CN110008633B - 基于人工智能深度神经网络的公路噪音压制方法及系统 - Google Patents
基于人工智能深度神经网络的公路噪音压制方法及系统 Download PDFInfo
- Publication number
- CN110008633B CN110008633B CN201910316275.9A CN201910316275A CN110008633B CN 110008633 B CN110008633 B CN 110008633B CN 201910316275 A CN201910316275 A CN 201910316275A CN 110008633 B CN110008633 B CN 110008633B
- Authority
- CN
- China
- Prior art keywords
- noise
- data
- seismic data
- seismic
- noise distribution
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 70
- 230000001629 suppression Effects 0.000 title claims abstract description 62
- 238000013528 artificial neural network Methods 0.000 title claims abstract description 26
- 238000013473 artificial intelligence Methods 0.000 title claims abstract description 24
- 238000012545 processing Methods 0.000 claims abstract description 85
- 238000013135 deep learning Methods 0.000 claims abstract description 25
- 230000000903 blocking effect Effects 0.000 claims description 44
- 238000012937 correction Methods 0.000 claims description 17
- 238000000638 solvent extraction Methods 0.000 claims description 16
- 238000004364 calculation method Methods 0.000 claims description 12
- 238000003825 pressing Methods 0.000 claims description 8
- 238000013527 convolutional neural network Methods 0.000 abstract description 17
- 239000003208 petroleum Substances 0.000 abstract description 2
- 238000012549 training Methods 0.000 description 16
- 238000013178 mathematical model Methods 0.000 description 9
- 238000005516 engineering process Methods 0.000 description 8
- 230000008569 process Effects 0.000 description 8
- 230000000694 effects Effects 0.000 description 7
- 230000006870 function Effects 0.000 description 6
- 238000001914 filtration Methods 0.000 description 5
- 238000003672 processing method Methods 0.000 description 5
- 230000002159 abnormal effect Effects 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 3
- 230000001427 coherent effect Effects 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 238000011160 research Methods 0.000 description 3
- 239000000654 additive Substances 0.000 description 2
- 230000000996 additive effect Effects 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 238000012850 discrimination method Methods 0.000 description 2
- 230000005284 excitation Effects 0.000 description 2
- 238000013508 migration Methods 0.000 description 2
- 230000005012 migration Effects 0.000 description 2
- 238000010606 normalization Methods 0.000 description 2
- 230000003068 static effect Effects 0.000 description 2
- 239000000126 substance Substances 0.000 description 2
- 235000009854 Cucurbita moschata Nutrition 0.000 description 1
- 240000001980 Cucurbita pepo Species 0.000 description 1
- 235000009852 Cucurbita pepo Nutrition 0.000 description 1
- 230000002238 attenuated effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 210000004556 brain Anatomy 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 230000003111 delayed effect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 229910052739 hydrogen Inorganic materials 0.000 description 1
- 239000001257 hydrogen Substances 0.000 description 1
