一种基于曲波变换与多分枝深层自编码的多尺度地震噪声压制方法技术

本发明专利技术公开了一种基于曲波变换与多分枝深层自编码的多尺度地震噪声压制算法。属于地震信号处理领域。本发明专利技术提出采用基于多分枝卷积自编码器与曲波变换去噪算法动态融合的多尺度地震噪声压制方法，实现准确的地震数据噪声压制与弱信号提取。首先生成含真实噪声的数据训练集与纯净的数据标签集，生成的训练集与标签集通过切块算法得到一组大小相同的矩阵，并将其输入到构建的多分枝卷积自编码地震噪声压制网络，进行模型的迭代训练，迭代结束后保存模型参数，完成网络训练；通过相同的方法将需要去噪的数据加工成预测集，并将其分别输入到神经网络分支与曲波变换分支，两个分支的运算结果通过均方损失算法根据数据的特征进行动态加权融合，得到高精度的纯净地震数据。该方法能够显著压制地震数据中多尺度的噪声特征，并增强多尺度的深层弱信号，提高整体信噪比。该方法效果优于传统算法，为地震数据的噪声压制提供了新的思路。噪声压制提供了新的思路。噪声压制提供了新的思路。

【技术实现步骤摘要】
一种基于曲波变换与多分枝深层自编码的多尺度地震噪声压制方法


[0001]本专利技术涉及信号处理领域，特别是涉及一种传统曲波变换算法与深度学习算法相结合的地震信号处理方法。

技术介绍

[0002]在地球物理勘探的科研领域中，全波形反演技术与叠前偏移成像等等关键技术离不开地震子波的准确提取，对地震子波的信噪比要求较高。我国西部地区的塔里木地区富含石油天然气资源，但资源大都储藏在地下深层或者超深层，带来严重的噪声干扰，通过地震勘探所接收到的地震信号质量难以保证，严重影响到了全波形反演与叠前偏移成像的精度。
[0003]现有的地震噪声压制方法以传统算法居多，如小波变换、多道奇异普分析、f
‑
k二维滤波等。传统算法的噪声压制效果一般，且会误伤有效信号，整体的信噪比提高有限，也无法对某处地区做针对性的噪声压制优化，难以获得最佳的噪声压制效果。

