【技术实现步骤摘要】
本专利技术属于信号处理，具体涉及一种基于级联深度神经网络先验的地震资料解混方法及系统。
技术介绍
1、地震资料混叠采集在相同的采集时间内可以激发更多的震源，具有更高的采集密度和更高的空间采样率，增加了对地下介质的覆盖次数，从而可获取高质量，全方位的采集结果。但是来自多个震源的混叠信号给常规地震资料的数据处理和解释带来极大的挑战，为了便于采集后的分析，需要将单震源激发的信号从多震源混叠采集的数据中进行分离。
2、传统的基于物理驱动的解混方法包括基于滤波的方法和基于反演的方法，滤波方法将分离问题简单地视为噪声衰减问题，而反演方法将混叠数据的分离问题作为一个线性反问题来解决，旨在估计所需的未知未混叠数据。但这两种方法往往都依赖于人工调参，如滤波长度和稀疏促进变换的阈值。参数选取的好坏往往会影响地震资料有效信号分离结果。
3、近年来，深度学习开始被引入到地震数据的解混领域中。在处理数据集庞大或数据特征复杂的问题时，复杂分类或回归问题往往会给如统计学习等传统方法带来严峻挑战，尤其是在涉及到高维数据场景。作为最流行的深度学习算法之一，神经网络能够自动学习隐藏在大量数据集中的特征和关系，从而以非线性方式匹配地震数据。然而，基于数据驱动的神经网络对数据集要求严格，将数据驱动方法与传统物理驱动相结合能够在不改变已有数据集大小的情况下加强网络对数据特征的理解能力，提高解混效果。
4、现有技术的缺点：
5、1、目前的多数深度学习方法解混性能在很大程度上取决于训练数据的构造，而收集适当的训练数据以避免泛化
6、2、难以在不改变已有数据集大小的情况下加强网络对数据特征的理解能力，提高解混效果。
技术实现思路
1、本专利技术所要解决的技术问题在于针对上述现有技术中的不足，提供一种基于级联深度神经网络先验的地震资料解混方法及系统，首先，通过引入神经网络实现了对分离目标函数的先验信息进行学习，从而提高了分离效果；再采用迭代优化的思想，将解混过程分解成多个交替迭代的子问题，通过级联深度神经网络实现迭代展开，形成一种端到端的解混框架，有效地解决分离问题，而且可以自适应地学习到数据特征，提高算法的普适性；最后根据实际需求进行子网络的更换，实现不同噪声类型的解混。
2、本专利技术采用以下技术方案：
3、基于级联深度神经网络先验的地震资料解混方法，包括以下步骤：
4、s1、采用随机时间抖动策略构造混叠矩阵γ，通过和待分离有效地震资料d相乘在共检波域得到混叠地震资料b；
5、s2、将求解d转化为求解正则化最小二乘优化问题，通过引入正则化项得到有效信号
6、s3、利用hqs算法思想，通过引入中间辅助变量u＝d将步骤s2得到的非线性估计表达式转化为一个新的目标函数；
7、s4、基于步骤s3得到的目标函数，利用去噪空洞卷积神经网络对噪声压制问题u(k+1)进行求解；
8、s5、在步骤s4的基础上求解闭式子问题d(k+1)＝(γtγ+ρi)-1(γtb+ρu(k))；
9、s6、基于步骤s4和步骤s5得到的结果，将伪解混共炮点道集γtb和混叠矩阵γ送入级联深度神经网络进行端到端的训练，得到级联深度神经网络参数信息后，把待解混的伪解混共检波点道集作为级联网络的输入，得到解混后的地震数据。
10、优选地，步骤s1中，在检波器固定且不考虑采集过程噪声的情况下进行采集，混叠地震资料b具体为：
11、b＝γd
12、其中，γ为包含时间抖动的混叠矩阵；d为待分离有效地震资料。
13、优选地，步骤s2中，有效信号为：
14、
15、其中，λ为非负的拉格朗日乘子，第一项为数据保真项，第二项为正则项。
16、优选地，步骤s3中，新的目标函数为：
17、
18、其中，ρ为非负惩罚权重，λ为非负的拉格朗日乘子，第一项为数据保真项，为正则项，为引入的辅助变量项。
19、更优选地，新的目标函数中，数据保真项仍然呈二次项，辅助变量是解耦的，进一步变换后，约束优化问题被转化为两个交替迭代求解的子问题；对u(k+1)的求解过程等同于一个典型的噪声压制问题，即固定d(k)为干净的目标数据而u(k+1)为待求解的有效信号成分；对d(k+1)的求解是一个闭式求解问题；通过设计新的融合网络框架，以两个迭代子问题构成的网络结构作为输入代替正则项算子来隐式地学习先验。
20、更优选地，将约束优化问题转化为两个子问题交替迭代求解具体为：
21、
22、其中，k∈{1,2,···,n}表示第k次迭代，denoiser(·)表示去噪模块，γ为混叠矩阵，γtb为伪解混共炮点道集，ρ为非负惩罚权重，u(k)为经噪声压制后待求解的先验有效信号成分。
23、优选地，步骤s4具体为：
