CN110045419A - 一种感知器残差自编码网络地震资料去噪方法 - Google Patents
一种感知器残差自编码网络地震资料去噪方法 Download PDFInfo
- Publication number
- CN110045419A CN110045419A CN201910421351.2A CN201910421351A CN110045419A CN 110045419 A CN110045419 A CN 110045419A CN 201910421351 A CN201910421351 A CN 201910421351A CN 110045419 A CN110045419 A CN 110045419A
- Authority
- CN
- China
- Prior art keywords
- seismic data
- network
- network model
- layers
- denoising
- 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.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 43
- 238000012549 training Methods 0.000 claims description 47
- 238000012360 testing method Methods 0.000 claims description 18
- 230000000694 effects Effects 0.000 claims description 14
- 238000011176 pooling Methods 0.000 claims description 10
- 238000013526 transfer learning Methods 0.000 claims description 10
- 230000006870 function Effects 0.000 claims description 9
- 238000004519 manufacturing process Methods 0.000 claims description 9
- 230000016776 visual perception Effects 0.000 claims description 9
- 238000010606 normalization Methods 0.000 claims description 6
- 230000009466 transformation Effects 0.000 claims description 6
- 208000037170 Delayed Emergence from Anesthesia Diseases 0.000 claims description 4
- 229910052704 radon Inorganic materials 0.000 claims description 4
- SYUHGPGVQRZVTB-UHFFFAOYSA-N radon atom Chemical compound [Rn] SYUHGPGVQRZVTB-UHFFFAOYSA-N 0.000 claims description 4
- 238000012937 correction Methods 0.000 claims description 3
- 230000003631 expected effect Effects 0.000 claims description 3
- 210000002569 neuron Anatomy 0.000 claims description 3
- 238000012545 processing Methods 0.000 claims description 3
- 238000013135 deep learning Methods 0.000 abstract description 6
- 238000005457 optimization Methods 0.000 abstract 1
- 238000013527 convolutional neural network Methods 0.000 description 5
- 238000011426 transformation method Methods 0.000 description 3
- 230000001427 coherent effect Effects 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000013213 extrapolation Methods 0.000 description 2
- 230000003044 adaptive effect Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 238000013508 migration Methods 0.000 description 1
