一种基于自注意力卷积自编码器的地震随机噪声压制方法技术

本发明专利技术公开了一种基于自注意力卷积自编码器的地震随机噪声压制方法，其特征在于，通过自注意力机制抽取原始图像中包含的特征信息，生成注意力权重矩阵来区分地震信号与噪声的不同特征，校准特征图中不同区域和通道对网络模型的关键程度，并施加不同的注意力，以避免信号重构时失真。模型以卷积网络作为编码器网络的核心，反卷积网络作为解码器网络的核心，鉴于地震数据的复杂性与特殊性，在编码和解码阶段使用了多尺度卷积模块提取地震数据特征。本发明专利技术利用合成地震数据对网络模型进行预训练，通过Adam优化器使梯度的一、二阶矩阵自适应调整学习率，使损失函数快速收敛，并使用野外地震数据对网络参数进行微调，从而加强模型的鲁棒性，使通过模型重构的数据更贴近目标数据的分布和特征，降低有效地震信号的损失，实现自动且高效的地震随机噪声压制，提升地震资料处理精确度。地震资料处理精确度。地震资料处理精确度。

【技术实现步骤摘要】
一种基于自注意力卷积自编码器的地震随机噪声压制方法


[0001]本专利技术属于地球物理与人工智能领域，具体涉及一种基于自注意力卷积自编码器的地震随机噪声压制方法。

技术介绍

[0002]压制地震随机噪声，是地震勘探领域中一个重要的难题。随机噪声作为很强的干扰波出现在地震勘探中，大大降低了地震记录的分辨率和信噪比，直接影响了地震资料处理的精确度。虽然一些传统方法能够压制数据中的噪声，但存在有效信息丢失、噪声残留的问题。并且大部分传统的地震数据噪声压制方法建立在固定的变换基函数上，不能自适应地处理结构复杂的地震数据。
[0003]近年来，深度学习在计算机视觉领域取得了显著成果，它通过提取数据的深层特征信息来实现图片分类、目标检测和图像去噪。其中基于标签数据的深度学习方法已经成功应用于地震随机噪声压制，将传统噪声压制方法的结果作为标签数据训练神经网络，然后将训练好的网络模型用于实际地震数据噪声压制，但是此类方法制作的标签数据并不准确，影响了网络模型的噪声压制性能。因此，开发不依赖标签数据的无监督学习方法对于地震随机噪声压制具有重要意义。
[0004]基于自注意力卷积自编码器的地震随机噪声压制方法属于无监督学习，能够从大量数据样本中学习得到有效信号与噪声的区别，自适应建立深度神经网络来压制噪声，直接从含噪的地震数据中恢复出无噪的地震数据，省去了标注数据所需的大量工作，并且在压制随机噪声的同时降低有效地震信号的损失、提高地震信号的信噪比。

