海洋可控源电磁法通过多年的不断发展,已被全球的地球物理勘探工作者广泛应用于天然气水合物和海底油气资源的勘查,方法的有效性得到了充分的验证。随着海洋可控源电磁方法在海上应用的增多,有些技术细节问题逐渐凸显。在进行海洋可控源电磁探测时,为了采集得到良好的具有一致性的海底电磁数据,要求拖曳过程中的发射机离底高度能够稳定在一定范围内。为了解决这一问题,本文介绍了一种基于深度学习的海洋大功率电磁发射机拖体和尾标离底高度水下控制的方案:利用深度学习对发射机拖体和尾标的拖曳曲线作非线性回归,预测出它们在下一时刻的离底高度,进而指导甲板端工作人员提前做出干预,保证发射机拖体和尾标一直工作于预定高度。如今,深度学习作为人工智能的一种方式在众多应用领域都发挥了重要的实用价值,如语音识别和图像处理。通过设计多层神经网络,将大量的简单计算单元连接在一起,实现表达复杂关系的能力。本论文利用10次10折交叉验证法对学习模型的性能表现进行评估,选择以长短期记忆(LSTM)模型为主体构建网络。LSTM是一种特殊的循环神经网络(RNN),引入了自循环使得梯度能够持续流动,避免了长序列训练过程中的梯度消失和梯度爆炸问题。简单来说,就是相比普通的RNN,LSTM能够在更长的序列中有更好的表现。对数据进行预处理得到包含10000个标注样本的训练集,经过调参、训练得到的模型在预测中表现良好,相对误差在5%以下,具有很强的实用性、鲁棒性和泛化能力。整个模型基于python编写,使用Pycharm作为语言开发软件,由Anaconda部署环境。本论文将深度学习引入到海洋可控源电磁探测中,在发射机拖曳过程的任一时刻,利用下位机传输上来的数据对后序时刻发射机拖体和尾标离底高度做出预测,最后给出具体的收放缆长度、收放缆速度等操作指令。能够有效防止发射机触底并且能将发射机的离底高度稳定在某一范围内,比以往人工判断和操作更为稳定精确,为最终得到符合要求的海底可控源电磁数据提供技术支撑。