- 230000005012 migration Effects 0.000 description 1
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
- G01V1/364—Seismic filtering
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- 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
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01V—GEOPHYSICS; GRAVITATIONAL MEASUREMENTS; DETECTING MASSES OR OBJECTS; TAGS
- G01V2210/00—Details of seismic processing or analysis
- G01V2210/30—Noise handling
- G01V2210/32—Noise reduction
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/02—Preprocessing
- G06F2218/04—Denoising
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/08—Feature extraction
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Remote Sensing (AREA)
- Evolutionary Computation (AREA)
- Biomedical Technology (AREA)
- Computing Systems (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Health & Medical Sciences (AREA)
- Bioinformatics & Computational Biology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Evolutionary Biology (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Acoustics & Sound (AREA)
- Environmental & Geological Engineering (AREA)
- Geology (AREA)
- General Life Sciences & Earth Sciences (AREA)
- Geophysics (AREA)
- Geophysics And Detection Of Objects (AREA)
- Image Processing (AREA)
Abstract
本发明公开了一种感知器残差自编码网络地震资料去噪方法,为了克服传统去噪方法在泛化能力和去噪保真度等方面均无法满足高精度勘探要求,本发明将卷积自编码网络编码重构后的特征数据,经以多层感知器卷积层、多尺度层、BN层和自编码器组成的多层感知器残差卷积自编码块后再由解码部分输出,并与优化后的卷积核相结合,提出了基于深度学习的感知器残差自编码网络地震资料去噪方法。本发明公开的地震资料去噪方法在完整保留地震资料局部细节和不产生假象的情况下,仍能同时去除多次波和随机噪声。
Description
技术领域
本发明涉及深度学习技术领域,具体涉及地震资料去噪中的一种感知器残差自编码网络地震资料去噪方法。
背景技术
地震资料噪声可分为相干噪声和随机噪声,传统去噪需根据信号和噪声的特征差异,选取不同的方法进行去噪。传统去除多次波的方法可分为两类,一类为基于有效波和多次波之间差异的滤波方法,其中较为常用的有Radon变换法和预测反褶积法,另一类为基于波动理论的方法,其中波动方程外推法和反馈法较为常用,Radon变换去噪同时会产生较多假象;预测反褶积法比较依赖参数设置;波动方程外推法和反馈法,具有较好的去噪效果,但计算量较大,无法大量运用于地震资料去噪。传统去随机噪声常用的方法有:多项式拟合法、K-L变换法、Curvelet变换、小波变换法等,多项式拟合法只有在去除相干噪声的后才有好的去噪效果;K-L变换法只有当样本充足时,矩阵的估计才会变得精确;小波变换法去噪时忽略每个像素的特点,去噪的同时会产生模糊现象;Curvelet变换克服了傅里叶变换和小波变换的缺点,可以保持地震数据边缘和纹理细节信息,但会过度消除部分Curvelet变换系数,去噪同时会产生伪影。
为了克服传统浅层去噪模型的局限性,基于深度学习的非线性、深度的去噪模型被提出。其中基于自编码(Auto-Encoder,AE)网络、卷积神经网络(Convolutional NeuralNetwork,CNN)、生成对抗网络(Generative Adversarial Networks,GAN)广泛应用于去噪领域,但基于深度学习的地震去噪方法较少,基于残差卷积神经网络的随机噪声去除算法,具有更强的去噪性能;基于卷积神经网络去噪模型,可以去除方差未知的地震随机噪声;将残差卷积神经网络图像去噪方法应用于地震资料去噪,可有效去除随机噪声,但以上深度学习方法仅能去除随机噪声不能压制多次波。
