[發明專利]基于卷積神經網絡的多波匹配方法

有效

• 申請號: 201710733508.6
• 申請日: 2017-08-24
• 公開（公告）號: CN107607992B
• 公開（公告）日: 2020-08-18
• 發明（設計）人: 姚興苗;帥領;胡光岷;劉鶄
• 申請（專利權）人: 電子科技大學
• 主分類號: G01V1/28
• 分類號: G01V1/28;G06N3/08
• 代理公司: 成都宏順專利代理事務所(普通合伙) 51227
• 代理人: 周永宏

1.一種基于卷積神經網絡的多波匹配方法，其特征在于，包括以下步驟：

A、對橫波和縱波數據進行預處理；

B、將步驟A中預處理后的橫波和縱波數據根據預設步長劃分空間網格；

C、計算步驟B中空間網格的網格點位移量；

D、將橫波和縱波數據進行融合并提取特征向量；

E、將步驟D中特征向量及對應的位移量作為訓練樣本，訓練卷積神經網絡；

F、按照步驟A-D對橫波和縱波數據進行處理得到匹配數據體，建立三維時窗對匹配數據體進行遍歷得到所有點的位移量，根據得到的位移量對縱波進行重采樣完成多波匹配。

2.如權利要求1所述的基于卷積神經網絡的多波匹配方法，其特征在于，所述步驟A對橫波和縱波數據進行預處理具體為根據縱橫波速度比將縱波數據壓縮到橫波數據時間范圍，壓縮后的縱波數據與橫波數據具有等長度。

3.如權利要求1所述的基于卷積神經網絡的多波匹配方法，其特征在于，所述步驟B將步驟A中預處理后的橫波和縱波數據根據預設步長劃分空間網格具體包括以下分步驟：

B1、計算已知點坐標中x,y,z的最大值和最小值，確定剖分區域；

B2、根據設定x,y,z方向的剖分步長對剖分區域進行劃分，得到空間網格。

4.如權利要求1所述的基于卷積神經網絡的多波匹配方法，其特征在于，所述步驟C計算步驟B中空間網格的網格點位移量具體包括以下分步驟：

C1、對空間網格進行編號建立索引，以空間網格左上角的頂點標識該空間網格，并將已知點信息記錄在對應的空間網格中；

C2、采用最大相關系數法對縱波數據的空間網格的網格點進行調整并記錄調整值；

C3、依次計算所有空間網格的網格點位移量。

5.如權利要求4所述的基于卷積神經網絡的多波匹配方法，其特征在于，所述步驟C2中采用最大相關系數法對縱波數據的空間網格的網格點進行調整的調整值計算公式為：

其中，S(j₁,j₂)為最優的調整值，j₁和j₂分別為第j₁道橫波數據和第j₂道橫波數據，為設定的位移量范圍，l為位移量范圍內的位移量取值，f為橫波數據，gl為對應位移量l的縱波數據。

6.如權利要求1所述的基于卷積神經網絡的多波匹配方法，其特征在于，所述步驟D中將橫波和縱波數據進行融合具體為將橫波中一個點的數據表示為(x_pp,y_pp,z_pp,f_pp)，縱波中一個點的數據表示為(x_ps,y_ps,z_ps,f_ps)，則融合后的數據表示為(x_pp,y_pp,z_pp,(f_pp,f_ps))。

7.如權利要求6所述的基于卷積神經網絡的多波匹配方法，其特征在于，所述步驟D中提取特征向量具體為在融合后的數據體上選取以網格點為中心的N×N×M大小的數據作為特征向量。

8.如權利要求1所述的基于卷積神經網絡的多波匹配方法，其特征在于，所述步驟E中的卷積神經網絡包括第一卷積層、第一池化層、第二卷積層、第二池化層和全連接層。

9.如權利要求1所述的基于卷積神經網絡的多波匹配方法，其特征在于，所述步驟F中建立三維時窗對匹配數據體進行遍歷得到所有點的位移量具體為建立大小為N×N×M的三維時窗，在匹配數據體上依次滑動三維時窗，直到三維時窗的中心遍歷完所有點，將三維時窗的數據點作為輸入，得到的輸出為時窗中心點的位移量。