地震勘探学习 (一)1. 地震波速度概念: 地震波在地下岩层中传播的距离与传播时间的比值. 其单位(km/s or m/s).\( v = \frac{\lambda}{t} \) or \(v = \lambda f\)地震波在空气中的传播速度大约为340m/s; 在近地表区域, 其速度大约是数百米/秒 ( 通常与岩层结构以及其他地质因素有关). 在地下2885千米之深处, 纵波速度最大, 其速

在训练过程中，生成器和判别器的目标是相矛盾的，并且这种矛盾可以体现在判别器的判断准确性上。生成器的目标是生成尽量真实的数据，最好能够以假乱真、让判别器判断不出来，因此生成器的学习目标是让判别器上的判断准确性；相反，判别器的目标是尽量判别出真伪，因此判别器的学习目标是让自己的判别准确性。当生成器生成的数据越来越真时，判别器为维持住自己的准确性，就必须向辨别能力越来越强的方向迭代。当判别器越来越强大时

比如说，输出y4可以是x4经过一次卷积，也可以是x3经过2次卷积，还可以是x2经过三次卷积。如下图，黄色部分表示高频特征图，蓝色部分表示低频特征图。作者还提到，不仅在普通的卷积中可以改造成八度卷积的方法，对于分组和可分离卷积同样也是适用的。而且八度卷积是一个可插拔的整体操作，基本上只需要在特定位置上改成相应的八度卷积即可，卷积参数基本上保持不变，只是增加了一个低频占比的参数，以及在输入输出的特征图

其中与大佬交流后，项目需要神经网络技术支撑。但恕本人才疏学浅，之前对这方面了解甚少，本贴就作为我的学习笔记。1.神经网络神经网络是深度学习的重要算法，在图像（如图像的分类、检测）和自然语言处理（如文本分类、聊天）有很多应用。人工神经网络（Artificial Neural Network)，也简称为神经网络，是一种模仿生物神经网络（大脑）结构和功能的计算模型。经典的神经网络结构包含三个层次，即输入

ESPCN：加入亚像素卷积层的神经网络

1.REDRED-Net(very deep Residual Encoder-Decoder Networks)，即非常深的残差编码器-解码器网络。RED-Net的结构是对称的，每个卷积层都有对应的反卷积层。卷积层在消除损坏的同时捕获图像内容的抽象，反卷积层则对特征图进行上采样和恢复图像细节。每一组镜像对应的反卷积层有着跳跃连接结构，将两部分具有同样尺寸的特征做相加处理。这解决了两个问题：1）当

SRCNN：一种用于单图像超分辨率的深度学习方法

FSRCNN——SRCNN的改进版

自动编码器（AutoEncoder），也称自编码模型，是一种基于无监督学习的数据维度压缩和特征表示方法，目的是对一组数据学习出一种表示。1986年 Rumelhart 提出自编码模型用于高维复杂数据的降维。由于自动编码器通常应用于无监督学习，所以不需要对训练样本进行标记。自动编码器再图像重构、聚类、降维、自然语言翻译等方面应用广泛。

企业数字化转型是利用物联网、云计算、大数据、人工智能、区块链等信息技术，实现前端的数据自动采集、数据自动传输和实时感知，中间的安全存储、实时监控和集中控制，后端智能分析、数据共享和技术支撑。前、中、后端的整合、协同、高效联动和数据共享，有力地推动了传统业务操作流程的重构和工作模式的变革。人工智能在这种转变中发挥着至关重要的作用。人工智能技术有望打破探索和发展的瓶颈，将管理模式从垂直、孤立（传统）转