一种基于变分自编码器的地震数据扩充方法技术

本发明专利技术公开一种基于变分自编码器的地震数据扩充方法，应用于地球物理勘探解释技术及深度学习领域，为了解决现有的人工获取稳定、可靠的某类地震数据要花费大量的人力物力的问题，本发明专利技术先利用无标签的数据去训练整个VAE网络模型，对于某一类想要扩充样本的标签数据，将其输入到训练好的VAE网络中，通过编码器得到一个二维的隐变量数据，再利用高斯混合模型得到此二维隐变量的具体分布；在已知隐变量分布的情况下，可以采样得到同分布的更多的隐变量数据，将这些隐变量数据输入到训练好的VAE网络模型的解码器中，就可以得到大量的接近某一类标签数据的样本，以此达到一个实现扩充地震数据的目的。

A method of seismic data expansion based on variational self encoder

【技术实现步骤摘要】
一种基于变分自编码器的地震数据扩充方法
本专利技术属于地球物理勘探解释技术及深度学习领域，特别涉及一种地震数据处理技术。
技术介绍
近年来，在深度学习领域，无监督学习模型受到越来越多的关注，尤其是在深度生成模型方面，取得了突破性的进展。其中，变分自编码器(VariationalAuto-Encoders,VAE)和生成对抗网络(GenerativeAdversarialNetworks,GAN)被视为无监督学习领域最具有研究价值的方法之一，在深度生成模型领域得到越来越多的应用。变分自编码器(VAE)作为深度生成模型的一种形式，是由Kingma等人于2014年提出的基于变分贝叶斯(VariationalBayes，VB)推断的生成式网络结构。变分自编码器作为特殊形式的自编码器模型，一经提出就迅速成为深度生成模型领域最受关注的形式之一，VAE是一种深度隐空间生成模型，在数据生成方面表现出巨大的应用价值，尤其是在图像生成方面，得到了非常广泛的应用。变分自编码器(VAE)模型是一个数学逻辑性极强的数据生成模型，结合深度学习和统计学习构造了一套逻本文档来自技高网...

【技术保护点】
1.一种基于变分自编码器的地震数据扩充方法，其特征在于，包括：/nS1、将不同类型的无标签地震数据作为训练集，/nS2、采用步骤S1的训练集对VAE网络进行训练，得到训练好的VAE网络模型；/nS3、将待扩充样本的标签数据输入步骤S2训练好的VAE网络模型，得到新的样本数据。/n

【技术特征摘要】
1.一种基于变分自编码器的地震数据扩充方法，其特征在于，包括：
S1、将不同类型的无标签地震数据作为训练集，
S2、采用步骤S1的训练集对VAE网络进行训练，得到训练好的VAE网络模型；
S3、将待扩充样本的标签数据输入步骤S2训练好的VAE网络模型，得到新的样本数据。


2.根据权利要求1所述的一种基于变分自编码器的地震数据扩充方法，其特征在于，步骤S3具体为：
S31、将待扩充样本的标签数据作为VAE网络模型的编码器的输入；
S32、VAE网络模型的编码器输出隐变量；
S32、通过高斯混合模型拟合出隐变量的分布；
S33、根据拟合的分布，从该分布中采样得到大量隐变量；
S34、将步骤S33获得的大量的隐变量输入VAE网络模型的解码器，得到新样本数据。


...

【专利技术属性】
技术研发人员：胡光岷，陈松，李坤鸿，蔡涵鹏，
申请(专利权)人：电子科技大学，
类型：发明
国别省市：四川;51