird2012 SQL优化
网上关于SQL优化的教程很多，但是比较杂乱。近日有空整理了一下，写出来跟大家分享一下，其中有错误和不足的地方，还请大家纠正补充。这篇文章我花费了大量的时间查找资料、修改、排版，希望大家阅读之后，感觉好的话推荐给更多的人，让更多的人看到、纠正以及补充。 1.对查询进行优化，要尽量避免全表扫描，首先应考虑在 where 及 order by 涉及的列上建立索引。 2.应尽量避免在 where
jsonObject的使用 bijian1013 java json
在项目中难免会用java处理json格式的数据，因此封装了一个JSONUtil工具类。 JSONUtil.java package com.bijian.json.study; import java.util.ArrayList; import java.util.Date; import java.util.HashMap;
[Zookeeper学习笔记之六]Zookeeper源代码分析之Zookeeper.WatchRegistration bit1129 zookeeper
Zookeeper类是Zookeeper提供给用户访问Zookeeper service的主要API，它包含了如下几个内部类首先分析它的内部类，从WatchRegistration开始，为指定的znode path注册一个Watcher， /** * Register a watcher for a particular p
【Scala十三】Scala核心七：部分应用函数 bit1129 scala
何为部分应用函数？ Partially applied function: A function that’s used in an expression and that misses some of its arguments.For instance, if function f has type Int => Int => Int, then f and f(1) are p
Tomcat Error listenerStart 终极大法 ronin47 tomcat
Tomcat报的错太含糊了，什么错都没报出来，只提示了Error listenerStart。为了调试，我们要获得更详细的日志。可以在WEB-INF/classes目录下新建一个文件叫logging.properties，内容如下 Java代码 handlers = org.apache.juli.FileHandler, java.util.logging.ConsoleHa
不用加减符号实现加减法 BrokenDreams 实现
今天有群友发了一个问题，要求不用加减符号(包括负号)来实现加减法。分析一下，先看最简单的情况，假设1+1，按二进制算的话结果是10，可以看到从右往左的第一位变为0，第二位由于进位变为1。
读《研磨设计模式》-代码笔记-状态模式-State bylijinnan java 设计模式
声明：本文只为方便我个人查阅和理解，详细的分析以及源代码请移步原作者的博客http://chjavach.iteye.com/ /* 当一个对象的内在状态改变时允许改变其行为，这个对象看起来像是改变了其类状态模式主要解决的是当控制一个对象状态的条件表达式过于复杂时的情况把状态的判断逻辑转移到表示不同状态的一系列类中，可以把复杂的判断逻辑简化如果在
CUDA程序block和thread超出硬件允许值时的异常 cherishLC CUDA
调用CUDA的核函数时指定block 和 thread大小，该大小可以是dim3类型的（三维数组），只用一维时可以是usigned int型的。以下程序验证了当block或thread大小超出硬件允许值时会产生异常！！！GPU根本不会执行运算！！！所以验证结果的正确性很重要！！！在VS中创建CUDA项目会有一个模板，里面有更详细的状态验证。以下程序在K5000GPU上跑的。
诡异的超长时间GC问题定位 chenchao051 jvm cms GC hbase swap
HBase的GC策略采用PawNew+CMS, 这是大众化的配置，ParNew经常会出现停顿时间特别长的情况，有时候甚至长到令人发指的地步，例如请看如下日志： 2012-10-17T05:54:54.293+0800: 739594.224: [GC 739606.508: [ParNew: 996800K->110720K(996800K), 178.8826900 secs] 3700
maven环境快速搭建 daizj 安装 mavne 环境配置
一下载maven 安装maven之前，要先安装jdk及配置JAVA_HOME环境变量。这个安装和配置java环境不用多说。 maven下载地址：http://maven.apache.org/download.html，目前最新的是这个apache-maven-3.2.5-bin.zip，然后解压在任意位置，最好地址中不要带中文字符，这个做java 的都知道，地址中出现中文会出现很多
