1.一种基于深度学习的时间域航空电磁反演方法,其特征在于,包括:
基于递推算法、接收的地层厚度、随机飞行高度和获取的实测地层电阻率进行正演,得到各频率点的磁场响应;
通过汉克尔变换核函数积分对所述磁场响应进行变换处理,得到频率域磁感应强度分量;
对所述频率域磁感应强度分量利用预设阶的汉克尔变换系数生成时间域阶跃响应,并基于高斯积分节点对所述时间域阶跃响应进行卷积处理,得到在垂直方向上的电磁响应数据;
利用所述电磁响应数据、所述地层厚度和所述随机飞行高度作为训练集,并利用所述训练集对待训练的长短期记忆网络进行训练,得到长短期记忆网络;
将实测的电磁响应数据输入到所述长短期记忆网络中进行反演,得到预测的目标飞行高度和目标地层电阻率。
2.根据权利要求1所述的方法,其特征在于,所述长短期记忆网络由五个长短期记忆层、丢弃层和全连接层构成,其中第一长短期记忆层的隐藏单元数为32,第二长短期记忆层的隐藏单元数为64,第三长短期记忆层的隐藏单元数为128,第四长短期记忆层隐藏单元数为256,第五长短期记忆层隐藏单元数为512;
所述利用所述训练集对待训练的长短期记忆网络进行训练,得到长短期记忆网络,包括:对所述训练集进行预处理,得到预处理后的训练集,并基于所述预处理后的训练集、所述第一长短期记忆层、所述第二长短期记忆层、所述第三长短期记忆层、所述第四长短期记忆层、所述第五长短期记忆层、所述丢弃层和所述全连接层得到预测飞行高度和预测地层电阻率;
基于所述预测飞行高度和所述预测地层电阻率对所述待训练的长短期记忆网络进行训练,得到所述长短期记忆网络。
3.根据权利要求2所述的方法,其特征在于,所述训练集还包括标签数据,所述标签数据包括标签飞行高度和标签地层电阻率;
所述对所述训练集进行预处理,得到预处理后的训练集,包括:
对所述训练集中的所述电磁响应数据、所述地层厚度和所述随机飞行高度进行归一化处理,得到第一电磁响应数据、第一地层厚度和第一随机飞行高度;
对所述标签飞行高度使用标准化缩放器进行归一化,得到第一高度,并对所述标签地层电阻率使用最小最大缩放器进行归一化,得到第一地层电阻率。
4.根据权利要求3所述的方法,其特征在于,所述基于所述预处理后的训练集、所述第一长短期记忆层、所述第二长短期记忆层、所述第三长短期记忆层、所述第四长短期记忆层、所述第五长短期记忆层、所述丢弃层和所述全连接层得到预测飞行高度和预测地层电阻率,包括:将所述第一电磁响应数据、所述第一地层厚度和所述第一随机飞行高度输入到所述第一长短期记忆层,得到第一时序特征,并将所述第一时序特征输入到批归一化层,得到第二时序特征;
将所述第二时序特征输入到所述第二长短期记忆层,得到第三时序特征,并将所述第三时序特征输入到所述批归一化层,得到第四时序特征;
基于所述第四时序特征、所述第三长短期记忆层、所述第四长短期记忆层和所述第五长短期记忆层进行任务独立分支预测,得到所述预测飞行高度和所述预测地层电阻率。
5.根据权利要求4所述的方法,其特征在于,所述基于所述第四时序特征、所述第三长短期记忆层、所述第四长短期记忆层和所述第五长短期记忆层进行任务独立分支预测,得到所述预测飞行高度和所述预测地层电阻率,包括:基于所述第四时序特征、所述第三长短期记忆层、所述批归一化层和所述丢弃层得到所述预测飞行高度;
基于所述第四时序特征、所述第四长短期记忆层、所述第五长短期记忆层、所述批归一化层、所述丢弃层得到所述预测地层电阻率。
6.根据权利要求3所述的方法,其特征在于,所述基于所述预测飞行高度和所述预测地层电阻率对所述待训练的长短期记忆网络进行训练,得到所述长短期记忆网络,包括:通过所述预测飞行高度和所述第一高度得到第一损失,并通过所述预测地层电阻率和所述第一地层电阻率得到第二损失;
通过所述第一损失和所述第二损失得到总损失,并通过所述总损失对所述待训练的长短期记忆网络进行训练,得到所述长短期记忆网络。