[發明專利]一種基于深度神經網絡的自適應異常振幅壓制方法

有效

• 申請號: 202010159543.3
• 申請日: 2020-03-09
• 公開（公告）號: CN111308553B
• 公開（公告）日: 2021-02-02
• 發明（設計）人: 陸文凱;田星宇
• 申請（專利權）人: 清華大學
• 主分類號: G01V1/36
• 分類號: G01V1/36;G06N3/04;G06N3/08
• 代理公司: 北京眾合誠成知識產權代理有限公司 11246
• 代理人: 史雙元

本發明公開了一種基于深度神經網絡的自適應異常振幅壓制技術，所述技術包括以下步驟：步驟1：利用深度神經網絡提取異常振幅的位置信息和寬度信息；步驟2：利用步驟一提取的數據自適應地設計異常振幅區域的異常振幅衰減算法的參數。本發明利用深度神經網絡的方法，使用網絡來確定異常振幅的位置信息和寬度信息。然后再將這些信息用于后續的AAA去噪的過程中，從而使得AAA算法能夠自適應地作用于不同的異常振幅，更好地壓制噪聲和保留有效信號。

技術領域

本發明涉及地震數據噪聲壓制技術領域，特別是涉及基于深度神經網絡的自適應異常振幅壓制方法。

背景技術

原始的地震數據通常含有大量噪聲，其中異常振幅噪聲是十分常見的一種噪聲。為了后續的地震反演和解釋等相關處理，通常需要對這些異常振幅噪聲進行壓制。

目前處理異常振幅噪聲的常用方法是Anomalous Amplitude Attenuation(AAA)法。該方法首先將原始的時空域(t-x域)地震數據通過快速傅里葉變換轉換到頻率波數域(f-k域)，然后在f-k域中對待處理信號進行分頻帶處理。在每個頻帶內，記待處理的原始的信號為f(x),設定的能量閾值為thre，E(x)表示信號能量,Median(x)表示中值濾波器得到的中值，f_p(x)為處理后的結果,其表達式如公式(1)所示：

該方法首先對于待處理的f-k域數據進行分頻帶分窗處理，以需要處理的道為中心開一個窗口，計算每個頻帶內待處理道的能量和窗內待處理頻帶的能量的中值，然后將兩者比值和預設的閾值進行比較，如果小于該閾值，則認為待處理道的這個頻帶的能量正常，不存在異常振幅，不進行處理；反之，若兩者比值大于閾值，則認為待處理道在這個頻帶的能量異常，屬于異常振幅，故需要對其進行壓制，則將其能量壓制到窗口內該頻帶能量的中值大小。

該方法目前廣泛應用于實際的生產中，包括OMEGA等商用軟件中也使用該方法來壓制異常振幅噪聲。但是該方法存在對異常振幅壓制的效果受分窗時的窗寬影響過大的問題。在實際使用中，由于地震數據的總量一般較大，所以使用的窗寬參數一般是固定值或者是根據少數幾個控制點處的窗寬值進行線性插值得到的。由于異常振幅噪聲在數據中的寬度和大小都是變化很大的，因此使用固定的參數難以很好地在保護有效信號的情況下濾除異常振幅噪聲。當設置的窗寬較小的時候，對于寬度較大的異常振幅信號則無法去除干凈；當設置的窗寬較大的時候，對于部分有效信號損傷又會比較嚴重。因此，需要一個能夠自適應地設計窗寬的方法來提升去噪的效果。

卷積神經網絡從2012年在ImageNet中取得了很好的成績后，在越來越多的領域也都取得了很好的效果。全卷積神經網絡在2015年提出，由于其能夠輸出端到端的像素級分類結果，使得其在分割問題中有很好的效果。而深度神經網絡近些年也越來越多地應用于地球物理的相關問題中。

因此希望有一種基于深度神經網絡的自適應異常振幅壓制方法能夠解決現有技術中存在的問題。

發明內容

本發明公開了一種基于深度神經網絡的自適應異常振幅壓制方法,所述方法包括以下步驟：

步驟1：利用深度神經網絡提取異常振幅的位置信息和寬度信息；

步驟2：利用步驟1提取的數據自適應地設計異常振幅區域的異常振幅衰減算法的參數。

優選地，所述步驟1包括以下步驟：

步驟1.1：數據生成，通過異常振幅衰減算法進行數據生成，生成訓練數據對應的標簽；

步驟1.2：進行訓練，利用全卷積神經網絡，將原始數據和步驟1.1生成的標簽進行訓練；

步驟1.3：進行測試，將待處理數據輸入步驟1.2訓練好的網絡，得到網絡預測輸出；