技术实现思路

[0004]为了解决现有技术存在的问题，本专利技术提供了一种基于曲波变换与多分枝深层自编码器的神经网络模型，用于地震数据噪声压制。通过改进传统曲波变换算法实现对地震数据边缘信息的提取，并构建去噪自编码网络，加入卷积层、池化层、多分枝结构、残差结构、数据增强层等，提高神经网络的学习能力与对抗过拟合能力；其次用含噪声地震数据与不含噪声纯净数据对神经网络进行训练，并与曲波变换降噪算法进行动态加权分块化融合，可实现显著的地震数据噪声压制效果；模型可对不同地区的地震数据进行训练并保存该区域的参数，从而实现对不同区域的针对性噪声压制。
[0005]本专利技术所采用的具体技术方案是：
[0006]首先构建含有实际地震噪声的地震数据，并作为训练集，将不含噪声的地震数据作为标签集，二者组成神经网络的训练数据。
[0007]搭建多分枝深层自编码器人工神经网络。针对复杂地况的噪声压制，设计自监督学习的自编码器神经网络架构；针对地层中具备不同规模的地层特征与噪声特征，设计了多分枝卷积的结构，对不同规模特征进行噪声压制学习，从而获得对多尺度噪声特征的有效压制效果；针对人工神经网络模型存在梯度弥散、梯度爆炸等问题，设计了多层的残差网络结构；针对训练后普遍存在的弱信号增强问题，设计了数据后处理与数据增强层。针对深度学习存在的边缘特征损失与过拟合等问题，设计了曲波变换降噪层，并将曲波变换数据与深度学习数据进行小区域下的动态加权融合。
[0008]该模型训练后可以识别复杂构造下的不同尺度的地层特征与噪声特征，实现多尺度高精度的地震数据噪声压制；同时可对不同区域的差异化地质构造进行特殊训练，获得针对性的噪声压制效果。
[0009]与现有方法相比，本专利技术中二维卷积单元可以对剖面中的地层构造特征进行有效识别，并同时对剖面的噪声进行精确压制；多分支卷积神经网络的设计可以有效识别不同尺度下的地层构造特征，并同时精确压制不同尺度的地震噪声，避免了小尺度下的特征损失与噪声放行，显著提高地震数据的信噪比，提升神经网络的计算速度；残差网络的设计可以避免深度学习中的出现过拟合或陷入局部最小值问题，提高神经网络有效性；数据增强层的设计可以针对当前数据特征进行弱信号自适应增强，提高预测结果的信噪比；曲波变换层的设计可以有效提取地震数据中的边缘细节信息，修复神经网络对弱有效信号的压制，从而提高整体的地震数据信噪比，改善去噪质量。本方法提出的地震数据噪声压制网络，其效果显著优于现有的深度学习算法，也优于传统的地震数据噪声压制算法。
附图说明
[0010]图1为本专利技术的方法流程图；
[0011]图2为基于曲波变换与多分枝深层自编码的多尺度地震噪声压制方法内容图；
[0012]图3为基于曲波变换与多分枝深层自编码的多尺度地震噪声压制网络模型图；
[0013]图4为实际地震数据噪声压制结果对比全局剖面图；
[0014]图5为不同方法对实际地震数据噪声的压制结果对比剖面图；
[0015]图6为不同方法对实际地震数据噪声的压制结果对比频谱图。
具体实施方式
[0016]本专利技术公开了一种基于曲波变换与多分枝深层自编码的多尺度地震噪声压制方法，属于地震数据处理领域。本专利技术通过搭建多分枝深层自编码器人工神经网络模型，针对神经网络的边缘处理缺陷设计了用于地层构造中边缘特征提取的曲波变换噪声压制层，并设计了用于弱信号增强的数据增强层，实现了高精度的地震数据噪声压制与信噪比提高。
[0017]下面通过介绍本专利技术具体实施步骤，结合实例和附图做更进一步的具体说明，根据以下说明，本专利技术的内容、特征、优点和效果等将会变得更加清楚。
[0018]图1为本专利技术的方法流程图，具体实施步骤如下：
[0019]步骤101：通过地震数据构建神经网络训练样本集。训练集为含有真实噪声的地震数据，其噪声应分布显著；样本集为不含噪声的数据集，可通过相对纯净的地震数据构建，用于让神经网络学习地震数据中含噪声与不含噪声之间的映射逻辑，实现对地震数据的噪声压制。
[0020]获得训练与样本集数据后，通过对地震数据进行数据归一化、数据分块化、数据随机打乱等预处理操作，使得数据的格式匹配神经网络的输入格式。
[0021]为展示噪声压制效果，将采用真实地震数据CMP与F3模拟地震数据作为基板，基于上述算法构建适用于神经网络的训练集与样本集，作为神经网络模型的输入。
[0022]步骤102：神经网络构建与训练。
[0023]步骤102.1：网络构建。工程中采集到的地震数据包含有效信号与干扰噪声，可以近似用以下表达式描述地震数据的构成：
[0024]r(n)＝o(n)+n(n)
ꢀꢀꢀ
(1)
[0025]其中r(n)代表含噪声地震数据，o(n)代表不含噪声的原始地震数据，n(n)代表含
有的噪声。显而易见o(n)是理想状态下的数据，自然界并不存在，因此需通过数据合成算法，获得近似o(n)数据的一个估计o'(n)，有：
[0026]o'(n)≈o(n)
ꢀꢀꢀ
(2)
[0027]本方法采用的神经网络类型为降噪自编码器DAE，属于自监督学习模型的范畴。对神经网络输入纯净数据与含噪数据，并通过反向传播与梯度下降算法多次迭代优化神经网络中权重矩阵、偏置矩阵等学习单元的参数，实现含噪地震数据与纯净地震数据之间映射关系的学习，从而获得重构近似不含噪声的理想化地震数据o'(n)的能力。
[0028]本方法采用自编码器AutoEncoder，其内部由编码器、隐藏层与解码器构成。其中编码器到隐藏层的地震数据编码过程为：
[0029]h＝g
encode
(x)＝σ(W1x+b1)
ꢀꢀꢀ
(3)
[0030]其中x为输入数据，这里指r(n)，W1为该层的权重矩阵，b1为该层的偏置矩阵，h为该层编码器的输出数据。经过多层上式过程，输入的地震数据逐步被编码为深层次多维度的抽象逻辑h'，它包含了地震数据在不同维度、不同尺度、不同域下本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于曲波变换与多分枝深层自编码的多尺度地震噪声压制方法，其特征在于：通过改进传统的曲波变换算法实现对地震数据的边缘信息提取，并构建去噪自编码网络，在网络中加入卷积层、池化层、多分枝结构、残差结构、数据增强层与曲波变换层，提高神经网络的学习能力与抗过拟合能力；其次用含噪声地震数据与不含噪声纯净数据对神经网络进行训练，并与曲波变换降噪算法进行动态加权分块化融合，可实现显著地震数据噪声压制效果；模型可对不同地区的地震数据进行训练并保存该区域的参数，从而实现针对性噪声压制。方法主要步骤如下：首先生成含噪声的地震数据训练集与对应不含噪声的地震数据标签集，生成的训练集与标签集通过自适应切合器得到适用于神经网络的块集，训练块集与标签块集输入到构建的残差卷积自编码的多尺度地震噪声压制网络进行训练并保存模型，最后将需要去噪的地震数据输入到训练完毕的...

【专利技术属性】
技术研发人员：陈鸿龙，马博仑，李哲，倪志琛，林凯，李隽健，李哲，高碧溶，闫娜，
申请(专利权)人：中国石油大学华东，
类型：发明
国别省市：