[發明專利]基于弱監督生成對抗網絡提高地震資料分辨率方法及系統

有效

• 申請號: 202110962067.3
• 申請日: 2021-08-20
• 公開（公告）號: CN113706380B
• 公開（公告）日: 2022-12-09
• 發明（設計）人: 陳文超;牛文利;周艷輝;王曉凱;師振盛
• 申請（專利權）人: 西安交通大學
• 主分類號: G06T3/40
• 分類號: G06T3/40;G06V10/774;G06V10/82;G06N3/04
• 代理公司: 西安通大專利代理有限責任公司 61200
• 代理人: 高博

1.基于弱監督生成對抗網絡提高地震資料分辨率方法，其特征在于，包括以下步驟：

S1、對屬于不同工區的低分辨率地震數據和高分辨率標簽數據進行歸一化處理；

S2、從步驟S1歸一化處理后的數據中劃分一部分作為訓練集；

S3、采用隨機抽取的方式從步驟S2劃分的訓練集中獲得訓練樣本對；

S4、設置循環生成對抗網絡模型的參數；

S5、將步驟S3獲得的訓練樣本對中的低分辨率地震數據送入步驟S4設置的循環生成對抗網絡模型的前向生成器中，得到高分辨結果G(x)；

S6、將步驟S5前向生成器的高分辨結果G(x)送入步驟S4設置的循環生成對抗網絡模型的反向生成器中，得到對應的低分辨率結果，用于計算前向生成器的損失；

S7、將步驟S5得到的高分辨結果G(x)和步驟S3訓練樣本對中的高分辨率標簽數據共同送入步驟S4設置的循環生成對抗網絡模型的判別器中進行判別，確定判別器的損失函數；

S8、聯合訓練步驟S5的前向生成器和步驟S6的反向生成器，并與步驟S7的判別器交替訓練，反復迭代更新網絡參數直到模型收斂，當前向生成器的輸出被判別為真時訓練完成；

S9、將低分辨率地震數據作為測試集送入步驟S8訓練好的前向生成器中進行測試，得到最終的高分辨結果。

2.根據權利要求1所述的方法，其特征在于，步驟S4中，模型參數包括patch的大小，學習率初始值，學習率衰減方式，batch的大小，訓練總輪數epoch，每輪訓練總的樣本個數，每隔多少輪重新抽取新的訓練數據。

3.根據權利要求2所述的方法，其特征在于，patch的大小為96×96，初始化學習率為0.0002，學習率呈指數衰減，衰減率為0.5，衰減周期為100輪，batch的大小為16，訓練總輪數epoch等于600，每輪訓練總的樣本數為800，每隔200輪在訓練區域內重新抽取新的訓練樣本對。

4.根據權利要求1所述的方法，其特征在于，步驟S5中，前向生成器的損失函數L_Gen具體為：

L_Gen＝w₁L_GAN+w₂L_cyc+w₃L_idt+w₄L_TV

其中，L_GAN表示對抗損失，L_cyc表示循環一致性損失，L_idt表示恒等損失，L_TV表示總變差損失，w₁，w₂，w₃，w₄表示各損失項的權重。

5.根據權利要求4所述的方法，其特征在于，對抗損失L_GAN如下：

其中，i＝1,2,3,…，N表示訓練樣本數，x_i為低分辨率數據，G為前向生成器，D為判別器。

6.根據權利要求4所述的方法，其特征在于，循環一致性損失L_cyc為：

其中，i＝1,2,3,…，N表示訓練樣本數，x_i為低分辨率數據，G為前向生成器，F為反向生成器。

7.根據權利要求4所述的方法，其特征在于，恒等損失L_idt為：

L_idt＝L₁+L_MS-SSIM

其中，L₁為范數損失，L_MS-SSIM為多尺度結構自相似損失。

8.根據權利要求4所述的方法，其特征在于，總變差損失L_TV為：

其中，N表示訓練樣本數，和分別表示縱向梯度和橫向梯度。