- 125000004435 hydrogen atom Chemical class [H]* 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 238000002156 mixing Methods 0.000 description 1
- 230000001537 neural effect Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000005192 partition Methods 0.000 description 1
- 230000000737 periodic effect Effects 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 230000006798 recombination Effects 0.000 description 1
- 238000005215 recombination Methods 0.000 description 1
- 235000020354 squash Nutrition 0.000 description 1
- 238000011425 standardization method Methods 0.000 description 1
- 238000013179 statistical model Methods 0.000 description 1
- 230000009897 systematic effect Effects 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 238000010200 validation analysis Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01V—GEOPHYSICS; GRAVITATIONAL MEASUREMENTS; DETECTING MASSES OR OBJECTS; TAGS
- G01V1/00—Seismology; Seismic or acoustic prospecting or detecting
- G01V1/28—Processing seismic data, e.g. for interpretation or for event detection
- G01V1/36—Effecting static or dynamic corrections on records, e.g. correcting spread; Correlating seismic signals; Eliminating effects of unwanted energy
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T90/00—Enabling technologies or technologies with a potential or indirect contribution to GHG emissions mitigation
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Remote Sensing (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Geometry (AREA)
- Biomedical Technology (AREA)
- Computer Hardware Design (AREA)
- General Life Sciences & Earth Sciences (AREA)
- Geology (AREA)
- Environmental & Geological Engineering (AREA)
- Acoustics & Sound (AREA)
- Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Geophysics (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Geophysics And Detection Of Objects (AREA)
Abstract
本发明公开了一种基于人工智能深度神经网络的公路噪音压制方法及系统，涉及石油地球物理勘探地震资料处理技术领域；主要包括对样本数据中的含噪地震数据和噪音分布数据进行处理；采用人工智能深度学习卷积神经网络对处理后的样本数据进行学习，得到噪音分布模型；处理后的当前含噪地震数据输入到噪音分布模型中，得到噪音分布数据估计值；根据噪音分布数据估计值计算噪音掩码和压制尺度；根据噪音掩码和压制尺度，压制当前含噪地震数据中的公路噪音。本发明采用人工智能深度学习卷积神经网络，直接从样本资料中学习公路噪音的分布模型，达到直接且更好地压制地震资料中公路噪音的目的。
Description
技术领域
本发明涉及石油地球物理勘探地震资料处理技术领域，特别是涉及一种基于人工智能深度神经网络的公路噪音压制方法及系统。
背景技术
地震勘探主要包括地震资料采集，地震资料处理和地震解释三大步骤，地震资料处理是对采集的地震数据进行解编、静校正、叠前噪音压制、反褶积、速度分析、剩余静校正、叠后偏移等常规处理或者叠前偏移成像处理，最终提供给地震解释步骤可使用的叠后或者叠前成果数据。叠前噪音压制是对地震资料中的各种噪音进行压制，是地震资料处理流程中基础且关键的步骤，较好的噪音压制方法能够为整个地震数据处理流程提供高信噪比的地震数据。
由于公路网密集，陆地地震采集资料中的公路噪音不可避免，需要进行合理的压制，否则会影响后续的地震资料处理结果质量。相对于地震震源产生的信号来说，公路噪音是一种加性相干噪音和随机噪音的组合，可定义为：地震资料采集时，检波器靠近公路附近接收到交通工具引起的强振幅环境噪音，主要由于交通工具经过时地基松散震荡引起的不同频率谐波噪音和地滚波噪音。环境工程中，采集和分析公路噪音主要是研究该类型噪音对社区和建筑物的影响，此时，公路噪音仅是分析的“信号”对象，不需要压制过程。然而，地震资料中的公路噪音是需要去除或者压制的“噪音”对象，因它混杂了多种类型的噪音，比较复杂，没有针对性的处理方法。常规压制方法是分类处理：公路噪音中包含的地滚波主要是沿地表传播的面波，传播速度比较小，频率范围以低频为主，在强干扰噪音中，振幅并不是异常突出，常规的面波去除方法一般是对面波的低频和低速特征进行滤波压制；公路噪音中的谐波干扰能够通过常规预测方法去除；其他的异常强干扰可以利用它们的强能量特性通过识别强振幅的位置并衰减压制，具体的方法可以用全局方法衰减，也可以用局部时变空变的方法进行压制。如前描述，强振幅是公路噪音的典型特征，针对地震资料强振幅干扰噪音压制方法发展众多，其中主要的有自动道编辑方法和频率空间域预测误差滤波器方法，如Guo(2003)提出了两种基于预测误差滤波器的相干和非相干强振幅干扰噪音的去除方法；Schonewille et al.(2008)迭代的预测误差滤波器方法衰减海上强振幅干扰波浪噪音；关于自动道编辑方法，Anderson&McMechen(1989)和Bekara&Baan(2010)给出了系统和实用的研究。这些强振幅干扰噪音传统的压制方法都可以应用到公路噪音衰减中，但它们都属于基于模型的方法，即基于确定性或者统计模型，只能近似表达不同成分噪音的确定性或者统计性特性。
