[發明專利]基于多尺度卷積自編碼神經網絡的地震隨機噪音壓制方法

在審

• 申請號: 202010438321.5
• 申請日: 2020-05-21
• 公開（公告）號: CN111580161A
• 公開（公告）日: 2020-08-25
• 發明（設計）人: 陳偉;宋輝
• 申請（專利權）人: 長江大學
• 主分類號: G01V1/36
• 分類號: G01V1/36
• 代理公司: 武漢開元知識產權代理有限公司 42104
• 代理人: 陳家安

一種基于多尺度卷積自編碼神經網絡的地震隨機噪音壓制方法，包括以下步驟：S1，地震數據預處理：對原始地震數據進行分塊處理；S2，建立神經網絡模型：搭建多尺度卷積自編碼神經網絡模型，用于地震隨機噪音壓制；S3，去噪：將步驟S1中預處理后的地震數據輸送到步驟S2中的多尺度卷積自編碼神經網絡模型中，模型的輸出數據為去噪地震數據。本發明所提供的方法可以不需要干凈樣本進行訓練，直接從含噪數據恢復出干凈信號。本發明所提供的方法可以顯著的提高地震數據的質量，并且能夠恢復出更多的細節信息，在清除噪音的同時幾乎不損傷有用信號。

技術領域

本發明屬于隨機噪音壓制領域，具體涉及一種基于多尺度卷積自編碼神經網絡的地震隨機噪音壓制方法。

背景技術

高質量的地震數據毫無疑問易于解釋與分析，然而，地震數據經常被隨機噪音污染，所以我們得到的地震數據往往信是低信噪比的。低信噪比的數據意味著地震數據質量很低，這不利于對后續的處理與解釋。因此，在對地震數據進行解釋之前，必須對圖像質量進行改善，以得到更清晰更有用的信號。

在過去的幾十年，大量的地震資料去噪方法已經提出。基于預測的去噪方法假定在相干信號是可預測的，而隨機噪聲是不可預測的，這樣的方法包括在T-X預測濾波、F-X反褶積；基于變換的去噪方法利用信號與噪聲在變換域內具有較好的分選性，傳統的方法包括小波變換、曲波變換、拉東邊換，由于他們建立在固定的變換基函數，沒有辦法自適應的應對更復雜結構的地震數據；而字典學習是一種基于數據驅動的算法，它通過使用可學習的字典代替傳統的變換基函數，因此可以自適應的表示數據內容，然而，字典的更新將不享受效率；基于分解的方法將含噪的地震數據首先分解成不同的分量，然后選擇主要代表有用信號的成分，屬于這些基于分解的去噪方法的典型方法包括經驗模式分解及其變體。

以上方法大部分都需要設置一個與噪聲相關的參數，設置的不合理，就會削弱有效信號或噪音清除不干凈。

發明內容

針對上述問題，本發明提供一種基于多尺度卷積自編碼神經網絡的地震隨機噪音壓制方法。

為實現上述目的，本發明所采用的技術方案是：

一種基于多尺度卷積自編碼神經網絡的地震隨機噪音壓制方法，包括以下步驟：

S1，地震數據預處理：對原始地震數據進行分塊處理；

S2，建立神經網絡模型：搭建多尺度卷積自編碼神經網絡模型，用于地震隨機噪音壓制；

所述多尺度卷積自編碼神經網絡模型的結構包括：

輸入層：用于輸入原始地震數據；

編碼框架與解碼框架：編碼框架用于壓縮輸入，它由三層卷積層和池化層組成；解碼框架用于重建輸入，它由三層卷積層和上采樣層組成；

輸出層：用于輸出去噪地震數據；

S3，去噪：將步驟S1中預處理后的地震數據輸送到步驟S2中的多尺度卷積自編碼神經網絡模型中，模型的輸出數據為去噪地震數據。

進一步的，編碼框架的每個卷積層跟著一個非線性函數ReLU。

進一步的，在每一層卷積層組合使用不同尺寸的卷積核。

進一步的，所述多尺度卷積自編碼神經網絡模型中，損失函數為均方差損失函數：

J表示損失函數，W與b代表權重和偏置，y表示輸入數據，表示輸出數據，P、P₂表示概率。

本發明的有益效果如下：

其一，本發明所提供的方法可以不需要干凈樣本進行訓練，直接從含噪數據恢復出干凈信號。