发明内容
本发明公开了一种感知器残差自编码网络地震资料去噪方法,包括以下步骤:(1)制作训练集和测试集;(2)以多层感知器卷积层、多尺度层、批归一化层和自编码器组成的多层感知器残差卷积自编码块后再由解码部分输出,并与优化后的卷积核相结合,提出了基于深度学习的感知器残差自编码网络地震资料去噪方法;(3)训练网络并初次保存网络的各个参数,测试初次保存的网络,若不符合去噪要求继续训练网络,若符合要求停止迭代,二次保存网络模型;(4)若二次保存的网络模型在新添加工区的数据上不符合去噪要求时,将利用迁移学习在基于二次保存的网络模型上进行网络参数微调,若符合要求停止迭代,保存最终网络模型;(5)利用保存的最终网络模型去除地震资料中的多次波和随机噪声,输出去噪后的地震资料。本发明公开的地震资料去噪方法,在完整保留地震资料局部细节和不产生假象的情况下,仍能同时去除多次波和随机噪声。
本发明所提供的技术方案为:一种感知器残差自编码网络地震资料去噪方法,包括如下步骤:
步骤1、制作训练集和测试集,具体步骤如下:
(1)将原始地震数据处理为经过动校正后的共中心点道集;
(2)利用抛物线Radon变换和K-L变换,分别去除共中心点道集中的多次波和随机噪声,得到不含噪声的地震数据集;
(3)将含噪声的原始数据和对应预处理后不含噪声的地震资料作为一组数据,制作训练集;
(4)选取不同于训练集的地震数据,按照制作训练集的方法制作测试集;
(5)选取不同工区的地震数据,按照制作训练集的方法制作迁移学习的训练集;
步骤2、提出由残差块、多层感知器结构、多尺度结构、批归一化层和自编码结构组成的多层感知器残差卷积自编码块,主结构共有7层,其中多层感知器前两层卷积核分别为1×5和5×1,后两层卷积核大小均为1×1,多尺度结构共两层,第一层分别由大小为1×7,1×5,1×3三种卷积核组成,第二层分别由对应的7×1,5×1,3×1三种卷积核组成,此时输出为:
x7=f(x)+xcae
xcae为输入x经过卷积自编码器提取的潜在特征,f(x)为输入x经7层卷积后输出的结果;
步骤3、感知器残差自编码网络地震资料去噪方法,网络模型共(8+7×n)层,第一层为卷积核大小为3×3的卷积层,第二、三层为编码器,第4层为最大池化层,接下来的7×n层,由n个步骤2提出的多层感知器残差卷积自编码块组成,后四层与前四层相对应,首先为一个反池化层,然后为由两层反卷积层组成的解码器,最后为一个全连接层,其中n为大于1的正整数;
步骤4、训练网络共分为第一部分和第二部分,首先训练第一部分并保存最优网络模型,若第一部分保存的网络模型在去除不同工区数据时,满足定量和定性的去噪要求,将不启用第二部分,直接保存最终网络模型,若不满足去噪要求,将启用第二部分,运用迁移学习继续训练第一部分保存的网络模型,具体步骤如下:
第一部分:
(1)将步骤1预处理后的训练集,通过列队输入到步骤3搭建的网络模型中;
(2)采用误差反向传播,并以对数双曲余弦损失函数来衡量真实值与预测值的距离,通过数据集的每次迭代,使用梯度下降来调整神经元之间的权重以降低代价函数,进而优化网络;
(3)以定量的峰值信噪比、结构相似性和定性的视觉感受判断网络去噪效果,初次保存网络模型的各个参数;
(4)然后将步骤1预处理后的测试集,输入到初次保存的网络模型中,并通过定量的峰值信噪比和定性的视觉感受判断网络去噪效果,若不符合去噪要求继续训练或调参后训练网络,若符合要求停止迭代,二次保存网络模型;
第二部分:
(1)将步骤1预处理后不同工区的训练集,通过列队输入到二次保存的网络模型中;
(2)利用迁移学习在基于二次保存的网络模型上进行网络参数微调;
(3)以定量的峰值信噪比、结构相似性和定性的视觉感受判断网络去噪效果,若达到预期效果停止迭代保存最终网络模型,否则继续迭代训练网络;
对数双曲余弦损失函数为:
式中,yi为经过预处理不含噪声的地震数据,zi为输出去噪后的地震数据,对数双曲余弦损失越小代表zi与yi越接近,网络准确率越高;
峰值信噪比公式为:
式中,MMSE为yi和zi的均方误差,PSNR数值越大表示去噪效果越好;
结构相似性可由以下公式求出:
其中,分别为yi和zi的均值,分别为yi和zi的方差,为yi和zi的协方差,c1=(k1L)2,c2=(k2L)2、k1=0.01,k2=0.03,则
SSIM(yi,zi)=l(yi,zi)*c(yi,zi)*s(yi,zi)
SSIM(yi,zi)∈[0,1],若yi和zi完全相同时SSIM值为1;
步骤5、利用保存的最终网络模型去除地震资料中的多次波和随机噪声,输出去噪后的地震资料。
本发明的有益效果是:
(1)可同时去除多次波和随机噪声;
(2)去噪同时能够完整保留地震资料局部细节、不产生假象;
(3)适用于不同工区地震数据去噪;
(4)网络收敛速度快,训练时间短。
附图说明