区别于以模型为基础的优化方法是基于学习模型的判别方法，也称之为判别模型方法，其中深度学习的去噪方法属于此范畴。在图像处理领域，基于深度学习的去噪技术研究广泛；因为判别方法可以直接从长期积累的地震资料去噪样本中学习不同噪音的复杂模型，所以在地震资料去噪领域的研究也已经开始广泛展开，但目前大多数研究仍然集中在加性随机噪音的压制方法，如Si et al(2018)提出了基于卷积神经网络技术的地震资料随机噪音压制方法，对实际非随机噪音深度学习方法的研究比较少。
发明内容
针对实际公路噪音的复杂性，即混合噪音模型包括不同的非线性关系，本发明基于人工智能技术，提出了一种基于人工智能深度神经网络的公路噪音压制方法及系统，直接从样本资料中学习公路噪音的复杂模型，达到直接且更好地压制地震资料中公路噪音的目的。
为实现上述目的，本发明提供了如下方案：
一种基于人工智能深度神经网络的公路噪音压制方法，包括：
获取样本数据；所述样本数据包括含噪地震数据以及噪音分布数据；所述含噪地震数据为含有公路噪音的地震数据；所述噪音分布数据为所述含噪地震数据减去去噪地震数据得到的数据；
对所述样本数据进行谐波噪音去除、数据分块以及规则化处理；
采用人工智能深度学习卷积神经网络对处理后的样本数据进行学习，得到噪音分布模型；所述噪音分布模型为处理后的含噪地震数据与处理后的噪音分布数据的关系模型；
获取当前含噪地震数据，并对所述当前含噪地震数据进行谐波噪音去除、数据分块以及规则化处理；
将处理后的当前含噪地震数据输入到所述噪音分布模型中，得到噪音分布数据估计值；
根据所述噪音分布数据估计值，计算噪音掩码和压制尺度；
根据所述噪音掩码和所述压制尺度，压制所述当前含噪地震数据中的公路噪音，得到当前去噪地震数据。
可选的，所述对所述样本数据进行谐波噪音去除、数据分块以及规则化处理，具体包括：
对所述样本数据中的含噪地震数据和噪音分布数据分别进行谐波噪音去除处理；
对谐波噪音去除后的含噪地震数据和谐波噪音去除后的噪音分布数据分别进行数据分块处理；
对数据分块后的含噪地震数据和数据分块后的噪音分布数据分别进行规则化处理。
可选的，所述对数据分块后的含噪地震数据和数据分块后的噪音分布数据分别进行规则化处理，具体包括：
根据公式x'i(j)＝si(j)*xi(j)对数据分块后的含噪地震数据进行规则化处理；
其中，x'i(j)表示第i块第j元素对应的规则化后的含噪地震数据，j表示元素序号，xi(j)表示第i块第j元素对应的含噪地震数据，si(j)表示第i块第j元素对应的含噪地震数据的规则化系数；
规则化系数表达式为
其中，J表示元素总数，
表示对xi(j)进行振幅修正后得到数据；max(x)表示数据分块后的含噪地震数据中最大的振幅值；max(xi(j))表示第i块第j元素对应的含噪地震数据中最大的振幅值；
根据公式r'i(j)＝gi(j)*ri(j)对数据分块后的噪音分布数据进行规则化处理；
其中，r'i(j)表示第i块第j元素对应的规则化后的噪音分布数据，j表示元素序号，ri(j)表示第i块第j元素对应的噪音分布数据，gi(j)表示第i块第j元素对应的噪音分布数据的规则化系数；
规则化系数表达式为
其中，J表示元素总数，
表示对ri(j)进行振幅修正后得到数据；max(r)表示数据分块后的噪音分布数据中最大的振幅值；max(ri(j))表示第i块第j元素对应的噪音分布数据中最大的振幅值。
可选的，所述根据所述噪音分布数据估计值，计算噪音掩码和压制尺度，具体包括：
将所述噪音分布数据估计值的数据块形式还原成地震道形式；
根据地震道形式的噪音分布数据估计值，计算噪音掩码和压制尺度。
一种基于人工智能深度神经网络的公路噪音压制系统，包括：
样本数据获取模块，用于获取样本数据；所述样本数据包括含噪地震数据以及噪音分布数据；所述含噪地震数据为含有公路噪音的地震数据；所述噪音分布数据为所述含噪地震数据减去去噪地震数据得到的数据；
样本数据处理模块，用于对所述样本数据进行谐波噪音去除、数据分块以及规则化处理；
噪音分布模型得到模块，用于采用人工智能深度学习卷积神经网络对处理后的样本数据进行学习，得到噪音分布模型；所述噪音分布模型为处理后的含噪地震数据与处理后的噪音分布数据的关系模型；
当前含噪地震数据处理模块，用于获取当前含噪地震数据，并对所述当前含噪地震数据进行谐波噪音去除、数据分块以及规则化处理；
噪音分布数据估计值计算模块，用于将处理后的当前含噪地震数据输入到所述噪音分布模型中，得到噪音分布数据估计值；
噪音掩码和压制尺度计算模块，用于根据所述噪音分布数据估计值，计算噪音掩码和压制尺度；
当前去噪地震数据得到模块，用于根据所述噪音掩码和所述压制尺度，压制所述当前含噪地震数据中的公路噪音，得到当前去噪地震数据。
可选的，所述样本数据处理模块，具体包括：
谐波噪音去除处理单元，用于对所述样本数据中的含噪地震数据和噪音分布数据分别进行谐波噪音去除处理；
数据分块处理单元，用于对谐波噪音去除后的含噪地震数据和谐波噪音去除后的噪音分布数据分别进行数据分块处理；
规则化处理单元，用于对数据分块后的含噪地震数据和数据分块后的噪音分布数据分别进行规则化处理。
可选的，所述规则化处理单元，具体包括：
含噪地震数据规则化子单元，用于根据公式x'i(j)＝si(j)*xi(j)对数据分块后的含噪地震数据进行规则化处理；
其中，x'i(j)表示第i块第j元素对应的规则化后的含噪地震数据，j表示元素序号，xi(j)表示第i块第j元素对应的含噪地震数据，si(j)表示第i块第j元素对应的含噪地震数据的规则化系数；
规则化系数表达式为
其中，J表示元素总数，
表示对xi(j)进行振幅修正后得到数据；max(x)表示数据分块后的含噪地震数据中最大的振幅值；max(xi(j))表示第i块第j元素对应的含噪地震数据中最大的振幅值；
噪音分布数据规则化子单元，用于根据公式r'i(j)＝gi(j)*ri(j)对数据分块后的噪音分布数据进行规则化处理；
其中，r'i(j)表示第i块第j元素对应的规则化后的噪音分布数据，j表示元素序号，ri(j)表示第i块第j元素对应的噪音分布数据，gi(j)表示第i块第j元素对应的噪音分布数据的规则化系数；
规则化系数表达式为
其中，J表示元素总数，
表示对ri(j)进行振幅修正后得到数据；max(r)表示数据分块后的噪音分布数据中最大的振幅值；max(ri(j))表示第i块第j元素对应的噪音分布数据中最大的振幅值。
可选的，所述噪音掩码和压制尺度计算模块，具体包括：
还原单元，用于将所述噪音分布数据估计值的数据块形式还原成地震道形式；
计算单元，用于根据地震道形式的噪音分布数据估计值，计算噪音掩码和压制尺度。
根据本发明提供的具体实施例，本发明公开了以下技术效果：
本发明提供了一种基于人工智能深度神经网络的公路噪音压制方法及系统，采用人工智能深度学习卷积神经网络，直接从样本资料中学习公路噪音的分布模型，然后将目标数据输入到训练好的模型内，得到噪音分布数据，进而得到噪音掩码和压制尺度，最终得到较好的去噪效果，达到直接且更好地压制地震资料中公路噪音的目的。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
