基于卷积自编码器的叠前数据去噪方法及系统技术方案

本发明专利技术提供一种基于卷积自编码器的叠前数据去噪方法及系统。该基于卷积自编码器的叠前数据去噪方法包括：对叠前数据进行归一化，得到经过归一化的数据图像；对经过归一化的数据图像开辟多个大小相同的窗口，分割为多个小数据图像，选取其中一个或多个小数据图像作为卷积层输入特征图；使用卷积层的卷积核和卷积层的卷积核偏置对卷积层输入特征图进行卷积处理，得到卷积层输出特征图；将卷积层输出特征图进行池化处理和反池化处理，得到反卷积层输入特征图；使用反卷积层的卷积核和反卷积层的卷积核偏置对反卷积层输入特征图进行反卷积处理，得到反卷积层输出特征图；将反卷积层输出特征图进行反归一化，得到去噪数据，可提供高保真的去噪数据。

【技术实现步骤摘要】
基于卷积自编码器的叠前数据去噪方法及系统
本专利技术涉及去噪领域，具体地，涉及一种基于卷积自编码器的叠前数据去噪方法及系统。
技术介绍
在对地震数据“高信噪比、高分辨率、高保真度”的三高要求中，高信噪比是室内资料处理的基本要求，对地震数据的后续处理过程以及综合解释有着重要意义。随着油气勘探不断向地表复杂区域推进，噪声干扰越发严重。由于地震勘探中分辨率的限制以及各种噪声的存在，普通的处理技术不容易识别薄层及复杂构造，噪声压制势在必行。现有的地震数据去噪技术基于模型驱动，均在噪声和有效信号符合某种假设的前提上进行处理，当数据和噪声不符合假设要求时，现有的去噪技术得到数据的保真度和信噪比低下。
技术实现思路
本专利技术实施例的主要目的在于提供一种基于卷积自编码器的叠前数据去噪方法及系统，以提供高保真、高信噪比的去噪数据。为了实现上述目的，本专利技术实施例提供一种基于卷积自编码器的叠前数据去噪方法，包括：对叠前数据进行归一化，得到经过归一化的数据图像；对经过归一化的数据图像开辟多个大小相同的窗口，分割为多个小数据图像，选取其中一个或多个小数据图像作为卷积层输入特征图；使用卷积层的卷积核和卷积层的本文档来自技高网...

【技术保护点】
1.一种基于卷积自编码器的叠前数据去噪方法，其特征在于，包括：对叠前数据进行归一化，得到经过归一化的数据图像；对所述经过归一化的数据图像开辟多个大小相同的窗口，分割为多个小数据图像，选取其中一个或多个小数据图像作为卷积层输入特征图；使用卷积层的卷积核和卷积层的卷积核偏置对所述卷积层输入特征图进行卷积处理，得到卷积层输出特征图；将所述卷积层输出特征图进行池化处理和反池化处理，得到反卷积层输入特征图；使用反卷积层的卷积核和反卷积层的卷积核偏置对所述反卷积层输入特征图进行反卷积处理，得到反卷积层输出特征图；将所述反卷积层输出特征图进行反归一化，得到去噪数据。

