一种基于短时傅里叶变换和残差网络的地震噪声压制方法技术

本专利公开了一种基于短时傅里叶变换和残差网络的地震噪声压制方法，通过引入残差网络对短时傅里叶变换后的时频数据直接在时间和频率分布空间中实现噪声的压制。方法首先需要准备好训练集并建立残差网络模型，然后开始利用训练集对模型进行噪声压制训练，之后对需要去噪地震数据使用短时傅里叶变换转换成时频数据并输入到训练完成网络模型中，模型会输出完成去噪后的时频数据，最后对该输出数据进行短时傅里叶逆变换即可得到完成噪声压制后的地震数据。由于本发明专利技术采用残差网络来进行背景噪声压制，从而可以得到以下有益效果：算法可自我学习，无需设置阈值，直接完成去噪前后映射；方法无需额外其他计算处理；训练好的模型可以重复使用完成噪声压制处理；去噪效果可以通过对训练集调整完成，更新迭代方便。更新迭代方便。更新迭代方便。

【技术实现步骤摘要】
一种基于短时傅里叶变换和残差网络的地震噪声压制方法


[0001]本专利技术属于地球物理
，具体涉及一种利用短时傅里叶变换和残差网络的地震噪声压制方法。

技术介绍

[0002]噪声主要来源于如风、海浪、流水等振动以及由于仪器附近地层介质不均匀性造成的散射波。它在地震记录上表现为杂乱无章的振动，并且频带很宽。噪声的干扰会降低地震数据的信噪比及质量，对后续的地震数据处理及解释造成很大的影响。因此有时候为了更加充分应用采集到的地震数据，需要对地震数据中的噪声进行压制，进而保证后续处理解释环节的可靠。
[0003]地震噪声压制方法有很多，短时傅里叶变换谱减法是其中一种。该方法通过假定噪声独立且其频谱在短时间内平稳，并且地震数据在开始一般没有信号可以当成纯净噪声信号，因此可以用来评估整个数据的噪声谱，最后通过矩阵掩模实现整个数据频谱减去噪声谱，从而实现地震数据的噪声压制。专利技术专利“挤压短时傅里叶变换的地震勘探信号随机噪声压制方法”则批露了另一种同样利用短时傅里叶变换后数据进行噪声压制的方法。该方法对大于某个阈值的短时傅里叶变换系数进行挤压操作得到挤压短时傅里叶变换系数，然后利用相邻道挤压短时傅里叶变换系数的位置和大小为约束，对挤压短时傅里叶变换系数进行阈值处理，最后对处理完后的挤压短时傅里叶变换系数进行重构得到压制噪声后的地震数据。上述两个方法可以看出，对地震数据短时傅里叶变换后时间频率空间的频谱信息进行处理，可以对噪声进行压制。然而，这些方法存在以下问题和缺点：计算前提有一些人为的假定，计算过程需要人为设定阈值并需进行额外计算处理。
[0004]残差网络是一种卷积神经网络，常用于人工智能去除图像的噪点方法中。在残差网络中，不是让网络直接拟合原先的映射，而是拟合残差映射。由此可以将短时傅里叶变换后噪声频谱数据看成网络模型中的残差，来实现地震数据短时傅里叶变换后时间频率空间中的映射去噪。且残差网络的特点是容易优化，能够通过增加深度来提高准确率，其内部的残差块使用了跳跃连接，缓解了在普通神经网络中增加深度带来的梯度消失问题。