图1为本发明实施例基于人工智能深度神经网络的公路噪音压制方法的流程示意图；
图2为本发明实施例基于深度学习卷积神经网络技术的公路噪音压制方法模型训练流程图；
图3为本发明实施例基于深度学习卷积神经网络技术的公路噪音压制方法模型应用流程图；
图4为本发明实施例共炮点道集地震数据分块示意图
图5为本发明实施例公路噪音训练数据中含噪数据图；
图6为本发明实施例公路噪音训练数据中去噪数据图；
图7为本发明实施例公路噪音训练数据中噪音数据图；
图8为本发明实施例公路噪音目标数据中含噪数据图；
图9为本发明实施例公路噪音目标数据中去噪数据图；
图10为本发明实施例公路噪音目标数据中噪音数据图；
图11为本发明实施例基于人工智能深度神经网络的公路噪音压制系统的结构示意图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合附图和具体实施方式对本发明作进一步详细的说明。
在陆地地震勘探采集资料中，公路噪音是一种复杂的混合噪音，目前没有针对性的压制方法，主要是采用不同成分分类压制方法或者基于强振幅特征进行识别后再衰减压制方法。这些方法大多数都是基于模型的噪音压制方法，鉴于这些模型只能近似表达不同成分噪音的确定性或者统计性特性，所以效果可能不佳或容易损失有效信号(主要是因为现实噪音模型总是很复杂的，理论上的数学模型总是有限制的且多数是线性模型，无法用确定性数学模型完全描述)。基于此，本发明一种基于人工智能深度神经网络的公路噪音压制方法及系统，直接从样本资料中学习公路噪音的复杂模型(如前面所说的数学模型多数都是线性的描述输入输出之间的关系，但是实际中去噪后的数据(或者噪音)和去噪前的数据有着复杂的关系模型，这不能简单地用线性数学模型描述，但是卷积神经网络系统(像人类的大脑神经系统一样)多重神经元可以构建输出和输出复杂的非线性模型，即公路噪音与输入数据之间复杂的神经网络非线性模型)，最终达到直接且更好地压制地震资料中公路噪音的目的。
所谓“模型”就是数学模型。比如y＝f(x)这样一个函数关系，就是x生成y的模型；这里的模型是知道噪音的数学模型或者信号的数学模型，比如正弦波噪音，产生就是有周期性，用一个正弦波的数学公式就可以预测该噪音。数学模型有线性的，有非线性的数学描述，有基于确定性的关系模型，有基于概率统计理论的模型。在地震信号处理中，噪音或者信号的模型通常是线性的(如相干信号的描述)或者简单统计特征(比如高斯分布随机信号)，但实际地震资料中的信号比较复杂，不可能用简单的数学模型完全描述，所以，噪音可能不能被完全消除，或者说效果可能会不好。
人工智能深度神经网络技术和概率统计关系紧密。这里样本资料和概率里的样本概念一致，就是已经发生的“事件”。这里“事件”就是采集到的含有噪音地震资料和去噪后地震资料这一对关系，对于本发明来说，就是同样地震勘探区域，历史上其他时间采集地震资料和对应的去噪结果(各种可能的方法去噪结果)，或者同一资料其他部分处理的结果。这些已经有去噪结果的资料，原来含噪数据和去噪后的数据无数对这样的资料都可以用作样本资料。
本发明阐述发明内容时表达术语里包括“含噪“和“去噪”，它们分别表示为含公路噪音和去公路噪音的含义。含噪地震数据即表示存在公路噪音的原始地震数据，去噪地震数据即表示已经完成公路噪音压制的地震数据。
实施例1
如图1所示，本实施例提供的基于人工智能深度神经网络的公路噪音压制方法包括：
步骤101：获取样本数据；所述样本数据包括含噪地震数据以及噪音分布数据；所述含噪地震数据为含有公路噪音的地震数据；所述噪音分布数据为所述含噪地震数据减去去噪地震数据得到的数据。
步骤102：对所述样本数据进行谐波噪音去除、数据分块以及规则化处理。
步骤103：采用人工智能深度学习卷积神经网络对处理后的样本数据进行学习，得到噪音分布模型；所述噪音分布模型为处理后的含噪地震数据与处理后的噪音分布数据的关系模型。
步骤104：获取当前含噪地震数据，并对所述当前含噪地震数据进行谐波噪音去除、数据分块以及规则化处理。当前含噪地震数据处理方法和样本数据处理方法相同。
步骤105：将处理后的当前含噪地震数据输入到所述噪音分布模型中，得到噪音分布数据估计值。
步骤106：根据所述噪音分布数据估计值，计算噪音掩码和压制尺度。
步骤107：根据所述噪音掩码和所述压制尺度，压制所述当前含噪地震数据中的公路噪音，得到当前去噪地震数据。
步骤102具体包括：
对所述样本数据中的含噪地震数据和噪音分布数据分别进行谐波噪音去除处理。
对谐波噪音去除后的含噪地震数据和谐波噪音去除后的噪音分布数据分别进行数据分块处理。
对数据分块后的含噪地震数据和数据分块后的噪音分布数据分别进行规则化处理。其中，规则化处理过程为：
根据公式x'i(j)＝si(j)*xi(j)对数据分块后的含噪地震数据进行规则化处理。
其中，x'i(j)表示第i块第j元素对应的规则化后的含噪地震数据，j表示元素序号，xi(j)表示第i块第j元素对应的含噪地震数据，si(j)表示第i块第j元素对应的含噪地震数据的规则化系数；
规则化系数表达式为
其中，J表示元素总数，
表示对xi(j)进行振幅修正后得到数据；max(x)表示数据分块后的含噪地震数据中最大的振幅值；max(xi(j))表示第i块第j元素对应的含噪地震数据中最大的振幅值；
根据公式r'i(j)＝gi(j)*ri(j)对数据分块后的噪音分布数据进行规则化处理。
其中，r'i(j)表示第i块第j元素对应的规则化后的噪音分布数据，j表示元素序号，ri(j)表示第i块第j元素对应的噪音分布数据，gi(j)表示第i块第j元素对应的噪音分布数据的规则化系数；
规则化系数表达式为
其中，J表示元素总数，
表示对ri(j)进行振幅修正后得到数据；max(r)表示数据分块后的噪音分布数据中最大的振幅值；max(ri(j))表示第i块第j元素对应的噪音分布数据中最大的振幅值。
步骤106具体包括：将所述噪音分布数据估计值的数据块形式还原成地震道形式。
根据地震道形式的噪音分布数据估计值，计算噪音掩码和压制尺度。
实施例2
为了达到针对性直接地且更好地压制地震采集资料中的公路噪音目的，本实施例基于人工智能技术，提出了包括卷积神经网络技术学习公路噪音模型步骤的公路噪音压制方法。完整的方法实现分为两大步骤：
首先，通过地震勘探工区历史公路噪音的样本数据学习公路噪音模型(如图2)，样本数据包括含噪地震数据和噪音分布数据，或者含噪地震数据和去噪地震数据，通过含噪地震数据减去去噪地震数据得到噪音分布数据。
然后，通过样本学习得到的公路噪音模型实现对需要处理的含噪地震数据进行处理，得到最终的去噪地震数据(如图3)，该流程也用于在模型训练时测试过程。
第一个步骤流程如图2所示，主要包括输入样本数据的含噪地震数据和噪音分布数据，然后对样本数据进行谐波噪音的预测和去除；对上一步输出的样本数据进行数据分块；然后进一步对每块样本数据规则化；卷积神经网络对上述处理后的样本数据进行学习得到噪音分布模型(公路噪音模型)，即处理过的含噪地震数据和处理过的噪音分布数据的关系模型。