图1为本发明的流程图,网络训练分为第一部分和第二部分,第一部分主要由测试集、训练集、感知器残差自编码网络、训练网络、初次保存网络模型、二次保存网络模型组成,第二部分主要由不同工区的训练集、迁移学习、最终保存的网络模型组成,利用保存的最终网络模型,输入含噪地震数据,输出去噪后地震资料;
图2为本发明的多层感知器残差卷积自编码块结构图,由残差块、多层感知器结构、多尺度结构、批归一化层和自编码结构组成,主结构共有7层,其中多层感知器前两层卷积核分别为1×5和5×1,后两层卷积核大小均为1×1,多尺度结构共两层,第一层分别由大小为1×7,1×5,1×3三种卷积核组成,第二层分别由对应的7×1,5×1,3×1三种卷积核组成;
图3为本发明的感知器残差自编码网络总体结构图,网络模型共(8+7×n)层,第一层为卷积核大小为3×3的卷积层,第二、三层为编码器,第4层为最大池化层,接下来的7×n层,由n个步骤2提出的多层感知器残差卷积自编码块组成,后四层与前四层相对应,首先为一个反池化层,然后为由两层反卷积层组成的解码器,最后为一个全连接层,其中n为大于1的正整数;
图4为本发明去噪示例,其中,a)含多次波地震数据;b)含多次波和随机噪声地震数据;c)本发明的去噪结果;d)本发明消除的噪声。
图中符号说明如下:
x:表示输入;
f(x):表示输出;
xcae:表示输入x经过卷积自编码器提取的潜在特征值;
x7:x7=f(x)+xcae;
conv:表示卷积层;
bn:表示批归一化层;
Encoder:表示编码层;
Maxpool:表示最大池化层;
Unpool:表示反池化层;
Decoder:表示解码层;
Mlpconv:表示多层感知器层;
Multiscale Structure:表示多尺度卷积层结构;
Auto-Encoder:表示自编码器;
FC:表示全连接层;
MRCAE Block:表示多层感知器残差卷积自编码块;
具体实施方式:
为了高效去除地震资料中的多次波和随机噪声,以多层感知器残差卷积自编码块和自编码网络为基本网络结构,提出了去噪感知器残差自编码网络模型,如图3所示。参照图1,示出的本发明流程图,包括如下步骤。
步骤1、制作训练集和测试集,具体步骤如下:
(1)将尺寸为200×92的原始地震数据处理为动校正后的共中心点道集;
(2)为了展示本发明可同时去除随机噪声和多次波,若原始地震数据不含随机噪声或含有较少的随机噪声,本实例将相应增强随机噪声的含量;
(3)将含噪声的原始数据和对应预处理后不含噪声的地震资料作为一组数据,制作训练集;
(4)选取不同于训练集的地震数据,按照制作训练集的方法制作测试集;
(5)选取不同工区的地震数据,按照制作训练集的方法制作迁移学习的训练集;
步骤2、提出由残差块、多层感知器结构、多尺度结构、批归一化层和自编码结构组成的多层感知器残差卷积自编码块,主结构共有7层,其中多层感知器前两层卷积核分别为1×5和5×1,后两层卷积核大小均为1×1,多尺度结构共两层,第一层分别由大小为1×7,1×5,1×3三种卷积核组成,第二层分别由对应的7×1,5×1,3×1三种卷积核组成,此时输出为:
x7=f(x)+xcae
xcae为输入x经过卷积自编码器提取的潜在特征,f(x)为输入x经7层卷积后输出的结果;
步骤3、感知器残差自编码网络地震资料去噪方法,网络模型共22层,第一层为卷积核大小为3×3的卷积层,第二、三层为编码器,第4层为最大池化层,接下来的14层,由2个步骤2提出的多层感知器残差卷积自编码块组成,后四层与前四层相对应,首先为一个反池化层,然后为由两层反卷积层组成的解码器,最后为一个全连接层;
步骤4、训练网络共分为第一部分和第二部分,首先训练第一部分并保存最优网络模型,若第一部分保存的网络模型在去除不同工区数据时,满足定量和定性的去噪要求,将不启用第二部分,直接保存最终网络模型,若不满足去噪要求,将启用第二部分,运用迁移学习继续训练第一部分保存的网络模型,具体步骤如下:
第一部分:
(1)将步骤1预处理后的训练集,通过列队输入到步骤3搭建的网络模型中;
(2)采用误差反向传播,并以对数双曲余弦损失函数来衡量真实值与预测值的距离,通过数据集的每次迭代,使用梯度下降来调整神经元之间的权重以降低代价函数,进而优化网络;
(3)以定量的峰值信噪比、结构相似性和定性的视觉感受判断网络去噪效果,初次保存网络模型的各个参数;
(4)然后将步骤1预处理后的测试集,输入到初次保存的网络模型中,并通过定量的峰值信噪比和定性的视觉感受判断网络去噪效果,若不符合去噪要求继续训练或调参后训练网络,若符合要求停止迭代,二次保存网络模型;
第二部分:
(1)将步骤1预处理后不同工区的训练集,通过列队输入到二次保存的网络模型中;
(2)利用迁移学习在基于二次保存的网络模型上进行网络参数微调;
(3)以定量的峰值信噪比、结构相似性和定性的视觉感受判断网络去噪效果,若达到预期效果停止迭代保存最终网络模型,否则继续迭代训练网络;
对数双曲余弦损失函数为:
式中,yi为经过预处理不含噪声的地震数据,zi为输出去噪后的地震数据,对数双曲余弦损失越小代表zi与yi越接近,网络准确率越高;
峰值信噪比公式为:
式中,MMSE为yi和zi的均方误差,PSNR数值越大表示去噪效果越好;
结构相似性可由以下公式求出:
