一种多粒度特征融合卷积神经网络的地震资料去噪方法技术

本发明专利技术公开了一种多粒度特征融合卷积神经网络的地震资料去噪方法，其包括通过在干净的地震资料中添加同一标准差的高斯白噪声，得到待训练的数据集，并输入神经网络；通过多粒度特征融合块从不同粒度提取各个通道的地震资料的近似特征；将含近似特征的多通道地震资料转换成可预测的单通道矢量；通过计算损失函数的最小值得到去噪后的地震资料和网络参数，并得到当前标准差的高斯白噪声的去噪模型；将不同标准差的高斯白噪声加入干净的地震资料，重复以上步骤，得到不同标准差的高斯白噪声的去噪模型，完成模型训练；待去噪的地震资料根据其标准差选择去噪模型进行去噪。本发明专利技术能够提高去噪效果、很好地保留纹理信息和减少参数调节时间。调节时间。调节时间。

【技术实现步骤摘要】
一种多粒度特征融合卷积神经网络的地震资料去噪方法


[0001]本专利技术涉及图像处理领域，具体涉及一种多粒度特征融合卷积神经网络的地震资料去噪方法。

技术介绍

[0002]地震资料在地下构造探测中起着重要的作用，如油气勘探。然而，地震资料的采集过程会受到各种各样的干扰，导致采集到的地震资料受到随机噪声的污染。地震资料中包含的噪声会降低地震数据的质量，这给地震资料后续的解释和分析工作带来困难。同时，地震资料去噪是地震资料处理中的一个热点问题，近年来得到了广泛的研究。目前为止，常见地震去噪方法可以分为以下四类：基于预测的方法、基于变换的方法、基于低秩逼近的方法、基于神经网络的方法。基于预测的方法假设有用信号是可预测的，而随机噪声是不可预测的，因此可以通过构造分离滤波器来实现信号和噪声的分离，例如:f
‑
x预测滤波、t
‑
x预测滤波、非平稳预测滤波等。基于变换的方法利用变换域中信号和噪声之间的可区分的差异性进行去噪，例如:小波变换、曲波变换、剪切波变换等。基于低秩近似的方法假定无噪声地震资料是低秩的。因为向干净的地震资料添加随机噪声将增加矩阵的秩，所以从地震中去除随机噪声可视为低秩矩阵逼近问题，例如：高阶奇异值分解(HOSVD)、加权核范数最小化方法(WNNM)等。这些传统的地震资料去噪方法虽然能在一定程度上提高地震资料的质量，但往往要求地震资料含有特定的特征。并且，传统方法的去噪性能非常依赖于参数的调整，当数据集较大时，调整参数会花费大量时间。