第二个步骤流程如图3所示，主要包括输入需要处理的含噪地震数据，然后对含噪地震数据进行谐波噪音的预测和去除；对上一步输出的含噪地震数据进行数据分块；然后进一步对每块含噪数据数据规则化；根据第一步学习到的噪音分布模型对处理过的含噪地震数据进行处理，得到噪音分布数据，进一步计算得到噪音掩码和压制尺度，然后压制含噪地震数据的公路噪音得到最终的去噪地震数据。
样本数据
为了方便处理方法的实现，将海量的地震数据切换到不同的坐标空间。不同坐标空间的数据包括共炮点道集地震数据、共检波点道集地震数据、共中心点道集地震数据以及共偏移距道集地震数据等。本发明使用的样本数据中的含噪地震数据为共炮点道集地震数据，可以进一步扩展到其他道集数据。
共炮点道集地震数据表示为：X＝{xn(t)}(1)。
其中，X是由许多地震道数据xn组成的共炮点道集地震数据，n表示地震道序号，最大地震道序号用N表示；xn表示一个时间序列的向量，t表示时间。
噪音分布数据表示为：R＝{rn(t)}(2)。
其中，R是由许多地震道数据rn组成的噪音分布数据，n表示地震道序号，最大地震道序号用N表示；rn表示一个时间序列的向量，t表示时间；噪音分布数据R和共炮点道集地震数据X有一样的形式。
去噪地震数据表示为：Y＝{yn(t)}(3)。
其中，Y是由许多地震道数据yn组成的去噪地震数据，n表示地震道序号，最大地震道序号用N表示；yn表示一个时间序列的向量，t表示时间；去噪地震数据Y和共炮点道集地震数据X有一样的形式。
谐波噪音预测和去除
谐波噪音是一种有周期特性的简谐波噪音，有精确的预测模型，所以该谐波噪音可以用单独步骤去除。预测反褶积是去除谐波噪音的有效方法，地震资料处理方法已经有深入研究，因此独立的谐波噪音预测反褶积去除方法本身不是本发明的内容。但该步骤在流程(如图2和图3)中是可选的内容，作为本发明的一部分可起到提高部分噪音精确预测和去除的目的，有助于最终去噪的效果。已知输入数据的共炮点道集地震数据，预测反褶积方法可以表示如下，
xn(t)*f(t)＝xn(t+α)(4)。
其中，xn(t)表示第n道含噪地震数据，f(t)表示滤波器(滤波器为滤掉一些不需要成分的算子；*表示褶积符号；α表示预测长度，α是共炮点道集地震数据xn(t)的自相关延迟距离(信号的自相关，如果是谐波噪音(比如一个正弦信号)，它的自相关延迟就是半个周期长；如果是混合信号，它的自相关延迟就是主能量信号的半个周期)；公式(4)的左边是标准的滤波表达，表示时间域用褶积，频率域用相乘。
用维纳滤波求解方法(维纳滤波是一种标准的滤波公式，可以用Zeoppritz方程快速求解，在这里不需要扩展)求解公式(4)可得到滤波器f(t)，进一步将滤波器f(t)代入公式(5)，可以预测到整个共炮点道集地震数据的谐波噪音H：
其中，每道地震道的谐波噪音hn是共炮点道集地震数据经过公式(5)得到的谐波噪音估计值
然后根据公式X＝X-H(6)得到去除谐波噪音后的含噪地震数据。
因为谐波噪音预测和去噪在本发明流程是可选步骤，为了统一表示，所以去除谐波噪音后的共炮点道集地震数据仍用X表示。公式(6)表示从原共炮点道集地震数据中减去预测到的谐波噪音。同样地，在样本数据训练时，噪音分布数据中也要减去预测到的谐波噪音，公式(7)表示：R＝R-H(7)。
数据分块
数据分块的目的是为了后续深度学习卷积神经网络提供合理的输入数据。地震勘探采集数据纵向时间和横向空间(一维或者二维)展布比较广，且纵横向特征变化比较大，不适合直接用于深度学习卷积网络学习。本发明提供的数据分割数据方案如图4所示：首先，每一块矩形网格表示一小块数据，每小块数据网格为64×64；其次，每块数据之间有重叠，主要是为了解决边界效应，重叠网格点每边不超过32个点。
共炮点道集地震数据分块后表示为：X＝{xi}(8)。
其中，xi表示第i块共炮点道集地震数据，i表示块的序号。同样地，表示对应的噪音分布数据R和去噪地震数据Y表示为：R＝{ri}(9)和Y＝{yi}(10)。
其中，ri和yi分别表示第i块噪音分布数据和第i块去噪地震数据。
数据规则化
样本数据学习时，需要输入分块后的共炮点道集地震数据xi和噪音分布数据ri。随着空间和时间的变化，所包含噪音的特征变化很大，数据规则化是为了消除样本数据块特征差异，让深度学习卷积神经网络卷积层更好地提取到数据中噪音的特征。在图像处理中，已经发展了许多数据规则化的算法，比如数据集的标准化。
本发明主要利用公路噪音的强振幅特征，因此在标准化方法基础上，用绝对振幅的最大值作为权值进一步修改了整体振幅。
数据规则化公式为x'i(j)＝si(j)*xi(j)(11)。
其中，x'i(j)表示第i块第j元素对应的规则化后的共炮点道集地震数据，j表示数据块xi的元素序号，xi(j)表示第i块第j元素对应的共炮点道集地震数据，si(j)表示第i块第j元素对应的共炮点道集地震数据的规则化的系数，表示如下，
其中，J是数据块xi的元素个数，
是对xi(j)做了振幅修正后得到数据。max(x)表示数据分块后的共炮点道集地震数据中最大的振幅值；max(xi(j))表示第i块第j元素对应的共炮点道集地震数据中最大的振幅值。
样本数据中的噪音分布数据ri需要用同样的稀疏，即做同样的数据规则处理后，r'i(j)＝gi(j)*ri(j)(13)。
其中，r'i(j)表示第i块第j元素对应的规则化后的噪音分布数据，ri(j)表示第i块第j元素对应的噪音分布数据，ri(j)表示第i块第j元素对应的噪音分布数据的规则化的系数。
深度学习卷积神经网络学习公路噪音压制模型
图2中，样本数据块做完数据规则化后，输入到深度学习卷积神经网络(图2中的虚线框)进行模型训练，学习得到噪音分布模型。本发明中的深度学习卷积神经网络的卷积层与标准卷积神经网络的卷积层类似，但本发明卷积神经网络的深度选择为11层，除了第一层为二维卷积和激励函数线性修正单元，最后一层为二维卷积层，其余中间9层都包含二维卷积、激励函数线性修正单元和批量归一化函数。
噪音分布模型可以表示为
其中，E为目标函数，θ为训练得到的模型记录权值，(x'i,r'i)是一个样本数据训练对，
是通过训练模型得到的噪音分布数据估计值，
表示二范数的平方。在图3中，θ已知，直接通过R(x'i；θ)得到噪音分布数据估计值。
公路噪音掩码和压制尺度计算
由于公路噪音的复杂性，深度学习卷积神经网络能够学习到噪音分布特征，但振幅仍然有一定差异，所以需要进一步处理，通过图3流程估计的噪音分布数据
计算公路噪音存在的地震道掩码(即存在公路噪音的地震道分布)和压制尺度，然后压制公路噪音得到期望的去噪结果。
首先，根据公式(2)形式，把噪音分布的数据块
还原表示成噪音分布的地震道表示形式；通过公式
还原成地震道形式。
然后计算噪音掩码M和每个地震道压制尺度qn。M的元素mn(t)表示为
其中，eps是一个小值，表示门槛值(根据自身需求取值，一般根据绝对值的最大值，取一个较小的比例，甚至可以直接取浮点数最小值的绝对值)，可以设为
中元素绝对值最大值的0.0001倍。
每个地震道压制尺度qn表示为：
其中，
是
的标准差，σn是每一道
的标准差。
最终去噪结果表示为：
其中，
表示噪音掩码处理后的第n道地震道数据，在此计算过程中，除了第n道地震数据外，其他地震道均设置为空；
是求和的意思，即把分别压制的地震道数据重新组合起来。
