本发明专利技术属于地震数据处理技术领域，具体涉及一种基于3D卷积神经网络自监督3D地震数据随机噪声压制方法，1、设计3D卷积神经网络架构；2、准备含有随机噪声的3D地震数据；3、设计自监督辅助任务；4、设计避免过拟合的策略；5、运行3D卷积神经网络；6、确定最优压制噪声结果。相比于现有基于深度学习的方法，本方法通过自监督策略辅助的新型3D卷积神经网络解决数据集中样本多样性或者标签质量限制神经网络去噪能力以及泛化能力的问题；考虑3D地震数据中有效信号的空间相关性，通过3D卷积克服2D卷积在提取3D空间结构特征上的局限性，改善神经网络对有效信号的保护能力，提高3D地震资料的信噪比。的信噪比。的信噪比。
【技术实现步骤摘要】
基于3D卷积神经网络自监督3D地震数据随机噪声压制方法
[0001]本专利技术属于地震数据处理
，具体涉及一种基于3D卷积神经网络自监督3D地震数据随机噪声压制方法。
技术介绍
[0002]在实际地震资料采集过程中，受自然条件、采集设备等诸多因素制约，检波器接收到的有效信号通常与噪声信号混叠在一起。随机噪声作为主要噪声之一，在时间、空间上表现出随机性，具有较宽的频带范围，无固定传播方向和速度。随机噪声的存在提高了地震资料的复杂性，降低了信噪比，不利于后续地震资料处理和解释工作，不满足高精度地震勘探的需求。
[0003]地震随机噪声压制方法主要可分为：预测滤波类方法、模态分解方法、变换域类方法、基于反演的方法、基于深度学习的方法。预测滤波类方法根据同相轴在空间方向具有可预测性分离随机噪声和有效信号，常规的f
‑
x域预测滤波基于线性同相轴假设，当构造比较复杂时，会伤害有效信号。模态分解方法通过剔除由地震资料分解的多个分量中的噪声分量来压制噪声，这类方法在低信噪比时，很难实现有效信号分量与噪声分量的有效分离，主要包括经验模态分解和变分模态分解等。变换域类方法首先将地震数据变换至相应域，根据有效信号和随机噪声在变换域中所表现的性质差异，设计合适的阈值将二者分离，最后通过反变换获得干净的数据，这类方法对阈值的选取敏感，主要包括曲波变换、小波变换等稀疏变换算法。传统稀疏变换的基函数一般是固定不变的，从而无法处理结构复杂的地震数据。通过字典学习方法能够获得自适应的稀疏变换基函数，如基于数据驱动紧框架(Data
‑
driven Tight Frame，DDTF)方法，尽管这种方法可以处理结构复杂的数据，但计算效率较低。基于反演的随机噪声压制方法直接从噪声数据中反演有效信号，如贝叶斯反演方法，但其无法适用于低信噪比或者构造较为复杂的地震数据。
[0004]基于深度学习的地震随机噪声压制方法主要是构建神经网络模型挖掘有效信号或随机噪声的特征，从而实现二者的有效分离，大体可分为监督学习、半监督学习、自监督学习、无监督学习4类。基于监督学习的方法需要训练大量的标注数据，标注数据的多样性以及标签的质量限制了神经网络的去噪能力。基于半监督学习的方法从一定程度上缓解了基于监督学习类方法对高质量标注数据的依赖，但标签样本与无标签样本的比例影响神经网络性能。基于自监督学习和无监督学习的方法直接从噪声数据中挖掘隐含特征，不需要有效信号作为标签，前者需要设计有效的辅助任务从噪声数据中自动挖掘监督信息，后者一般需要借助网络架构作为先验模型(如Deep Image Prior方法)或依赖数据预处理技术改善性能。
[0005]现有随机噪声压制方法虽各有优势，但在应用过程中也各有限制。传统的方法在不满足假设条件、低信噪比、变换域有重叠、阈值选取不合适、构造较为复杂等情况下，容易导致随机噪声分离不彻底或伤害有效信号等问题。基于监督学习以及半监督学习的深度学习方法，在制作标签时往往需要借助传统的随机噪声压制方法，因此获得高质量的标签是
不现实。当测试数据与训练数据服从不同的数据分布时，这两类方法的泛化能力较差。现有的基于自监督学习和无监督学习的随机噪声压制方法在二维地震资料上已经获得一些研究成果，但对三维地震资料的研究相对较少。现有方法(Quan,Y.,Chen,M.,Pang,T.,et al.2020.Self2Self With Dropout:Learning Self
‑
Supervised Denoising From Single Image.2020IEEE/CVF Conference on Computer Vision and Pattern Recognition(CVPR).IEEE.)将伯努利采样应用在2D单个自然图像上，使得2D卷积神经网络以自监督的方式实现去噪。
技术实现思路
[0006]为了解决上述技术问题，本专利技术提出了基于3D卷积神经网络自监督3D地震数据随机噪声压制方法。该方法仅利用单个3D噪声地震数据进行训练，避免了对大量高质量标注数据的需求，解决数据集中样本多样性或者标签质量对神经网络去噪能力以及泛化能力的限制问题；利用3D卷积替代2D卷积提取地震数据的3D空间结构特征，从而兼顾3D地震数据中有效信号的空间相关性，解决2D卷积提取3D空间结构特征不充分的问题，改善对有效信号的保护能力，提高信噪比。
[0007]本专利技术采用的技术方案为：一种基于3D卷积神经网络自监督3D地震数据随机噪声压制方法，所述压制方法包括以下步骤：
[0008]步骤一、设计3D卷积神经网络架构；
