一种基于非局部注意力卷积神经网络的地震数据重建方法技术

本发明专利技术公开了一种基于非局部注意力卷积神经网络的地震数据重建方法。本发明专利技术通过非局部注意力机制建立长距离特征关系，通过计算不同局部特征之间的相关性权重，建立局部特征之间的依赖关系，使局部特征可以感知到全局信息，通过引入更多的全局信息加强局部特征的学习能力。因此，非局部注意力可以在不显著加大网络深度的同时建立长距离特征关系，有效融合局部特征和全局特征。本发明专利技术采用深度残差网络模块，该模块中包含的多个短跳跃连接和一个长跳跃连接，在有效防止过拟合的同时，还能允许大量的浅层特征向深层传递，方便了信息的流动，使主网络专注于重建缺失的地震数据。使主网络专注于重建缺失的地震数据。使主网络专注于重建缺失的地震数据。

【技术实现步骤摘要】
一种基于非局部注意力卷积神经网络的地震数据重建方法


[0001]本专利技术涉及地震数据重建领域，具体是一种基于非局部注意力卷积神经网络的地震数据重建方法。

技术介绍

[0002]随着科技的不断发展，油气勘探更加成熟，对石油、天然气的勘探力度越来越大。然而野外地震数据的采集受复杂的地质条件以及采集环境的影响，容易使采集到的地震数据出现不完整或不规则分布的现象。在实际应用方面，地震数据作为后续处理和反演的先天之本，对其进行高信噪比、高保真、高效的重建具有十分重要的现实意义。
[0003]传统的地震插值重建可以分为基于稀疏优化的重建方法、基于预测滤波的重建方法等。稀疏优化算法基于压缩感知的理论，包括最小凸优化算法等，该类方法可以在一定条件下精确重建出所有的系数信号，但计算复杂度高，重建时间长，难以解决大尺度信号的重建问题，实用性较差。基于预测滤波的方法是通过插值滤波器来实现重建，在地震数据处理领域，对含有空间假频的规则采样地震数据，通常采用预测误差滤波方法来进行道内插值，从地震数据的低频信息中提取出高频成分的预测滤波算子，进而恢复出待重建数据本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于非局部注意力卷积神经网络的地震数据重建方法，其特征在于，该方法包括以下步骤：步骤1、对原始地震数据集进行处理，生成统一尺寸的地震数据图像；将地震数据图像分为训练集、验证集和测试集；地震数据图像包括完整地震图像和缺道地震图像；缺道地震图像作为非局部注意力卷积神经网络的输入，其对应的完整地震图像作为标签，在计算损失函数时使用；步骤2、将缺道地震图像进行下采样，生成低分辨率地震图像LR；步骤3、将低分辨率地震图像LR输入到非局部注意力模块中，经过非局部注意力模块后的输出z为：z＝W
z
y+x
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(1)其中，其中，式(1)
‑
(3)中，z是非局部注意力模块输出的特征图，x是低分辨率地震图像LR；softmax表示归一化指数函数；W
i
、W
j
、W
k
和W
z
均为大小是1
×
1的单位卷积核；步骤4、将步骤3得到的非局部注意力模块的输出结果z输入到深度残差模块中，深度残差模块由n个连续的基础残差块、一个卷积层和一个长跳跃连接构成；经过深度残差模块后的输出G为：G＝W
conv
F
n
+z
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(4)式(4)中，F
n
表示第n个基础残差块的输出，W
conv
表示一个卷积层的权重参数，z表示深度残差模块的输入；步骤5、将步骤4得到的深度残差模块的输出G输入到非局部注意力模块中，具体过程与步骤3相同；步骤6、将步骤5的结果进行上采样，得到此次迭代的高分辨率重建地震图像F
out
；步骤7、得到高分辨率重建地震图像F
out
后，再通过损失函数对此次迭代的非局部注意力卷积神经网络进行优化；步骤8、通过损失函数不断优化非局部注意力卷积神经网络，直至达到设定的迭代次数，得到训练后的非局部注意力卷积神经网络。2.根据权利要求1所述的基于非局部注意力卷积神经网络的地震数据重建方法，其特征在于，步骤1中，生成地震数据图像的过程中，通过对原始地震数据集中的地震数据进行随机翻转和旋转90
°
、180
°
、270
°
来进行图像增强。3.根据权利要求1所述的基于非局部注意力卷积神经网络的地震数据重建方法，其特征在于，步骤3的具体操作为：先用三个单位卷积核W
i
、W
j
、W
k
分别对低分辨率地震图像LR进行特征提取，得到三个特征图矩阵W
i
x、W
j
x和W
k
x；将特征图矩阵W
i
x和W
k
x均进行先维度重排再转置，分别得到特征图和然后与维度重排后的W
j
x进行矩阵乘，得到相似度矩阵再使用归一化指数函数softmax对相似度矩阵进行归一化处理，得到归一化权重...

【专利技术属性】
技术研发人员：常光耀，贾永娜，沈晓宁，王国伟，顾军华，
申请(专利权)人：河北工业大学，
类型：发明
国别省市：