图5是包含公路噪音的训练数据中49个含噪数据道集中的一个道集，每个道集可以分割为102个64×64块数据；图6是包含公路噪音的训练数据中49个去噪数据道集中的一个道集；图7是包含公路噪音的训练数据中49个噪音分布数据道集中的一个道集，每个道集同样可以分割为102个64×64块数据，通过该噪音数据和预测数据的损失函数(公式(14))更新卷积网络的权值θ(意为目标函数取最小的时候，得到最佳卷积网络的权值θ)。
49个训练样本数据分为以下两部分：40个道集分割为40×102个练数据集
和9个道集分割为9×102个验证数据集
前者用于训练网络，后者用于验证网络。如上方法所示，在分割数据时数据块与数据块块之间有重叠，该例子数据块样点为64×64，但分割数据道集的跨度只有52样点，所以纵横向重合6个样点，这样在输出时候不会造成边界假象。
从公路噪音样本数据上观测，强振幅特征明显，所以本发明主要利用公路噪音的强振幅特性压制公路噪音(核心的步骤就是神经网络深度学习方法得到噪音分布，根据噪音分布压制含噪数据得到最终的噪音和去噪数据)。通过样本数据(如图5，图6，图7)训练得到的去噪模型，然后用于需要去噪的目标数据，得到最终的去噪效果。图8是包含公路噪音的目标数据中5个含噪数据道集中的一个道集，每个道集可以分割为102个64×64块数据；图9是包含公路噪音的目标数据中5个含噪道集得到的最终去噪数据中的一个，对应于含噪数据图8；图10是包含公路噪音的目标数据(图8)和卷积神经网络去噪处理得到的去噪结果(图9)之间的差，即噪音分布数据。从结果(图9和图10)来看，本发明方法取得了比较理想的结果，公路噪音基本被压制，有效信号得到了很好的保留。
基于人工智能的深度学习卷积神经网络方法，结合地震资料强振幅干扰噪音的特点，本发明通过上述实验，说明基于深度学习的地震资料公路压制方法是可行的，而且取得了实际应用效果。该发明能够利用人工智能深度学习的优势，推动智能去噪在地震勘探领域发展。
实施例3
如图11所示，一种基于人工智能深度神经网络的公路噪音压制系统，包括：
样本数据获取模块100，用于获取样本数据；所述样本数据包括含噪地震数据以及噪音分布数据；所述含噪地震数据为含有公路噪音的地震数据；所述噪音分布数据为所述含噪地震数据减去去噪地震数据得到的数据；
样本数据处理模块200，用于对所述样本数据进行谐波噪音去除、数据分块以及规则化处理；
噪音分布模型得到模块300，用于采用人工智能深度学习卷积神经网络对处理后的样本数据进行学习，得到噪音分布模型；所述噪音分布模型为处理后的含噪地震数据与处理后的噪音分布数据的关系模型；
当前含噪地震数据处理模块400，用于获取当前含噪地震数据，并对所述当前含噪地震数据进行谐波噪音去除、数据分块以及规则化处理；当前含噪地震数据处理方法和样本数据处理方法相同。
噪音分布数据估计值计算模块500，用于将处理后的当前含噪地震数据输入到所述噪音分布模型中，得到噪音分布数据估计值；
噪音掩码和压制尺度计算模块600，用于根据所述噪音分布数据估计值，计算噪音掩码和压制尺度；
当前去噪地震数据得到模块700，用于根据所述噪音掩码和所述压制尺度，压制所述当前含噪地震数据中的公路噪音，得到当前去噪地震数据。
所述样本数据处理模块200，具体包括：
谐波噪音去除处理单元，用于对所述样本数据中的含噪地震数据和噪音分布数据分别进行谐波噪音去除处理。
数据分块处理单元，用于对谐波噪音去除后的含噪地震数据和谐波噪音去除后的噪音分布数据分别进行数据分块处理。
规则化处理单元，用于对数据分块后的含噪地震数据和数据分块后的噪音分布数据分别进行规则化处理。
所述规则化处理单元，具体包括：
含噪地震数据规则化子单元，用于根据公式x'i(j)＝si(j)*xi(j)对数据分块后的含噪地震数据进行规则化处理。
其中，x'i(j)表示第i块第j元素对应的规则化后的含噪地震数据，j表示元素序号，xi(j)表示第i块第j元素对应的含噪地震数据，si(j)表示第i块第j元素对应的含噪地震数据的规则化系数；
规则化系数表达式为
其中，J表示元素总数，
表示对xi(j)进行振幅修正后得到数据；max(x)表示数据分块后的含噪地震数据中最大的振幅值；max(xi(j))表示第i块第j元素对应的含噪地震数据中最大的振幅值；
噪音分布数据规则化子单元，用于根据公式r'i(j)＝gi(j)*ri(j)对数据分块后的噪音分布数据进行规则化处理。
其中，r'i(j)表示第i块第j元素对应的规则化后的噪音分布数据，j表示元素序号，ri(j)表示第i块第j元素对应的噪音分布数据，gi(j)表示第i块第j元素对应的噪音分布数据的规则化系数；
规则化系数表达式为
其中，J表示元素总数，
表示对ri(j)进行振幅修正后得到数据；max(r)表示数据分块后的噪音分布数据中最大的振幅值；max(ri(j))表示第i块第j元素对应的噪音分布数据中最大的振幅值。
所述噪音掩码和压制尺度计算模块600，具体包括：
还原单元，用于将所述噪音分布数据估计值的数据块形式还原成地震道形式。
计算单元，用于根据地震道形式的噪音分布数据估计值，计算噪音掩码和压制尺度。
本说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似部分互相参见即可。对于实施例公开的系统而言，由于其与实施例公开的方法相对应，所以描述的比较简单，相关之处参见方法部分说明即可。
本文中应用了具体个例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想；同时，对于本领域的一般技术人员，依据本发明的思想，在具体实施方式及应用范围上均会有改变之处。综上所述，本说明书内容不应理解为对本发明的限制。
Claims (4)
1.一种基于人工智能深度神经网络的公路噪音压制方法，其特征在于，所述公路噪音压制方法包括：
获取样本数据；所述样本数据包括含噪地震数据以及噪音分布数据；所述含噪地震数据为含有公路噪音的地震数据；所述噪音分布数据为所述含噪地震数据减去去噪地震数据得到的数据；
对所述样本数据进行谐波噪音去除、数据分块以及规则化处理；
采用人工智能深度学习卷积神经网络对处理后的样本数据进行学习，得到噪音分布模型；所述噪音分布模型为处理后的含噪地震数据与处理后的噪音分布数据的关系模型；
获取当前含噪地震数据，并对所述当前含噪地震数据进行谐波噪音去除、数据分块以及规则化处理；
将处理后的当前含噪地震数据输入到所述噪音分布模型中，得到噪音分布数据估计值；
根据所述噪音分布数据估计值，计算噪音掩码和压制尺度；
根据所述噪音掩码和所述压制尺度，压制所述当前含噪地震数据中的公路噪音，得到当前去噪地震数据；
所述对所述样本数据进行谐波噪音去除、数据分块以及规则化处理，具体包括：
对所述样本数据中的含噪地震数据和噪音分布数据分别进行谐波噪音去除处理；对谐波噪音去除后的含噪地震数据和谐波噪音去除后的噪音分布数据分别进行数据分块处理；对数据分块后的含噪地震数据和数据分块后的噪音分布数据分别进行规则化处理；
其中，所述对数据分块后的含噪地震数据和数据分块后的噪音分布数据分别进行规则化处理，具体包括：
根据公式x'i(j)＝si(j)*xi(j)对数据分块后的含噪地震数据进行规则化处理；
其中，x'i(j)表示第i块第j元素对应的规则化后的含噪地震数据，j表示元素序号，xi(j)表示第i块第j元素对应的含噪地震数据，si(j)表示第i块第j元素对应的含噪地震数据的规则化系数；
规则化系数表达式为
其中，J表示元素总数，
