基于堆叠反馈残差网络的地震噪声去除方法及装置制造方法及图纸

本发明专利技术公开了一种基于堆叠反馈残差网络的地震噪声去除方法及装置，其中基于堆叠反馈残差网络的地震噪声去除方法包括：利用地震噪声训练数据集对残差网络进行训练，得到去噪算子；利用多级去噪算子对地震噪声输入信号进行逐级迭代去噪处理，其中，第i级去噪算子的输入信号是根据第i

【技术实现步骤摘要】
基于堆叠反馈残差网络的地震噪声去除方法及装置


[0001]本专利技术涉及地震信号处理
，具体涉及一种基于堆叠反馈残差网络的地震噪声去除方法及装置、计算设备及计算机存储介质。

技术介绍

[0002]地震资料处理中无论是常规水平地震还是垂直地震，噪声压制是不可缺少的一个部分。随机噪声因其在时空域、频率域和波数域中都具有随机性而导致很难被完全去除，强随机噪声是指随机噪声在能量上高于地震信号的一类随机信号。造成强随机噪声的情况有很多，主要是近年来油气勘探逐渐向地下深层区域转移，由于深层或者由复杂地质结构造成的地震信号很容易被噪声淹没，导致地震信号中的强随机噪声，常常使得地震资料质量变得非常差，难以提取丰富地震反射信息以形成清晰的地震图像并获取有效的地球物理信息。因此，研究如何从强随机噪声中恢复有效的地震信号是地震资料处理发展的必要环节。
[0003]传统的去噪方法通常假设信号能用一组正交的基组合表示，而噪声不能被表示，从而将信号变换到另一个稀疏域进行去噪处理，常见的变换有f
‑
x域和小波变换等。这些方法能够有效去除与有效信号有明显特征区分的噪声，如地震面波，但是无法有效去除与有效信号无明显特征区分的噪声，例如与信号能量和频率处于同一范围的噪声。对于强随机噪声来说，频率的随机性表明其在频谱上必定与有效信号存在重叠，能量的随机性表明其在能量上也与有效信号有同幅现象。
[0004]得益于高性能计算机硬件技术的发展，深度学习（Deep Learning，简称为DL）在计算机视觉研究中发展迅猛，深度学习分为监督式学习（Supervised DL）和非监督式学习（Unsupervised DL）两种，其中，监督式学习在数据集中需要用到与输入对应的标签，而非监督式学习则不用。深度学习网络由不同的网络层（Layer）组成，这些网络层根据功能分为卷积层、池化层、激活层和全连接层等。不同结构组合的网络层适应不同的功能需求，例如去噪深度学习网络要求输入与输出的大小尺寸相同。由于深度学习具有高度抽象的学习能力，在地震勘探处理中用处广泛。研究表明，虽然深度学习中的卷积运算能提取输入信息的结构等特征表达等信息，相对于传统方法提高了去噪精度，但是对于强随机噪声的去除效果并不突出，原因在于训练监督式学习网络的强噪声训练数据难以匹配实际数据，导致实际应用时仍然难以分辨强噪声与有效信号，而非监督式学习仅能依靠“编码
‑
解码”式网络结构处理能量弱于信号的随机噪声。除此之外，过拟合等问题甚至可能会导致结果出现假反射同相轴，现有使用深度学习去除强随机噪声的效果较差。