技术实现思路

[0003]针对现有技术中的上述不足，本专利技术提供的一种多粒度特征融合卷积神经网络的地震资料去噪方法解决了已有技术参数调节时间长以及去噪效果不好的问题。
[0004]为了达到上述专利技术目的，本专利技术采用的技术方案为：
[0005]提供一种多粒度特征融合卷积神经网络的地震资料去噪方法，其包括以下步骤：
[0006]S1、通过在干净的地震资料中添加同一标准差的高斯白噪声，得到待训练数据集，即单通道含噪地震资料；
[0007]S2、将单通道含噪地震资料输入神经网络，并通过神经网络的头部将其转换为多通道地震资料；
[0008]S3、通过多粒度特征融合块即神经网络的中部从不同粒度提取各个通道的地震资料的近似特征；
[0009]S4、在神经网络的尾部将含有近似特征的多通道地震资料转换成可预测的单通道地震资料；
[0010]S5、通过干净的地震资料和可预测的单通道地震资料构建损失函数；
[0011]S6、通过梯度下降方法计算损失函数的最小值得到去噪后的地震资料和网络参数，并得到当前标准差的高斯白噪声的去噪模型；
[0012]S7、依次将不同标准差的高斯白噪声加入干净的地震资料，重复步骤S1到步骤S6，得到不同标准差的高斯白噪声的去噪模型，完成模型训练；
[0013]S8、估计待去噪地震资料的标准差，根据标准差选择已训练好的去噪模型进行去噪。
[0014]进一步地，步骤S1的具体方法为：
[0015]根据公式：
[0016]Y＝X+N
[0017]N～Ν(μ,σ2)
[0018]得到单通道含噪地震资料Y；其中X为干净的地震资料，N为随机噪声，Ν(μ,σ2)表示服从均值为μ、标准差为σ的标准正态分布。
[0019]进一步地，步骤S2的具体方法包括：
[0020]根据公式：
[0021][0022]得到多通道地震资料其中多通道地震资料共16通道，Relu(
·
)为激活函数，Cov(
·
)为卷积层，w为地震资料的宽度，h为地震资料的高度，Y1×
w
×
h
为单通道含噪地震资料Y处理得到的包含通道数、宽度和高度的地震资料。
[0023]进一步地，步骤S2中的神经网络的头部包括卷积层和Relu激活函数。
[0024]进一步地，步骤S3的具体方法包括：
[0025]根据公式：
[0026][0027]得到含有近似特征多通道地震资料H
16
×
w
×
h
；其中body(
·
)为含有三个多粒度特征融合块的网络对输入数据的处理。
[0028]进一步地，步骤S3中的神经网络的中部包括三个依次连接的多粒度融合块；多粒度融合块包括依次连接的三个并行的多粒度特征提取部分和一个特征融合部分；多粒度特征提取部分包括依次连接的第一卷积层加第一批处理归一化层、第二卷积层加第二批处理归一化层和第三卷积层加第三批处理归一化层加第一激活函数层；特征融合部分包括依次连接的融合层、第四卷积层加第四批处理归一化层加第二激活函数层和第五卷积层加第五批处理归一化层加第三激活函数层。
[0029]进一步地，步骤S4的具体方法包括：
[0030]根据公式：
[0031][0032]得到可预测的单通道地震资料其中tail(
·
)为神经网络的尾部对数据的处理过程；其中神经网络的尾部包含Cov(
·
)卷积层和Relu(
·
)激活函数。
[0033]进一步地，步骤S5中构建损失函数的具体方法为：
[0034]根据公式：
[0035][0036]得到损失函数loss；其中θ为网络参数，X
ij
为宽度为i高度为j的干净的地震资料，为宽度为i高度为j的可预测的单通道地震资料，w为地震资料的宽度，h为地震资料的高度。
[0037]进一步地，步骤S6中通过梯度下降方法计算损失函数的最小值得到去噪后的地震资料和网络参数的具体方法为：
[0038]S6
‑
1、随机初始化网络参数θ；
[0039]S6
‑
2、根据公式：
[0040][0041]得到损失函数关于网络参数的导数；
[0042]S6
‑
3、根据公式：
[0043][0044]更新网络参数；其中n为正整数，α为学习率；
[0045]S6
‑
4、判断损失函数前后两次变化是否小于预设的阈值，若是则判定损失函数收敛取得最小值，并得到对应的网络参数θ和可预测的单通道地震资料即去噪后的地震资料；否则返回步骤S6
‑
3继续进行迭代更新。
[0046]本专利技术的有益效果为：
[0047]1、本专利技术基于卷积神经网络去噪，提出了一种多粒度特征融合的卷积神经网络去噪方法用于地震资料进行去噪；利用不同大小的卷积核从不同粒度提取地震资料的特征，再将所提取的特征进行融合，充分利用了地震资料的局部自相似性进行去噪，从而提高去噪效果。
[0048]2、本专利技术基于神经网络去噪方法进行研究，相对于传统的去噪方法而言，在实验时，对参数的调节是更加智能化的，无需对某一张地震资料进行参数的调整，也无需在数据量大时花费大量时间调节本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种多粒度特征融合卷积神经网络的地震资料去噪方法，其特征在于，包括以下步骤：S1、通过在干净的地震资料中添加同一标准差的高斯白噪声，得到待训练数据集，即单通道含噪地震资料；S2、将单通道含噪地震资料输入神经网络，并通过神经网络的头部将其转换为多通道地震资料；S3、通过多粒度特征融合块即神经网络的中部从不同粒度提取各个通道的地震资料的近似特征；S4、在神经网络的尾部将含有近似特征的多通道地震资料转换成可预测的单通道地震资料；S5、通过干净的地震资料和可预测的单通道地震资料构建损失函数；S6、通过梯度下降方法计算损失函数的最小值得到去噪后的地震资料和网络参数，并得到当前标准差的高斯白噪声的去噪模型；S7、依次将不同标准差的高斯白噪声加入干净的地震资料，重复步骤S1到步骤S6，得到不同标准差的高斯白噪声的去噪模型，完成模型训练；S8、估计待去噪地震资料的标准差，根据标准差选择已训练好的去噪模型进行去噪。2.根据权利要求1所述的多粒度特征融合卷积神经网络的地震资料去噪方法，其特征在于，步骤S1的具体方法为：根据公式：Y＝X+NN～Ν(μ,σ2)得到单通道含噪地震资料Y；其中X为干净的地震资料，N为随机噪声，Ν(μ,σ2)表示服从均值为μ、标准差为σ的标准正态分布。3.根据权利要求1所述的多粒度特征融合卷积神经网络的地震资料去噪方法，其特征在于，步骤S2的具体方法包括：根据公式：得到多通道地震资料其中多通道地震资料共16通道，Relu(
·
)为激活函数，Cov(
·
)为卷积层，w为地震资料的宽度，h为地震资料的高度，Y1×
w
×
h
为单通道含噪地震资料Y处理得到的包含通道数、宽度和高度的地震资料。4.根据权利要求1所述的多粒度特征融合卷积神经网络的地震资料去噪方法，其特征在于，步骤S2中的神经网络的头部包括卷积层和Relu激活函数。5.根据权利要求3所述的多粒度特征融合卷积神经网络的地震资料去噪方法，其特征在于，步骤S3的具体方法包括：根据公式：得到含有近似特征多通道地震资料H
16
×
w
×
h
；其中body(

【专利技术属性】
技术研发人员：冯俊，李晓琴，乐芮含，刘斌，刘序志，雷竞雄，刘夕，周春花，李鑫，
申请(专利权)人：成都理工大学，
类型：发明
国别省市：