24、构造数据集，在去噪空洞卷积神经网络训练过程中，选用共炮点道集作为共检波点道集近似替代以训练去噪空洞卷积神经网络，选择混叠度为1且随机时间抖动范围在200个时间采样点的范围的参数选取构造混叠矩阵γ，在一次混叠采集中两个震源激发时间差大于等于信号的长度，两个震源激发所产生的信号在时间上没有混叠，混叠矩阵γ＝[h1,…,hn]，得到与b＝γd相结合，得到γhb为混叠采集地震资料的伪解混结果，将伪解混共炮点道集γhb作为输入，干净的混叠共炮点道集作为输出，对先验网络进行端到端的训练；然后把含有混叠噪声的伪解混共检波点道集送入先验网络，得到压制混叠噪声后的干净数据。
25、优选地，步骤s5中，目标函数的闭式求解具体为：
26、
27、其中，k∈{1,2,···,n}表示第k次迭代，denoiser(·)表示去噪模块，γ为混叠矩阵，ρ为非负惩罚权重，u(k)为经噪声压制后待求解的先验有效信号成分，d(k)为干净的的目标数据，b为混叠的地震资料，δ为控制梯度下降步长的参数。
28、优选地，步骤s6中，混叠矩阵γ不随着网络迭代而改变。
29、第二方面，本专利技术实施例提供了一种基于级联深度神经网络先验的地震资料解混系统，包括：
30、数据模块，采用随机时间抖动策略构造混叠矩阵γ，通过和待分离有效地震资料d相乘在共检波域得到混叠地震资料b；
31、正则化模块，将求解d转化为求解正则化最小二乘优化问题，通过引入正则化项得到有效信号
32、函数模块，利用hqs算法思想，通过引入中间辅助变量u＝d将正则化模块得到的非线性估计表达式转化为一个新的目标函数；
33、求解模块，基于函数模块得到的目标函数，利用去噪空洞卷积神经网络对噪声压制问题u(k+1)进行求解；
34、计算模块，在求解模块的基础上求解闭式子问题d(k+1)＝(γtγ+ρi)-1(γtb+ρ本文档来自技高网...
【技术保护点】
1.基于级联深度神经网络先验的地震资料解混方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的基于级联深度神经网络先验的地震资料解混方法，其特征在于，步骤S1中，在检波器固定且不考虑采集过程噪声的情况下进行采集，混叠地震资料b具体为：
3.根据权利要求1所述的基于级联深度神经网络先验的地震资料解混方法，其特征在于，步骤S2中，有效信号为：
4.根据权利要求1所述的基于级联深度神经网络先验的地震资料解混方法，其特征在于，步骤S3中，新的目标函数为：
5.根据权利要求4所述的基于级联深度神经网络先验的地震资料解混方法，其特征在于，新的目标函数中，数据保真项仍然呈二次项，辅助变量是解耦的，进一步变换后，约束优化问题被转化为两个交替迭代求解的子问题；对u(k+1)的求解过程等同于一个典型的噪声压制问题，即固定d(k)为干净的目标数据而u(k+1)为待求解的有效信号成分；对d(k+1)的求解是一个闭式求解问题；通过设计新的融合网络框架，以两个迭代子问题构成的网络结构作为输入代替正则项算子来隐式地学习先验。
6.根据权利要求5
7.根据权利要求1所述的基于级联深度神经网络先验的地震资料解混方法，其特征在于，步骤S4具体为：
8.根据权利要求1所述的基于级联深度神经网络先验的地震资料解混方法，其特征在于，步骤S5中，目标函数的闭式求解具体为：
9.根据权利要求1所述的基于级联深度神经网络先验的地震资料解混方法，其特征在于，步骤S6中，混叠矩阵Γ不随着网络迭代而改变。
10.一种基于级联深度神经网络先验的地震资料解混系统，其特征在于，包括：
...【技术特征摘要】
1.基于级联深度神经网络先验的地震资料解混方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的基于级联深度神经网络先验的地震资料解混方法，其特征在于，步骤s1中，在检波器固定且不考虑采集过程噪声的情况下进行采集，混叠地震资料b具体为：
3.根据权利要求1所述的基于级联深度神经网络先验的地震资料解混方法，其特征在于，步骤s2中，有效信号为：
4.根据权利要求1所述的基于级联深度神经网络先验的地震资料解混方法，其特征在于，步骤s3中，新的目标函数为：
5.根据权利要求4所述的基于级联深度神经网络先验的地震资料解混方法，其特征在于，新的目标函数中，数据保真项仍然呈二次项，辅助变量是解耦的，进一步变换后，约束优化问题被转化为两个交替迭代求解的子问题；对u(k+1)的求解过程等同于一个典型的噪声压制问题，即固定d(k)为干净的目标数...
【专利技术属性】
技术研发人员：陈文超，胡坤，徐浩天，徐威威，王晓凯，
申请(专利权)人：西安交通大学，
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。