技术实现思路

[0005]鉴于上述问题，提出了本专利技术以便提供一种克服上述地震噪声去除效果较差问题的基于堆叠反馈残差网络的地震噪声去除方法及装置、计算设备及计算机存储介质。
[0006]根据本专利技术的一个方面，提供了一种基于堆叠反馈残差网络的地震噪声去除方法，包括：
利用地震噪声训练数据集对残差网络进行训练，得到去噪算子；利用多级去噪算子对地震噪声输入信号进行逐级迭代去噪处理，其中，第i级去噪算子的输入信号是根据第i
‑
1级去噪算子的输入信号和输出信号而得到，i大于1；当满足迭代结束条件时，输出去除地震噪声的输出信号。
[0007]在一种可选的方式中，所述方法还包括：预先设置反馈增益因子；所述第i级去噪算子的输入信号是根据所述反馈增益因子、第i
‑
1级去噪算子的输入信号和输出信号而得到。
[0008]在一种可选的方式中，利用如下公式得到所述第i级去噪算子的输入信号：input
i = output
i
‑1ꢀ×ꢀ
(1
‑
λ) + input
i
‑1ꢀ×ꢀ
λ其中，input
i
为第i级去噪算子的输入信号，λ为预先设置的反馈增益因子，input
i
‑1为第i
‑
1级去噪算子的输入信号，output
i
‑1为第i
‑
1级去噪算子的输出信号。
[0009]在一种可选的方式中，所述当满足迭代结束条件时，输出去除地震噪声的输出信号进一步包括：针对任一第i级去噪算子，判断经第i级去噪算子去除的地震噪声振幅是否满足正态分布，若是，则确定满足迭代结束条件，输出经第i级去噪算子去除地震噪声的输出信号。
[0010]在一种可选的方式中，在所述利用地震噪声训练数据集对残差网络进行训练，得到去噪算子之前，所述方法还包括：根据不同的速度模型正演生成预设数量的训练数据；将所述预设数量的训练数据进行加噪处理，得到地震噪声训练数据集。
[0011]在一种可选的方式中，所述残差网络的训练过程表示为：其中，
Ɗ
表示去噪算子；θ*和θ分别表示优化前和优化后的参数集；Noisy和Clean分别表示网络输入和标签；Φ(θ)和λ'表示正则化函数和正则化参数； || . ||2表示L2范数。
[0012]在一种可选的方式中，所述残差网络由至少一个模块构成，其中每个模块包含一个卷积层、一个批标准化层、两个非线性激活层和一个短连接。
[0013]根据本专利技术的另一方面，提供了一种基于堆叠反馈残差网络的地震噪声去除装置，包括：残差网络训练模块，用于利用地震噪声训练数据集对残差网络进行训练，得到去噪算子；堆叠反馈模块，用于利用多级去噪算子对地震噪声输入信号进行逐级迭代去噪处理，其中，第i级去噪算子的输入信号是根据第i
‑
1级去噪算子的输入信号和输出信号而得到，i大于1；输出模块，用于当满足迭代结束条件时，输出去除地震噪声的输出信号。
[0014]根据本专利技术的又一方面，提供了一种计算设备，包括：处理器、存储器、通信接口和通信总线，所述处理器、所述存储器和所述通信接口通过所述通信总线完成相互间的通信；所述存储器用于存放至少一可执行指令，所述可执行指令使所述处理器执行上述基于堆叠反馈残差网络的地震噪声去除方法对应的操作。
[0015]根据本专利技术的再一方面，提供了一种计算机存储介质，所述存储介质中存储有至少一可执行指令，所述可执行指令使处理器执行如上述基于堆叠反馈残差网络的地震噪声去除方法对应的操作。
[0016]根据本专利技术提供的方案，利用地震噪声训练数据集对残差网络进行训练，得到去噪算子；利用多级去噪算子对地震噪声输入信号进行逐级迭代去噪处理，其中，第i级去噪算子的输入信号是根据第i
‑
1级去噪算子的输入信号和输出信号而得到，i大于1；当满足迭代结束条件时，输出去除地震噪声的输出信号。本专利技术使用深度残差网络作为去噪算子，并利用去噪算子对地震噪声进行迭代去噪处理，有效去除了地震信号中的强随机噪声。
[0017]上述说明仅是本专利技术技术方案的概述，为了能够更清楚了解本专利技术的技术手段，而可依照说明书的内容予以实施，并且为了让本专利技术的上述和其它目的、特征和优点能够更明显易懂，以下特举本本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于堆叠反馈残差网络的地震噪声去除方法，其特征在于，包括：利用地震噪声训练数据集对残差网络进行训练，得到去噪算子；利用多级去噪算子对地震噪声输入信号进行逐级迭代去噪处理，其中，第i级去噪算子的输入信号是根据第i
‑
1级去噪算子的输入信号和输出信号而得到，i大于1；当满足迭代结束条件时，输出去除地震噪声的输出信号。2.根据权利要求1所述的基于堆叠反馈残差网络的地震噪声去除方法，其特征在于，所述方法还包括：预先设置反馈增益因子；所述第i级去噪算子的输入信号是根据所述反馈增益因子、第i
‑
1级去噪算子的输入信号和输出信号而得到。3.根据权利要求2所述的基于堆叠反馈残差网络的地震噪声去除方法，其特征在于，利用如下公式得到所述第i级去噪算子的输入信号：input
i = output
i
‑
1 ×
（1
‑
λ） + input
i
‑1×
λ其中，input
i
为第i级去噪算子的输入信号，λ为预先设置的反馈增益因子，input
i
‑1为第i
‑
1级去噪算子的输入信号，output
i
‑1为第i
‑
1级去噪算子的输出信号。4.根据权利要求1
‑
3中任一项所述的基于堆叠反馈残差网络的地震噪声去除方法，其特征在于，所述当满足迭代结束条件时，输出去除地震噪声的输出信号进一步包括：针对任一第i级去噪算子，判断经第i级去噪算子去除的地震噪声振幅是否满足正态分布，若是，则确定满足迭代结束条件，输出经第i级去噪算子去除地震噪声的输出信号。5.根据权利要求1所述的基于堆叠反馈残差网络的地震噪声去除方法，其特征在于，在所述利用地震...

【专利技术属性】
技术研发人员：朱江梅，许晨旭，徐天鑫，赵前华，王小刚，孔祥生，
申请(专利权)人：中海油田服务股份有限公司，
类型：发明
国别省市：