技术实现思路

[0005]本专利技术提供了一种基于短时傅里叶变换和残差网络的地震噪声压制方法，其目的在于，引入一种人工神经网络方法对短时傅里叶变换后的时频数据直接在时间和频率分布空间中实现噪声的压制。
[0006]为实现上述目的，本专利技术提供的一种基于短时傅里叶变换和残差网络的地震噪声压制方法是这样实现的：S1，准备工作，选用信噪比好的地震数据添加不同程度的高斯随机噪声，进行短时傅里叶变换，以生成时间和频率空间中去噪训练数据集；S2、建立残差网络模型，搭建有一定深度残差网络模型，利用S1准备的训练集用于学习如何在短时傅里叶变换后时间和频率分布空间完成映射去噪；S3、地震数据预处理，对需要去噪地震数据使用短
时傅里叶变换转换成时频数据；S4、将步骤S3中预处理后的时频数据输入到步骤S2中的训练完成残差网络模型中，模型的输出完成去噪后的时频数据；S5、对S4输出数据进行短时傅里叶逆变换即可得到完成噪声压制后的地震数据。
[0007]由于本专利技术采用残差网络来进行背景噪声压制，从而可以得到以下有益效果：算法作为人工智能神经网络模型可自我学习，无需设置阈值，直接完成去噪前后映射；方法无需额外其他计算处理；训练好的模型可以重复使用完成噪声压制处理；去噪效果可以通过对训练集调整完成，更新迭代方便。
附图说明
[0008]附图1是本专利技术流程图。
[0009]附图2是本专利技术训练集生成示意图。
[0010]附图3是本专利技术使用的一层残差网络模型结构图。
[0011]附图4是一个含有噪声的地震数据。
[0012]附图5是附图4地震数据短时傅里叶变换后的时频数据图。
[0013]附图6是附图5时频数据经过训练好的附图3残差网络模型完成去噪映射后的时频数据。
[0014]附图7是附图6数据短时傅里叶逆变换得到的噪声压制后的地震数据。
具体实施方式
[0015]本专利技术工作原理与工作过程参阅附图1，具体包括以下步骤。
[0016] S1、去噪训练数据集准备工作，参见附图2。选取信噪比好的地震数据添加不同程度的高斯随机噪声，均进行短时傅里叶变换，由于短时傅里叶变换后数据有实部和虚部，所以要分开生成训练集。短时傅里叶变换过程中要采用合适的时窗长度，使短时傅里叶变换时间和频率域大小一致，以便于残差网络的训练。生成训练数据集必要时可以通过对地震数据进行平移、拉伸、缩放振幅等操作，进一步扩大训练集。
[0017] S2、建立人工神经网络模型，搭建有一定深度残差网络模型，参见附图3。图中relu2+conv3+bn4为一个完整的残差层，可以通过重复添加该层以增加网络模型深度。测试表明网络模型深度越深，映射越稳定，去噪效果越好，但训练所需时间越多。利用S1准备的训练集用于学习如何在短时傅里叶变换后时间和频率分布空间完成映射去噪。训练时优化器选择自适应矩估计adam算法，损失函数选择均方根误差mae函数。
[0018] S3、地震数据预处理，对需要去噪地震数据（附图4）使用短时傅里叶变换转换成时频数据（附图5），能在背景上明显看到噪点图斑。
[0019] S4、将步骤S3中预处理后的数据输如到步骤S2中的训练完成残差网络模型中，模型的输出数据即为完成去噪后的时频数据（附图6）。
[0020] S5、对S4输出数据进行短时傅里叶逆变换即可还原得到噪声压制后的地震数据（附图7）。
[0021]综上所述，本专利技术一种利用短时傅里叶变换和残差网络的地震噪声压制方法，充分利用了残差网络的特性，把短时傅里叶变换后噪声数据看成网络模型中的残差，以实现地震数据噪声压制。该方法能够通过调整训练集和增加网络深度来提高噪声压制的效果。
[0022]以上内容为利用具体实例对本专利技术进行的说明，不能以此限定本专利技术专利的保护范围。本领域内的熟练技术人员通过参考本专利技术专利的说明，容易进行各种修改或者等效结构和流程变换，均落入本申请的专利技术专利权利要求书的保护范围之内。
本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于短时傅里叶变换和残差网络的地震噪声压制方法，其特征在于，先生成短时傅里叶变化时频数据实部和虚部训练集，并建立一定深度的残差网络模型来进行噪声压制训练，然后对需要去噪的地震数据进行短时傅里叶变换得到时频数据，利用训练好的残差网络模型完成该时频数据的去噪映射，最后对去噪后的时频数据进行短时傅里叶逆变换得到完成噪声压的地震数据。2.根据权利要求1所述的生成短时傅里叶变化时频数据实部和虚部训练集，其特征在于，时频数据实部和虚部训练集分开训练。3.根据权利...

【专利技术属性】
技术研发人员：吴为治，
申请(专利权)人：安徽省勘查技术院安徽省地质矿产勘查局能源勘查中心，
类型：发明
国别省市：