其中,分别为yi和zi的均值,分别为yi和zi的方差,为yi和zi的协方差,c1=(k1L)2,c2=(k2L)2、k1=0.01,k2=0.03,则
SSIM(yi,zi)=l(yi,zi)*c(yi,zi)*s(yi,zi)
SSIM(yi,zi)∈[0,1],若yi和zi完全相同时SSIM值为1;
步骤5、利用保存的最终网络模型去除地震资料中的多次波和随机噪声,输出去噪后的地震数据。
图4为本发明去除地震资料中多次波和随机噪声的示例展示,其中,a)含多次波地震数据;b)含多次波和随机噪声地震数据;c)本发明的去噪结果;d)本发明消除的噪声。
Claims (1)
1.一种感知器残差自编码网络地震资料去噪方法,其特征在于包括如下步骤:
步骤1、制作训练集和测试集,具体步骤如下:
(1)将原始地震数据处理为经过动校正后的共中心点道集;
(2)利用抛物线Radon变换和K-L变换,分别去除共中心点道集中的多次波和随机噪声,得到不含噪声的地震数据集;
(3)将含噪声的原始数据和对应预处理后不含噪声的地震资料作为一组数据,制作训练集;
(4)选取不同于训练集的地震数据,按照制作训练集的方法制作测试集;
(5)选取不同工区的地震数据,按照制作训练集的方法制作迁移学习的训练集;
步骤2、提出由残差块、多层感知器结构、多尺度结构、批归一化层和自编码结构组成的多层感知器残差卷积自编码块,主结构共有7层,其中多层感知器前两层卷积核分别为1×5和5×1,后两层卷积核大小均为1×1,多尺度结构共两层,第一层分别由大小为1×7,1×5,1×3三种卷积核组成,第二层分别由对应的7×1,5×1,3×1三种卷积核组成,此时输出为:
x7=f(x)+xcae
xcae为输入x经过卷积自编码器提取的潜在特征,f(x)为输入x经7层卷积后输出的结果;
步骤3、感知器残差自编码网络地震资料去噪方法,网络模型共(8+7×n)层,第一层为卷积核大小为3×3的卷积层,第二、三层为编码器,第4层为最大池化层,接下来的7×n层,由n个步骤2提出的多层感知器残差卷积自编码块组成,后四层与前四层相对应,首先为一个反池化层,然后为由两层反卷积层组成的解码器,最后为一个全连接层,其中n为大于1的正整数;
步骤4、训练网络共分为第一部分和第二部分,首先训练第一部分并保存最优网络模型,若第一部分保存的网络模型在去除不同工区数据时,满足定量和定性的去噪要求,将不启用第二部分,直接保存最终网络模型,若不满足去噪要求,将启用第二部分,运用迁移学习继续训练第一部分保存的网络模型,具体步骤如下:
第一部分:
(1)将步骤1预处理后的训练集,通过列队输入到步骤3搭建的网络模型中;
(2)采用误差反向传播,并以对数双曲余弦损失函数来衡量真实值与预测值的距离,通过数据集的每次迭代,使用梯度下降来调整神经元之间的权重以降低代价函数,进而优化网络;
(3)以定量的峰值信噪比、结构相似性和定性的视觉感受判断网络去噪效果,初次保存网络模型的各个参数;
(4)然后将步骤1预处理后的测试集,输入到初次保存的网络模型中,并通过定量的峰值信噪比和定性的视觉感受判断网络去噪效果,若不符合去噪要求继续训练或调参后训练网络,若符合要求停止迭代,二次保存网络模型;
第二部分:
(1)将步骤1预处理后不同工区的训练集,通过列队输入到二次保存的网络模型中;
(2)利用迁移学习在基于二次保存的网络模型上进行网络参数微调;
(3)以定量的峰值信噪比、结构相似性和定性的视觉感受判断网络去噪效果,若达到预期效果停止迭代保存最终网络模型,否则继续迭代训练网络;
对数双曲余弦损失函数为:
式中,yi为经过预处理不含噪声的地震数据,zi为输出去噪后的地震数据,对数双曲余弦损失越小代表zi与yi越接近,网络准确率越高;
峰值信噪比公式为:
式中,MMSE为yi和zi的均方误差,PSNR数值越大表示去噪效果越好;
结构相似性可由以下公式求出:
其中,分别为yi和zi的均值,分别为yi和zi的方差,为yi和zi的协方差,c1=(k1L)2,c2=(k2L)2、k1=0.01,k2=0.03,则
SSIM(yi,zi)=l(yi,zi)*c(yi,zi)*s(yi,zi)
SSIM(yi,zi)∈[0,1],若yi和zi完全相同时SSIM值为1;
步骤5、利用保存的最终网络模型去除地震资料中的多次波和随机噪声,输出去噪后的地震资料。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910421351.2A CN110045419B (zh) | 2019-05-21 | 2019-05-21 | 一种感知器残差自编码网络地震资料去噪方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910421351.2A CN110045419B (zh) | 2019-05-21 | 2019-05-21 | 一种感知器残差自编码网络地震资料去噪方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110045419A true CN110045419A (zh) | 2019-07-23 |
CN110045419B CN110045419B (zh) | 2020-10-16 |
Family
ID=67282817