【技术特征摘要】
1.一种基于卷积自编码器的叠前数据去噪方法，其特征在于，包括：对叠前数据进行归一化，得到经过归一化的数据图像；对所述经过归一化的数据图像开辟多个大小相同的窗口，分割为多个小数据图像，选取其中一个或多个小数据图像作为卷积层输入特征图；使用卷积层的卷积核和卷积层的卷积核偏置对所述卷积层输入特征图进行卷积处理，得到卷积层输出特征图；将所述卷积层输出特征图进行池化处理和反池化处理，得到反卷积层输入特征图；使用反卷积层的卷积核和反卷积层的卷积核偏置对所述反卷积层输入特征图进行反卷积处理，得到反卷积层输出特征图；将所述反卷积层输出特征图进行反归一化，得到去噪数据。2.根据权利要求1所述的基于卷积自编码器的叠前数据去噪方法，其特征在于，使用卷积层的卷积核和卷积层的卷积核偏置对所述卷积层输入特征图进行卷积处理，得到卷积层输出特征图，具体包括：将所述卷积层输入特征图作为第1个卷积层全部神经元的输出特征图；执行迭代处理：当L＝2，3，……，Q时，根据第L-1个卷积层全部神经元的输出特征图、连接第L-1个卷积层全部神经元与第L个卷积层全部神经元的卷积核，和第L个卷积层全部神经元的卷积核偏置，计算第L个卷积层全部神经元的输出特征图；将第Q个卷积层全部神经元的输出特征图作为所述卷积层输出特征图；其中，Q为卷积层的个数。3.根据权利要求2所述的基于卷积自编码器的叠前数据去噪方法，其特征在于，通过如下公式计算第L个卷积层全部神经元的输出特征图：其中，为第L个卷积层第j个神经元的输出特征图，为第L-1个卷积层第i个神经元的输出特征图，为连接第L-1个卷积层第i个神经元与第L个卷积层第j个神经元的卷积核，kL-1为第L-1个卷积层神经元的个数，1≤i≤kL-1，kL为第L个卷积层神经元的个数，1≤j≤kL，k1＝1,kQ＝1，为第L个卷积层第j个神经元的卷积核偏置。4.根据权利要求1所述的基于卷积自编码器的叠前数据去噪方法，其特征在于，使用反卷积层的卷积核和反卷积层的卷积核偏置对所述反卷积层输入特征图进行反卷积处理，得到反卷积层输出特征图，具体包括：将所述反卷积层输入特征图作为第1个反卷积层全部神经元的输出特征图；执行迭代处理：当L＝2，3，……，Q时，根据第L-1个反卷积层全部神经元的输出特征图、连接第L-1个反卷积层全部神经元与第L个反卷积层全部神经元的卷积核，和第L个反卷积层全部神经元的卷积核偏置，计算第L个反卷积层全部神经元的输出特征图；将第Q个反卷积层全部神经元的输出特征图作为所述反卷积层输出特征图；其中，Q为反卷积层的个数。5.根据权利要求4所述的基于卷积自编码器的叠前数据去噪方法，其特征在于，通过如下公式计算第L个反卷积层全部神经元的输出特征图：其中，为第L个反卷积层第j个神经元的输出特征图，为第L-1个反卷积层第i个神经元的输出特征图，为连接第L-1个反卷积层第i个神经元与第L个反卷积层第j个神经元的卷积核，k'L-1为第L-1个反卷积层神经元的个数，1≤i≤k'L-1，k'L为第L个反卷积层神经元的个数，1≤j≤k'L，k'1＝1,k'Q＝1，为第L个反卷积层第j个神经元的卷积核偏置。6.根据权利要求2所述的基于卷积自编码器的叠前数据去噪方法，其特征在于，得到去噪数据之后，还包括：根据所述卷积层输入特征图和所述去噪数据，得到第Q个卷积层的特征图误差；执行迭代处理：当L＝2，3，……，Q-1时，根据第L+1个卷积层的全部特征图误差、连接第L个卷积层全部神经元与第L+1个卷积层全部神经元的卷积核的转置矩阵，和第L+1个卷积层全部神经元的输出特征图的导数，计算第L个卷积层的全部特征图误差；其中，Q为卷积层的个数；根据第L个卷积层的全部特征图误差、第L-1个卷积层全部神经元的输出特征图，对连接第L-1个卷积层全部神经元与第L个卷积层全部神经元的卷积核进行更新；根据第L个卷积层的全部特征图误差对第L个卷积层全部神经元的卷积核偏置进行更新。7.根据权利要求6所述的基于卷积自编码器的叠前数据去噪方法，其特征在于，通过如下公式计算第Q个卷积层的特征图误差：其中，为第Q个卷积层的第m个特征图误差，xz为第z个卷积层输入特征图，yz为第z个去噪数据，n为去噪数据的个数；通过如下公式计算第L个卷积层的全部特征图误差：其中，为第L个卷积层的第j个特征图误差，为连接第L个卷积层第j个神经元与第L+1个卷积层第m个神经元的卷积核，为连接第L个卷积层第j个神经元与第L+1个卷积层第m个神经元的卷积核的转置矩阵，kL为第L个卷积层神经元的个数，1≤j≤kL，kL+1为第L+1个卷积层神经元的个数，1≤m≤kL+1，为第L+1个卷积层的第m个特征图误差，为第L+1个卷积层第m个神经元的输出特征图，为第L+1个卷积层第m个神经元的输出特征图的导数；通过如下公式对连接第L-1个卷积层全部神经元与第L个卷积层全部神经元的卷积核进行更新：其中，为经过更新的连接第L-1个卷积层全部神经元与第L个卷积层全部神经元的卷积核，为经过更新的连接第L-1个卷积层全部神经元与第L个卷积层全部神经元的卷积核中第u行第v列的元素，为连接第L-1个卷积层全部神经元与第L个卷积层全部神经元的卷积核，为连接第L-1个卷积层全部神经元与第L个卷积层全部神经元的卷积核中第u行第v列的元素，α为学习率，为第L个卷积层的第j个特征图误差中第u行第v列的元素，为第L-1个卷积层第i个神经元的输出特征图，为第L-1个卷积层第i个神经元的输出特征图中第u行第v列的元素；通过如下公式对第L个卷积层全部神经元的卷积核偏置进行更新：其中，为经过更新的第L个卷积层第j个神经元的卷积核偏置，为第L个卷积层第j个神经元的卷积核偏置。8.根据权利要求4所述的基于卷积自编码器的叠前数据去噪方法，其特征在于，得到去噪数据之后，还包括：根据所述卷积层输入特征图和所述去噪数据，得到第Q个反卷积层的特征图误差；执行迭代处理：当L＝2，3，……，Q-1时，根据第L+1个反卷积层的全部特征图误差、连接第L个反卷积层全部神经元与第L+1个反卷积层全部神经元的卷积核的转置矩阵，和第L+1个反卷积层全部神经元的输出特征图的导数，计算第L个反卷积层的全部特征图误差；其中，Q为反卷积层的个数；根据第L个反卷积层的全部特征图误差、第L-1个反卷积层全部神经元的输出特征图，对连接第L-1个反卷积层全部神经元与第L个反卷积层全部神经元的卷积核进行更新；根据第L个反卷积层的全部特征图误差对第L个反卷积层全部神经元的卷积核偏置进行更新。9.根据权利要求8所述的基于卷积自编码器的叠前数据去噪方法，其特征在于，通过如下公式计算第Q个反卷积层的特征图误差：其中，为第Q个反卷积层的第m个特征图误差，xz为第z个卷积层输入特征图，yz为第z个去噪数据，n为去噪数据的个数；通过如下公...

【专利技术属性】
技术研发人员：袁三一，宋卫宾，谢涛，刘颖，连世杰，邓力，王尚旭，
申请(专利权)人：中国石油大学北京，中海油田服务股份有限公司，
类型：发明
国别省市：北京,11