技术实现思路

[0005]为了有效压制地震随机噪声，克服其在地震勘探中造成的干扰，改善地震资料处理精确度不高的问题，本专利技术提出了一种基于自注意力卷积自编码器的地震随机噪声压制方法。构建了自注意力导向的卷积自编码网络，通过自注意力机制抽取原始图像中包含的特征信息，生成注意力权重矩阵来区分地震信号与噪声不同特征，校准特征图中不同区域和通道对网络模型的关键程度，并施加不同的注意力，以避免信号重构时失真。利用合成地震数据对网络进行预训练，通过Adam优化器使梯度的一、二阶矩阵进行自适应调整学习率，使损失函数快速收敛，并使用野外地震数据对网络参数进行参数微调，从而加强模型的鲁棒性，使其更贴近目标数据的分布和特征，提升对实际地震数据的随机噪声压制性能。
[0006]为实现上述目的，本专利技术技术方案主要包括如下步骤：
[0007]A.构建地震数据切片数据集：
[0008]将原始地震数据分割成单炮的地震记录并剔除道头信息只保留地震道数据，利用卷积滑动窗口将提取的数据切分为n
×
n的地震数据切片后得到干净的地震数据切片集。
[0009]B.采用注意力权重矩阵校准特征图：
[0010](1)形成加噪地震数据线性嵌入序列
[0011]随机选取一个batch的干净地震数据切片加入随机噪声，将带噪声的地震数据切片拆分成m
×
m的小数据块并排列形成1
×
(m
×
m)的线性嵌入序列，输入到自注意力模块中；
[0012](2)计算自注意力权重矩阵
[0013]利用自注意力机制抽取原始图像中包含的特征信息区分地震信号与噪声不同特征并施加不同的注意力，避免信号重构时失真，并将有限的资源分配至重要部分，对提取出的不同地震信号采用加权变化进行区别，从众多表征中选取对噪声压制任务更关键的信息，计算自注意力机制的查询矩阵Q＝XW
Q
、键矩阵K＝XW
K
和值矩阵V＝XW
V
，其中X是输入的数据矩阵，W
Q
、W
K
、W
V
是三个可训练的参数矩阵；
[0014](3)校准特征图
[0015]通过自注意力权重矩阵使参数矩阵随输入的X矩阵的变化而变化，利用其校准特征图中不同区域和通道对网络模型的关键程度，进行针对性的特征学习，避免在冗余的信息上浪费资源。
[0016]C.采用合成地震数据预训练自注意力卷积自编码网络：
[0017](1)卷积层设计与构建
[0018]通过卷积层对输入数据进行特征提取，其内部包含多个卷积核，组成卷积核的每个元素都对应一个权重系数和一个偏差量。卷积层内每个神经元都与前一层中位置接近的区域的多个神经元相连。卷积核规律地扫过输入特征，在感受野内对输入特征做矩阵元素乘法求和并叠加偏差量；
[0019](2)构建自注意力卷积自编码网络模型
[0020]结合自注意力卷积和自编码网络模型，利用自注意力机制增强传统卷积的方法，动态地生成滤波器，根据输入特征的全局依赖关系进行特征提取，进行编码和解码，实现数据的压缩和重建，增强网络的噪声压制能力。使用卷积网络作为编码器的网络核心，使用反卷积网络作为解码器的网络核心，考虑到地震数据的复杂性与特殊性，在编码和解码阶段使用了多尺度卷积模块提取地震数据特征。自注意力卷积自编码器的编码器(Encoder)由k个卷积层、g个池化层组成，解码器(Decoder)由k+2个逆卷积层组成；
[0021](3)模型训练
[0022]以均方方差(MSE)作为原始数据向量和去噪后数据向量的距离度量函数，并以该距离度量函数作为损失函数，选取Adam作为优化器，同时利用梯度的一阶和二阶矩阵进行自适应调整学习率，调整自注意力权重矩阵和卷积自编码网络模型参数直至收敛。将加噪地震数据向量输入到自编码器，使输出和输入尽可能保持一致，在无监督的形式下实现隐层特征的提取和参数学习，基于反向传播算法与最优化方法，利用输入数据X本身作为监督，来指导神经网络尝试学习一个映射关系，从而得到一个重构输出X
R
。在地震去噪任务中，使用自编码器重构出来的输出X
R
跟原始输入的差异超出阈值λ的话，则继续进行迭代优化。
[0023]D.采用野外地震数据微调自注意力卷积自编码网络参数：
[0024](1)野外地震数据预处理
[0025]将野外地震数据分割成单炮的地震道数据，利用卷积滑动窗口将提取的数据切分为n
×
n的地震数据切片，得到野外地震数据集；
[0026](2)参数微调
[0027]将基于合成地震数据的预训练模型参数迁移至野外地震数据噪声压制任务，使用均方方差(MSE)作为原始数据向量和去噪后数据向量的距离度量函数，并作为损失函数，选取Adam作为优化器，同时利用梯度的一、二阶矩阵进行自适应调整学习率，通过实际野外噪声数据作为目标数据来进行模型再训练，从而微调模型的参数，从而加强模型的鲁棒性，使其更贴近目标数据的分布和特征，提升对实际地震数据的噪声压制性能。
[0028]本专利技术的有益效果是：搭建自注意力卷积自编码器的地震随机噪声压制模型，采用结合了自注意力卷积和自编码网络的模型和基于Adam优化器的自适应调整学习率，增强传统卷积的方法，动态地生成滤波器，根据输入特征的全局依赖关系进行特征提取，进行编码和解码，实现数据的压缩和重建，本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于自注意力卷积自编码器的地震随机噪声压制方法，其特征在于，包括以下步骤：A.采用注意力权重矩阵校准特征图：随机选取干净地震数据切片加入随机噪声，将带噪声的地震数据切片拆分成小数据块并排列形成线性嵌入序列输入到自注意力模块中，获得注意力权重矩阵来区分地震信号与噪声信号的不同特征，以校准特征图中不同区域和通道对网络模型的关键程度；B.采用合成地震数据预训练自注意力卷积自编码网络：将卷积网络作为编码器网络的核心，反卷积网络作为解码器网络的核心，构建多尺度卷...

【专利技术属性】
技术研发人员：李克文，肖媛，黄宗超，董明辉，
申请(专利权)人：中国石油大学华东，
类型：发明
国别省市：