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910421351.2A Expired - Fee Related CN110045419B (zh) | 2019-05-21 | 2019-05-21 | 一种感知器残差自编码网络地震资料去噪方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110045419B (zh) |
Cited By (17)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110007347A (zh) * | 2019-04-09 | 2019-07-12 | 西南石油大学 | 一种深度学习地震资料去噪方法 |
CN110207997A (zh) * | 2019-07-24 | 2019-09-06 | 中国人民解放军国防科技大学 | 基于卷积自编码器的液体火箭发动机故障检测方法 |
CN110580682A (zh) * | 2019-09-16 | 2019-12-17 | 电子科技大学 | 一种基于优化生成对抗网络地震数据超分辨率重建方法 |
CN111126199A (zh) * | 2019-12-11 | 2020-05-08 | 复旦大学 | 基于回波测量数据的信号特征提取与数据挖掘方法 |
CN111580161A (zh) * | 2020-05-21 | 2020-08-25 | 长江大学 | 基于多尺度卷积自编码神经网络的地震随机噪音压制方法 |
CN111613287A (zh) * | 2020-03-31 | 2020-09-01 | 武汉金域医学检验所有限公司 | 基于Glow网络的报告单编码模型生成方法、系统和设备 |
CN112444850A (zh) * | 2019-08-29 | 2021-03-05 | 中国石油化工股份有限公司 | 地震资料速度建模方法、存储介质及计算设备 |
CN112505781A (zh) * | 2020-10-28 | 2021-03-16 | 中国石油天然气集团有限公司 | 用于地震采集初至拾取的图像处理方法及装置 |
CN112698388A (zh) * | 2019-10-22 | 2021-04-23 | 中国石油天然气股份有限公司 | 处理地震数据的方法和装置 |
CN112946749A (zh) * | 2021-02-05 | 2021-06-11 | 北京大学 | 基于数据增广训练深度神经网络压制地震多次波的方法 |
CN113191321A (zh) * | 2021-05-21 | 2021-07-30 | 电子科技大学 | 基于生成对抗网络的光纤分布式地震波信号降噪方法 |
CN113465676A (zh) * | 2021-07-09 | 2021-10-01 | 浙江大学 | 一种双阶段布里渊频移提取方法 |
CN113484913A (zh) * | 2021-08-16 | 2021-10-08 | 成都理工大学 | 一种多粒度特征融合卷积神经网络的地震资料去噪方法 |
CN113687414A (zh) * | 2021-08-06 | 2021-11-23 | 北京大学 | 基于数据增广的卷积神经网络地震层间多次波压制方法 |
CN115267911A (zh) * | 2022-08-01 | 2022-11-01 | 北京大学 | 一种基于模型与数据驱动深度学习的地震多次波压制方法 |
CN115330643A (zh) * | 2022-10-13 | 2022-11-11 | 中国石油大学(华东) | 基于卷积神经网络和视觉变换神经网络的地震去噪方法 |
CN115577247A (zh) * | 2022-12-09 | 2023-01-06 | 中海油田服务股份有限公司 | 基于堆叠反馈残差网络的地震噪声去除方法及装置 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106204467A (zh) * | 2016-06-27 | 2016-12-07 | 深圳市未来媒体技术研究院 | 一种基于级联残差神经网络的图像去噪方法 |
CN106204450A (zh) * | 2016-07-08 | 2016-12-07 | 咸阳师范学院 | 基于深度稀疏自编码的多尺度几何遥感图像融合方法 |
US20180314985A1 (en) * | 2017-04-24 | 2018-11-01 | Virginia Tech Intellectual Properties, Inc. | Learning and deploying compression of radio signals |
CN109359519A (zh) * | 2018-09-04 | 2019-02-19 | 杭州电子科技大学 | 一种基于深度学习的视频异常行为检测方法 |
-
2019
- 2019-05-21 CN CN201910421351.2A patent/CN110045419B/zh not_active Expired - Fee Related
