一种联合深度学习的地震数据随机噪声压制方法技术

本发明专利技术属于地球科学技术领域，具体涉及一种联合深度学习的地震数据随机噪声压制方法，该方法的步骤为1、训练数据集预处理；2、样本标签准备；3、设计联合学习模型G的网络结构；4、设计损失函数；5、训练并保存网络模型；6、测试网络模型性能。通过波原子变换对地震数据波前纹理特征进行有效地稀疏表示，获取波原子域地震数据的纹理特征；将含噪声地震数据作为输入，波原子域数据和实际不含噪声数据的特征作为标签，构建空间域与波原子域联合深度学习网络结构。通过联合学习的方案解决地震数据特征提取不充分的问题，提高噪声压制效果。将空间域和波原子域的特征相结合，利用空间域与波原子域联合深度学习技术去除地震数据随机噪声。

A joint deep learning method for random noise suppression of seismic data

【技术实现步骤摘要】
一种联合深度学习的地震数据随机噪声压制方法
：本专利技术属于地球科学
，具体涉及一种联合深度学习的地震数据随机噪声压制方法。
技术介绍
：在大数据与人工智能等技术迅猛发展的信息时代，各个行业涌现出一批新颖、有效的处理方法，地震数据处理领域也在积极融合新技术解决传统方法的问题。随着油气勘探范围的不断扩大，恶劣环境和复杂地质构造会对地震资料的获取产生不利的影响，随机噪声压制是地震资料数据处理的基础性工作，旨在提升地震数据的信噪比和分辨率，以提高后续地震数据处理、解释的速度和精度。现有的地震数据随机噪声方法主要可以划分为：基于模型的去噪和基于数据驱动的去噪。基于模型的地震数据去噪方法通常建立数据的分布模型，根据分布模型来预测包含噪声数据的真实情况，其又可以划分为空间域和变换域两类手段，空间域的去噪方法中主要有均值滤波法和高斯滤波法等，基本原理为利用地震数据时域分布的特点构建滤波函数，以去除噪声数据。发展变换域的去噪方法的原因在于，很多情况下，仅仅从空间域的角度分析还不足以充分提取数据的主要特征，常用的变换方法有傅里叶变换，Radon变换本文档来自技高网...

【技术保护点】
1.一种联合深度学习的地震数据随机噪声压制方法，其特征在于：所述压制方法包括以下步骤：/n步骤一：训练数据集预处理：/n为结合波原子域的特征，将训练样本的最小单位设置为由训练集中地震数据的样本裁剪得到的若干个尺寸为256×256的切片数据x，地震数据的随机噪声通过0均值正态分布的高斯随机噪声仿真，噪声的标准差与原始地震数据的标准差成正相关，噪声标准差定义为：/n

【技术特征摘要】
1.一种联合深度学习的地震数据随机噪声压制方法，其特征在于：所述压制方法包括以下步骤：
步骤一：训练数据集预处理：
为结合波原子域的特征，将训练样本的最小单位设置为由训练集中地震数据的样本裁剪得到的若干个尺寸为256×256的切片数据x，地震数据的随机噪声通过0均值正态分布的高斯随机噪声仿真，噪声的标准差与原始地震数据的标准差成正相关，噪声标准差定义为：



M为切片时间采样总数，N为切片地震道采样总数，t为时间采样序号，s为地震道记录序号，u为地震数据的均值，l为噪声强度的比例因子；将每一个地震数据切片复制10份，分别加入10种不同强度的随机噪声，也即l分别为0.01、0.02、0.03、0.04、0.05、0.06、0.07、0.08、0.09和0.1，得到若干个包含随机噪声的切片数据y；
步骤二：样本标签准备：对于联合学习网络模型，在频域和空域分别设置标签；
空域标签：步骤一得到的原始地震切片数据x；
频域标签：对每一个原始地震切片数据x分别进行波原子变换，波原子变换采用工具箱代码完成，变换后每个切片数据x生成2个256×256的波原子域切片系数，分别设为x′1和x′2，即为频域卷积网络学习的标签；
步骤三：设计联合学习模型G的网络结构：
联合学习网络模型G由3个并行的深度卷积网络组成，分别为波原子域系数矩阵的预测网络G1，波原子系数矩阵的预测网络G2和空间域地震数据yspace的预测网络G3；
网络模型G1和G2是为了预测波原子域系数矩阵和的网络，其中，第一层输入具有1个通道；中间层是4个交替的卷积层和修正线性单元(Relu)层，每个卷积层包含256个尺寸大小为3×3的卷积滤波器，步长为1；卷积层后是Relu层，将前卷积层的输出特征输入到Relu激活函数中以执行非线性映射，用于去除系数矩阵中的非主要成分；在每次卷积前，对输入矩阵进行补0操作，以便每个特征图与输入张量保持相同大小；最后一层是1个卷积层，输入256个通道，输出1个通道，用于得到波原子域系数矩阵；
网络模型G3是为了预测空间...

【专利技术属性】
技术研发人员：张岩，李新月，王斌，聂永丹，唐国维，赵建民，李井辉，
申请(专利权)人：东北石油大学，
类型：发明
国别省市：黑龙;23