表示对xi(j)进行振幅修正后得到数据；max(x)表示数据分块后的含噪地震数据中最大的振幅值；max(xi(j))表示第i块第j元素对应的含噪地震数据中最大的振幅值；
根据公式r'i(j)＝gi(j)*ri(j)对数据分块后的噪音分布数据进行规则化处理；
其中，r'i(j)表示第i块第j元素对应的规则化后的噪音分布数据，j表示元素序号，ri(j)表示第i块第j元素对应的噪音分布数据，gi(j)表示第i块第j元素对应的噪音分布数据的规则化系数；
规则化系数表达式为
其中，J表示元素总数，
表示对ri(j)进行振幅修正后得到数据；max(r)表示数据分块后的噪音分布数据中最大的振幅值；max(ri(j))表示第i块第j元素对应的噪音分布数据中最大的振幅值。
2.根据权利要求1所述的公路噪音压制方法，其特征在于，所述根据所述噪音分布数据估计值，计算噪音掩码和压制尺度，具体包括：
将所述噪音分布数据估计值的数据块形式还原成地震道形式；
根据地震道形式的噪音分布数据估计值，计算噪音掩码和压制尺度。
3.一种基于人工智能深度神经网络的公路噪音压制系统，其特征在于，所述公路噪音压制系统包括：
样本数据获取模块，用于获取样本数据；所述样本数据包括含噪地震数据以及噪音分布数据；所述含噪地震数据为含有公路噪音的地震数据；所述噪音分布数据为所述含噪地震数据减去去噪地震数据得到的数据；
样本数据处理模块，用于对所述样本数据进行谐波噪音去除、数据分块以及规则化处理；
噪音分布模型得到模块，用于采用人工智能深度学习卷积神经网络对处理后的样本数据进行学习，得到噪音分布模型；所述噪音分布模型为处理后的含噪地震数据与处理后的噪音分布数据的关系模型；
当前含噪地震数据处理模块，用于获取当前含噪地震数据，并对所述当前含噪地震数据进行谐波噪音去除、数据分块以及规则化处理；
噪音分布数据估计值计算模块，用于将处理后的当前含噪地震数据输入到所述噪音分布模型中，得到噪音分布数据估计值；
噪音掩码和压制尺度计算模块，用于根据所述噪音分布数据估计值，计算噪音掩码和压制尺度；
当前去噪地震数据得到模块，用于根据所述噪音掩码和所述压制尺度，压制所述当前含噪地震数据中的公路噪音，得到当前去噪地震数据；
所述样本数据处理模块，具体包括：
谐波噪音去除处理单元，用于对所述样本数据中的含噪地震数据和噪音分布数据分别进行谐波噪音去除处理；
数据分块处理单元，用于对谐波噪音去除后的含噪地震数据和谐波噪音去除后的噪音分布数据分别进行数据分块处理；
规则化处理单元，用于对数据分块后的含噪地震数据和数据分块后的噪音分布数据分别进行规则化处理；
所述规则化处理单元，具体包括：
含噪地震数据规则化子单元，用于根据公式x'i(j)＝si(j)*xi(j)对数据分块后的含噪地震数据进行规则化处理；
其中，x'i(j)表示第i块第j元素对应的规则化后的含噪地震数据，j表示元素序号，xi(j)表示第i块第j元素对应的含噪地震数据，si(j)表示第i块第j元素对应的含噪地震数据的规则化系数；
规则化系数表达式为
其中，J表示元素总数，
表示对xi(j)进行振幅修正后得到数据；max(x)表示数据分块后的含噪地震数据中最大的振幅值；max(xi(j))表示第i块第j元素对应的含噪地震数据中最大的振幅值；
噪音分布数据规则化子单元，用于根据公式r'i(j)＝gi(j)*ri(j)对数据分块后的噪音分布数据进行规则化处理；
其中，r'i(j)表示第i块第j元素对应的规则化后的噪音分布数据，j表示元素序号，ri(j)表示第i块第j元素对应的噪音分布数据，gi(j)表示第i块第j元素对应的噪音分布数据的规则化系数；
规则化系数表达式为
其中，J表示元素总数，
表示对ri(j)进行振幅修正后得到数据；max(r)表示数据分块后的噪音分布数据中最大的振幅值；max(ri(j))表示第i块第j元素对应的噪音分布数据中最大的振幅值。
4.根据权利要求3所述的公路噪音压制系统，其特征在于，所述噪音掩码和压制尺度计算模块，具体包括：
还原单元，用于将所述噪音分布数据估计值的数据块形式还原成地震道形式；
计算单元，用于根据地震道形式的噪音分布数据估计值，计算噪音掩码和压制尺度。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910316275.9A CN110008633B (zh) | 2019-04-19 | 2019-04-19 | 基于人工智能深度神经网络的公路噪音压制方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910316275.9A CN110008633B (zh) | 2019-04-19 | 2019-04-19 | 基于人工智能深度神经网络的公路噪音压制方法及系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN110008633A CN110008633A (zh) | 2019-07-12 |
| CN110008633B true CN110008633B (zh) | 2023-04-14 |
Family
ID=67172992
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910316275.9A Active CN110008633B (zh) | 2019-04-19 | 2019-04-19 | 基于人工智能深度神经网络的公路噪音压制方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN110008633B (zh) |
Families Citing this family (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113917539B (zh) * | 2021-10-15 | 2023-07-14 | 中国地质科学院地球物理地球化学勘查研究所 | 火山岩覆盖区地震数据叠前道集处理方法、系统和装置 |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102880903A (zh) * | 2012-07-13 | 2013-01-16 | 刘立峰 | 混沌量子粒子群模糊神经网络叠前非线性流体识别方法 |
| CN104536044A (zh) * | 2015-01-16 | 2015-04-22 | 中国石油大学(北京) | 一种地震数据的插值去噪方法以及系统 |
| CN108897045A (zh) * | 2018-08-28 | 2018-11-27 | 中国石油天然气股份有限公司 | 深度学习模型训练方法和地震数据去噪方法、装置及设备 |
| CN109031415A (zh) * | 2018-06-20 | 2018-12-18 | 清华大学 | 一种基于深度卷积神经网络的可控震源数据振铃压制方法 |
Family Cites Families (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US8081721B2 (en) * | 2006-03-29 | 2011-12-20 | Telefonaktiebolaget Lm Ericsson (Publ) | Method and arrangement in wireless communication networks using relaying |
