1.一种基于深度学习的分形分布磁异常数据反演磁源深度方法,其特征在于,该方法包括:a、通过仿真生成磁化强度为分形分布的磁异常数据;
b、设计基于特征解耦的深度学习网络模型结构和参数,初始化深度学习网络模型参数;
c、将磁异常数据输入深度学习网络模型,计算功率谱,垂直磁化条件下层状地质体径向功率谱计算公式为:为径向波数,C为常数,Δz为磁层厚度,β为分形指数,zt为磁层顶部深度,磁源底部深度zb=zt+Δz;并采用Adam优化算法使损失函数最小化,完成深度学习网络模型训练,利用训练数据集进行网络性能测试;
d、对实测的磁异常数据进行数据预处理,并将处理好的数据送入深度学习网络模型,完成磁层底部深度的反演。
2.按照权利要求1所述的基于深度学习的分形分布磁异常数据反演磁源深度方法,其特征在于,所述步骤a具体包括:
a1、生成一组三维白噪声数组,使其磁化强度满足正态分布;
a2、将三维白噪声数组通过傅里叶变换转换到频域,此时其功率谱密度为常数;
a3、傅里叶变换后的功率谱值乘以磁化强度的功率谱;
a4、进行傅里叶逆变换转换回空间磁化强度数组,磁化强度满足分形分布。
3.按照权利要求1所述的基于深度学习的分形分布磁异常数据反演磁源深度方法,其特征在于,所述步骤c还包括:
c1、在功率谱中加入位置编码,将功率谱序列数据分别输向zt、zb和β编码器进行特征解耦,同时在旁支添加解码器做辅助任务,用以监督特征解耦的准确性;编码器选用LSTM神经网络,设置网络隐藏层数为l层,隐藏单元数量为m,输入特征维度为n;
c2、经过编码器提取得到zt、zb和β特征解耦后的三个特征向量,在三个特征向量之间加入自注意力机制,经过计算得到输出的预测值每一个预测结果 与实测值都会有一个差值et,将所得误差求和,运用Adam优化算法不断更新权重直至总误差满足精度要求,Adam算法参数更新公式为:2
其中,mt=η(β1mt‑1+(1‑β1)gt)为一阶动量,vt=β2vt‑1+(1‑β2)diag(gt)为二阶动量,β1、β2为权重衰减系数,ε为平滑项,防止分母为0;
c3、再将输出数据经过池化层和回归层回归出磁源底部深度信息。
4.按照权利要求1所述的基于深度学习的分形分布磁异常数据反演磁源深度方法,其特征在于,步骤d具体包括:
d1、对于实测磁异常数据,将数据投影到墨卡托坐标系;
d2、投影后的数据做插值和扩边,填补缺失的部分数据点,得到处理后的实测磁异常数据;
d3、将实测磁异常数据送入深度学习网络模型进行计算,得到磁源底部深度计算结果。