PHP网站安全，避免PHP网站受到攻击的方法 dcj3sjt126com PHP
对于PHP网站安全主要存在这样几种攻击方式:1、命令注入(Command Injection)2、eval注入(Eval Injection)3、客户端脚本攻击(Script Insertion)4、跨网站脚本攻击(Cross Site Scripting, XSS)5、SQL注入攻击(SQL injection)6、跨网站请求伪造攻击(Cross Site Request Forgerie
yii中给CGridView设置默认的排序根据时间倒序的方法 dcj3sjt126com GridView
public function searchWithRelated() { $criteria = new CDbCriteria; $criteria->together = true; //without th
Java集合对象和数组对象的转换 dyy_gusi java集合
在开发中，我们经常需要将集合对象（List，Set）转换为数组对象，或者将数组对象转换为集合对象。Java提供了相互转换的工具，但是我们使用的时候需要注意，不能乱用滥用。 1、数组对象转换为集合对象最暴力的方式是new一个集合对象，然后遍历数组，依次将数组中的元素放入到新的集合中，但是这样做显然过
nginx同一主机部署多个应用 geeksun nginx
近日有一需求，需要在一台主机上用nginx部署2个php应用，分别是wordpress和wiki，探索了半天，终于部署好了，下面把过程记录下来。 1. 在nginx下创建vhosts目录，用以放置vhost文件。 mkdir vhosts 2. 修改nginx.conf的配置，在http节点增加下面内容设置，用来包含vhosts里的配置文件 #
ubuntu添加admin权限的用户账号 hongtoushizi ubuntu useradd
ubuntu创建账号的方式通常用到两种：useradd 和adduser . 本人尝试了useradd方法，步骤如下： 1:useradd 使用useradd时，如果后面不加任何参数的话，如：sudo useradd sysadm 创建出来的用户将是默认的三无用户：无home directory ,无密码,无系统shell。顾应该如下操作：
第五章常用Lua开发库2-JSON库、编码转换、字符串处理 jinnianshilongnian nginx lua
JSON库在进行数据传输时JSON格式目前应用广泛，因此从Lua对象与JSON字符串之间相互转换是一个非常常见的功能；目前Lua也有几个JSON库，本人用过cjson、dkjson。其中cjson的语法严格（比如unicode \u0020\u7eaf），要求符合规范否则会解析失败（如\u002），而dkjson相对宽松，当然也可以通过修改cjson的源码来完成
Spring定时器配置的两种实现方式OpenSymphony Quartz和java Timer详解 yaerfeng1989 timer quartz 定时器
原创整理不易，转载请注明出处：Spring定时器配置的两种实现方式OpenSymphony Quartz和java Timer详解代码下载地址：http://www.zuidaima.com/share/1772648445103104.htm 有两种流行Spring定时器配置：Java的Timer类和OpenSymphony的Quartz。 1.Java Timer定时首先继承jav
Linux下df与du两个命令的差别？ pda158 linux
　一、df显示文件系统的使用情况，与du比較，就是更全盘化。　　最经常使用的就是 df -T，显示文件系统的使用情况并显示文件系统的类型。　　举比例如以下：　　[root@localhost ~]# df -T 　　Filesystem Type &n
[转]SQLite的工具类 ---- 通过反射把Cursor封装到VO对象 ctfzh VO android sqlite 反射 Cursor
在写DAO层时，觉得从Cursor里一个一个的取出字段值再装到VO(值对象)里太麻烦了，就写了一个工具类，用到了反射，可以把查询记录的值装到对应的VO里，也可以生成该VO的List。使用时需要注意：考虑到Android的性能问题，VO没有使用Setter和Getter，而是直接用public的属性。表中的字段名需要和VO的属性名一样，要是不一样就得在查询的SQL中
该学习笔记用到的Employee表 vipbooks oracle sql 工作
这是我在学习Oracle是用到的Employee表，在该笔记中用到的就是这张表，大家可以用它来学习和练习。 drop table Employee; -- 员工信息表 create table Employee( -- 员工编号 EmpNo number(3) primary key, -- 姓