一、本周计划回顾巩固机器学习核心知识与FWI认知搭建二、完成情况回顾学习神经网络2.1 神经网络重点系统学习了神经网络补齐深度学习底层建模、非线性拟合、网络特征映射的核心知识。神经元与神经网络基础单元原理从仿生学角度理解了人工神经元的设计逻辑人工神经元模拟人类大脑神经突触的信号传递机制是所有深度学习网络的最小计算单元。系统学习了神经元的数学计算模型通过输入特征加权求和叠加偏置项后经由激活函数输出非线性结果。重点掌握了常用激活函数的特性及适用场景Sigmoid函数用于二分类、输出归一化能够将数值压缩至0-1区间是浅层神经网络经典激活函数同时了解了ReLU激活函数的优势有效解决深层网络梯度饱和问题为后续DL-FWI深层网络搭建提供理论参考。多层前馈神经网络整体架构系统掌握了标准三层神经网络结构输入层、隐藏层、输出层的功能分工与信息传递逻辑。输入层负责原始数据输入对应DL-FWI中的原始地震波形数据隐藏层是网络核心特征提取模块通过多层非线性变换自动挖掘地震数据中的有效特征、剔除噪声干扰拟合地震波传播与地下介质的映射关系输出层负责输出预测结果对应DL-FWI最终反演的地下速度模型参数。正向传播流程数据从输入层逐层向前计算经过每一层的权重加权、偏置叠加、激活函数非线性变换最终在输出层得到预测输出。本周完整推导了单层、多层网络的正向传播计算公式明确了每层参数的运算规则。反向传播与网络参数优化核心机制反向传播以代价函数误差为依据从输出层反向逐层求解各层权重、偏置的梯度结合梯度下降算法迭代更新网络参数通过不断迭代最小化损失函数提升模型拟合精度。完整理解了神经网络训练闭环数据正向传播得到预测结果、计算真实值与预测值的误差、误差反向传播求解梯度、梯度下降更新参数、迭代收敛得到最优模型。2.2 DL-FWI主流研究体系学习目前深度学习全波形反演主要分为严格端到端深度学习反演与深度学习辅助传统FWI两大范式。端到端DL-FWI多采用CNN编解码结构直接构建地震数据到地下速度模型的映射关系大幅提升反演效率但存在物理意义弱化、空间特征捕捉不足的问题深度学习辅助范式主要利用网络完成低频数据外推、初始模型优化、迭代结果修正等工作兼顾物理约束与数据驱动优势是目前领域主流研究方向。三、存在问题神经网络理论推到与细节掌握不足已熟练掌握神经网络正向、反向传播的宏观流程但对于多层复杂网络的链式求导详细推导、不同激活函数对应的梯度变化规律掌握不够扎实对网络层数、节点数对非线性拟合能力的影响理解不够深刻。四、下一步计划继续回顾机器学习知识延伸学习梯度下降变种算法同时开启 DL‑FWI 相关文献调研工作阅读深度学习驱动全波形反演领域的经典论文与前沿成果总结现有神经网络反演方案的技术框架对比不同网络结构的优劣挖掘当前研究尚存的难点逐步确定后续的研究思路。