| CN103971908B (zh) * | 2014-05-06 | 2016-03-09 | 国家电网公司 | 一种变压器噪声抑制方法 |
-
2019
- 2019-04-19 CN CN201910316275.9A patent/CN110008633B/zh active Active
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102880903A (zh) * | 2012-07-13 | 2013-01-16 | 刘立峰 | 混沌量子粒子群模糊神经网络叠前非线性流体识别方法 |
| CN104536044A (zh) * | 2015-01-16 | 2015-04-22 | 中国石油大学(北京) | 一种地震数据的插值去噪方法以及系统 |
| CN109031415A (zh) * | 2018-06-20 | 2018-12-18 | 清华大学 | 一种基于深度卷积神经网络的可控震源数据振铃压制方法 |
| CN108897045A (zh) * | 2018-08-28 | 2018-11-27 | 中国石油天然气股份有限公司 | 深度学习模型训练方法和地震数据去噪方法、装置及设备 |
Non-Patent Citations (4)
| Title |
|---|
| Optimal Model Analysis for Denoising Monte Calro Rendering Noise;Min-Cheol Kim等;《IEEE》;20181231;全文 * |
| 不规则观测系统数据规则化及在相干噪声压制中的应用;崔永福等;《石油物探》;20160731;全文 * |
| 基于感知损失的深度卷积网络的草图简化研究;谢敏珊;《信息科技》;20181215;全文 * |
| 基于深度学习卷积神经网络的地震数据随机噪声去除;韩卫雪等;《石油物探》;20181130;第862-869页 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN110008633A (zh) | 2019-07-12 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110806602B (zh) | 基于深度学习的智能化地震数据随机噪声压制方法 | |
| CN111190227B (zh) | 基于残差卷积生成对抗模型的低信噪比地震数据消噪方法 | |
| CN111723701B (zh) | 一种水中目标识别方法 | |
| CN105913393A (zh) | 一种自适应小波阈值图像去噪算法及装置 | |
| Meng et al. | Self-supervised learning for seismic data reconstruction and denoising | |
| Hoshyar et al. | Comparing the performance of various filters on skin cancer images | |
| CN105700020A (zh) | 一种地震数据随机噪声压制方法及装置 | |
| CN109581516B (zh) | 曲波域统计量自适应阈值探地雷达数据去噪方法及系统 | |
| CN113723171B (zh) | 基于残差生成对抗网络的脑电信号去噪方法 | |
| CN112987099B (zh) | 基于多震源卷积神经网络的低频地震数据重构方法 | |
| CN112598593B (zh) | 基于非均衡深度期望块对数似然网络的地震噪声压制方法 | |
| Kimiaefar et al. | Random noise attenuation by Wiener-ANFIS filtering | |
| CN110008633B (zh) | 基于人工智能深度神经网络的公路噪音压制方法及系统 | |
| Huang et al. | Low-frequency noise attenuation of seismic data using mathematical morphological filtering | |
| Wang et al. | Attention-based neural network for erratic noise attenuation from seismic data with a shuffled noise training data generation strategy | |
| Zhang et al. | Adaptive filtering for event recognition from noisy signal: An application to earthquake detection | |
| Shan et al. | Background noise suppression of magnetic anomaly signal based on wavelet transform | |
| CN113567129A (zh) | 一种列车轴承振动信号基于ceemd的降噪方法 | |
| Su et al. | Defocused image restoration using RBF network and iterative Wiener filter in wavelet domain | |
| CN112363217A (zh) | 一种地震数据随机噪声压制方法及系统 | |
| Wang et al. | Seismic noise attenuation by applying a deep learning method without noise-free labels | |
| CN117471529B (zh) | 一种非稳态地震子波自适应提取方法 | |
| CN114076986B (zh) | 一种多尺度字典学习稀疏去噪方法 | |
| Wang et al. | SAPD: Self-Attention Progressive Seismic Data Denoising | |
| WO2024016572A1 (zh) | 噪声识别方法、装置、设备及存储介质 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| CB03 | Change of inventor or designer information |
Inventor after: Cao Danping Inventor after: Zhu Zhaolin Inventor before: Zhu Zhaolin Inventor before: Cao Danping |
|
| CB03 | Change of inventor or designer information | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |