欢迎来到知嘟嘟! 联系电话:13336804447 卖家免费入驻,海量在线求购! 卖家免费入驻,海量在线求购!
知嘟嘟
我要发布
联系电话:13336804447
知嘟嘟经纪人
收藏
专利号: 2025117359791
申请人: 吉林大学
专利类型:发明专利
专利状态:已下证
专利领域: 测量;测试
更新日期:2026-11-16
缴费截止日期: 暂无
价格&联系人
年费信息
委托购买

摘要:

权利要求书:

1.梯度数据引导的边界增强型动态L1正则化电磁反演方法,其特征在于,包括:构建基于L1正则化的原始目标函数并初始化反演模型,其中,所述基于L1正则化的原始目标函数包括数据误差项、参考模型项和粗糙度项的加权组合,所述参考模型项使用L2范数,所述粗糙度项使用L1范数;

采用迭代重加权最小二乘法将粗糙度项中的L1范数转换为加权L2范数,得到第次外层迭代的二次目标函数;

计算观测梯度数据,并基于观测梯度数据建立电磁梯度数据边界引导矩阵,用于动态调整模型中各区域的正则化强度;

基于所述电磁梯度数据边界引导矩阵,通过迭代优化算法求解所述二次目标函数,更新模型参数;

采用单一尺度调节正则化参数,并基于收敛准则判断是否终止迭代,在迭代终止时输出对应的反演模型参数。

2.根据权利要求1所述的梯度数据引导的边界增强型动态L1正则化电磁反演方法,其特征在于,所述基于L1正则化的原始目标函数定义为:;

其中,为模型参数,为数据误差项,为参考模型项,为粗糙度项,分别为参考模型项和粗糙度项的权重;

数据误差项定义为:;其中,为对角加权矩阵,反映测量数据的不确定性;为实际观测数据;为模型预测数据;

参考模型项定义为:;其中,为小性权重矩阵;为参考模型;

粗糙度项定义为:;其中,为电磁梯度数据边界引导矩阵;为一阶差分堆叠。

3.根据权利要求2所述的梯度数据引导的边界增强型动态L1正则化电磁反演方法,其特征在于,将粗糙度项中的L1范数转换为加权L2范数,得到第次外层迭代的二次目标函数,包括:定义模型梯度的加权形式:;

在第次外层迭代中,使用IRLS方法近似L1范数,计算IRLS重加权矩阵,公式表示为:;

其中,为第次外层迭代的加权梯度向量;表示的第个分量的绝对值;为稳定常数,避免分母为0;

采用将所述粗糙度项转换为加权L2范数形式:

;

转换后的加权L2范数代入所述基于L1正则化的原始目标函数中,得到第次外层迭代的二次目标函数:;

其中,为IRLS权重与数据驱动约束结合的合成正则权重,。

4.根据权利要求1所述的梯度数据引导的边界增强型动态L1正则化电磁反演方法,其特征在于,计算观测梯度数据,并基于观测梯度数据建立电磁梯度数据边界引导矩阵,包括:根据实际观测数据计算观测梯度数据,对观测梯度数据进行稳健归一化处理,得到归一化梯度数据;

基于灵敏度分析构造映射矩阵,采用所述映射矩阵将归一化梯度数据从数据空间投影到模型梯度空间,生成梯度系数;

通过反比函数将梯度系数映射为惩罚放缩权重,并基于所述惩罚放缩权重构造电磁梯度数据边界引导矩阵。

5.根据权利要求4所述的梯度数据引导的边界增强型动态L1正则化电磁反演方法,其特征在于,所述观测梯度数据的计算公式为:;式中,为观测梯度数据;为数据差分算子;为实际观测数据;表示实数,为梯度数据数;

稳健归一化处理为:;式中,为归一化后的梯度数据的第个元素;为观测梯度数据的第个元素;为中位数;为中位数绝对偏差;为大于零的稳定常数;为区间裁剪函数,将函数结果限制在0和1之间。

6.根据权利要求5所述的梯度数据引导的边界增强型动态L1正则化电磁反演方法,其特征在于,所述映射矩阵定义为,的各个元素与数据条目对网格单元的灵敏度幅值相关:,;

其中,是映射矩阵的第行第列元素;为数据条目对网格单元的灵敏度幅值;为模型梯度系数的索引,为与相邻的模型梯度系数索引;

所述梯度系数,其中,为归一化梯度数据,为模型单元数量。

7.根据权利要求6所述的梯度数据引导的边界增强型动态L1正则化电磁反演方法,其特征在于,所述惩罚放缩权重为,其中,表示电磁梯度数据边界引导矩阵的第个惩罚缩放权重;为稳定常数;为缩放因子;为梯度系数的第个分量;为惩罚缩放权重公式的幂次参数;

电磁梯度数据边界引导矩阵,为的对角线元素,每个元素对应模型中的一个梯度系数。

8.根据权利要求3所述的梯度数据引导的边界增强型动态L1正则化电磁反演方法,其特征在于,通过迭代优化算法求解所述二次目标函数,更新模型参数包括:对当前模型进行一阶线性化处理:,其中,为正演模型在当前模型下的数据;为第次外层迭代的雅可比矩阵,;为模型预测数据的增量;为模型增量;

计算当前数据残差;

第次外层迭代的目标函数在处对求导,得到线性方程:,其中,为第次迭代对应的雅可比矩阵;

解得后,更新模型参数:,其中,为更新后的模型参数;为步长,通过线搜索或信赖域方法确定。

9.根据权利要求2所述的梯度数据引导的边界增强型动态L1正则化电磁反演方法,其特征在于,采用单一尺度调节正则化参数,并基于收敛准则判断是否终止迭代,包括:采用单一尺度与衰减比例因子联合迭代次数控制第次迭代对应的参考模型项与粗糙度项权重;

;

和为参考模型系数和粗糙度模型系数,为常数正值;

所述收敛准则包括:数据拟合误差达到预定目标值,且模型更新相对范数,目标函数相对变化,其中,为模型增量;为第次迭代的L1原始目标函数值;为第次迭代的L1原始目标函数值;、为相对阈值。