[0009]所述3D卷积神经网络为带有跳跃连接的Encoder
‑
Decoder(编码器
‑
解码器)结构，由3DPConv(3D部分卷积层)、3DConv(3D卷积层)、LeakyReLU(渗漏整流线性单元)、3DMaxPooling(3D最大池化层)、3DUpSampling(3D上采样层)和Dropout组成；其中3DPConv(3D部分卷积层)通过利用3D卷积滤波器替换2D部分卷积层中的2D卷积滤波器获得，3DPConv可表示为：weight为3D卷积滤波器的权重，bias表示相应的偏差，feature表示当前3D卷积滑动窗口的特征值，mask表示3D的二进制掩码，sum(1)表示与mask具有相同维度但元素均为1的矩阵，表示两个矩阵中对应位置的元素相乘，前一层的3D部分卷积层可以为下一层的3D部分卷积层自动生成更新的掩码，掩码更新函数为
[0010]将3DPConv—LeakyReLU组成的模块记为3DPL，3DPConv—LeakyReLU—3DMaxPooling组成的模块记为3DPLM，将Dropout—3DPConv—LeakyReLU组成的模块记为D3DPL，Dropout—3DConv—LeakyReLU组成的模块记为D3DCL；
[0011]Encoder的结构为：
[0012][0013]Decoder的结构为：
[0014][0015]跳跃连接是将编码器某一阶段的特征向量与解码器某一阶段的特征向量在通道方向进行连接，该网络结构跳跃连接方式为：方向进行连接，该网络结构跳跃连接方式为：
[0016]输入神经网络的数据首先利用编码器映射到特征空间，随后采用不对称的解码器重构地震资料中的有效信号并压制随机噪声，此过程中借助跳跃连接将编码阶段的特征融合到解码过程中，使得解码器能够获得更多的细粒度信息，从而更好的恢复有效信号，改善压制随机噪声的性能；
[0017]步骤二、准备含有随机噪声的3D地震数据；
[0018]将步骤一设计的神经网络用于单个3D噪声数据去噪，这样就不需要设计大量的数据用于训练，只准备需要压制随机噪声的数据体；输入神经网络的3D噪声数据d可以通过在干净的有效信号上添加高斯随机噪声获得，干净的有效信号作为真实的标签c；Xline方向的采样点数为n本文档来自技高网...
【技术保护点】
【技术特征摘要】
1.一种基于3D卷积神经网络自监督3D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、设计3D卷积神经网络架构；所述3D卷积神经网络为带有跳跃连接的Encoder
‑
Decoder结构，由3DPConv、3DConv、LeakyReLU、3DMaxPooling、3DUpSampling和Dropout组成；其中3DPConv通过利用3D卷积滤波器替换2D部分卷积层中的2D卷积滤波器获得，3DPConv可表示为：weight为3D卷积滤波器的权重，bias表示相应的偏差，feature表示当前3D卷积滑动窗口的特征值，mask表示3D的二进制掩码，sum(1)表示与mask具有相同维度但元素均为1的矩阵，表示两个矩阵中对应位置的元素相乘，前一层的3DPConv可以为下一层的3DPConv自动生成更新的掩码，掩码更新函数为将3DPConv—LeakyReLU组成的模块记为3DPL，3DPConv—LeakyReLU—3DMaxPooling组成的模块记为3DPLM，将Dropout—3DPConv—LeakyReLU组成的模块记为D3DPL，Dropout—3DConv—LeakyReLU组成的模块记为D3DCL；Encoder的结构为：Input&Mask—3DPL—3DPLM—3DPLM—3DPLM—3DPLM—3DPLDecoder的结构为：3DUpSampling
①
—D3DPL
②
—D3DPL
③
—3DUpSampling
④
—D3DPL
⑤
—D3DPL
⑥
—3DUpSampling
⑦
—D3DPL
⑧
—D3DPL
⑨
—3DUpSampling
⑩
—D3DPL—D3DPL—D3DCL—D3DCL—D3DCL—Output跳跃连接是将编码器某一阶段的特征向量与解码器某一阶段的特征向量在通道方向进行连接，该网络结构跳跃连接方式为：—
①
、—
④
、—
⑦
、—
⑩
；输入神经网络的数据首先利用编码器映射到特征空间，随后采用不对称的解码器重构地震资料中的有效信号并压制随机噪声，此过程中借助跳跃连接将编码阶段的特征融合到解码过程中；步骤二、准备含有随机噪声的3D地震数据；将步骤一设计的神经网络用于单个3D噪声数据去噪，这样就不需要设计大量的数据用于训练，只准备需要压制随机噪声的数据体；输入神经网络的3D噪声数据d可以通过在干净的有效信号上添加高斯随机噪声获得，干净的有效信号作为真实的标签c；Xline方向的采样点数为nx，Inline方向的采样点数为ni，Time方向的采样点数为nt，由于神经网络能够自适应输入数据的维度，因此nx、ni、nt可...
【专利技术属性】
技术研发人员：曹伟，郭雪豹，田枫，石颖，王维红，李婷婷，
申请(专利权)人：东北石油大学，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。