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106204467A (zh) * | 2016-06-27 | 2016-12-07 | 深圳市未来媒体技术研究院 | 一种基于级联残差神经网络的图像去噪方法 |
CN106204450A (zh) * | 2016-07-08 | 2016-12-07 | 咸阳师范学院 | 基于深度稀疏自编码的多尺度几何遥感图像融合方法 |
US20180314985A1 (en) * | 2017-04-24 | 2018-11-01 | Virginia Tech Intellectual Properties, Inc. | Learning and deploying compression of radio signals |
CN109359519A (zh) * | 2018-09-04 | 2019-02-19 | 杭州电子科技大学 | 一种基于深度学习的视频异常行为检测方法 |
Cited By (25)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110007347A (zh) * | 2019-04-09 | 2019-07-12 | 西南石油大学 | 一种深度学习地震资料去噪方法 |
CN110007347B (zh) * | 2019-04-09 | 2020-06-30 | 西南石油大学 | 一种深度学习地震资料去噪方法 |
CN110207997A (zh) * | 2019-07-24 | 2019-09-06 | 中国人民解放军国防科技大学 | 基于卷积自编码器的液体火箭发动机故障检测方法 |
CN112444850B (zh) * | 2019-08-29 | 2024-01-26 | 中国石油化工股份有限公司 | 地震资料速度建模方法、存储介质及计算设备 |
CN112444850A (zh) * | 2019-08-29 | 2021-03-05 | 中国石油化工股份有限公司 | 地震资料速度建模方法、存储介质及计算设备 |
CN110580682A (zh) * | 2019-09-16 | 2019-12-17 | 电子科技大学 | 一种基于优化生成对抗网络地震数据超分辨率重建方法 |
CN112698388A (zh) * | 2019-10-22 | 2021-04-23 | 中国石油天然气股份有限公司 | 处理地震数据的方法和装置 |
CN111126199A (zh) * | 2019-12-11 | 2020-05-08 | 复旦大学 | 基于回波测量数据的信号特征提取与数据挖掘方法 |
CN111613287A (zh) * | 2020-03-31 | 2020-09-01 | 武汉金域医学检验所有限公司 | 基于Glow网络的报告单编码模型生成方法、系统和设备 |
CN111613287B (zh) * | 2020-03-31 | 2023-08-04 | 武汉金域医学检验所有限公司 | 基于Glow网络的报告单编码模型生成方法、系统和设备 |
CN111580161A (zh) * | 2020-05-21 | 2020-08-25 | 长江大学 | 基于多尺度卷积自编码神经网络的地震随机噪音压制方法 |
CN112505781A (zh) * | 2020-10-28 | 2021-03-16 | 中国石油天然气集团有限公司 | 用于地震采集初至拾取的图像处理方法及装置 |
CN112946749B (zh) * | 2021-02-05 | 2022-05-20 | 北京大学 | 基于数据增广训练深度神经网络压制地震多次波的方法 |
CN112946749A (zh) * | 2021-02-05 | 2021-06-11 | 北京大学 | 基于数据增广训练深度神经网络压制地震多次波的方法 |
CN113191321A (zh) * | 2021-05-21 | 2021-07-30 | 电子科技大学 | 基于生成对抗网络的光纤分布式地震波信号降噪方法 |
CN113191321B (zh) * | 2021-05-21 | 2022-04-22 | 电子科技大学 | 基于生成对抗网络的光纤分布式地震波信号降噪方法 |
CN113465676A (zh) * | 2021-07-09 | 2021-10-01 | 浙江大学 | 一种双阶段布里渊频移提取方法 |
CN113687414B (zh) * | 2021-08-06 | 2022-07-22 | 北京大学 | 基于数据增广的卷积神经网络地震层间多次波压制方法 |
CN113687414A (zh) * | 2021-08-06 | 2021-11-23 | 北京大学 | 基于数据增广的卷积神经网络地震层间多次波压制方法 |
CN113484913B (zh) * | 2021-08-16 | 2023-06-16 | 成都理工大学 | 一种多粒度特征融合卷积神经网络的地震资料去噪方法 |
CN113484913A (zh) * | 2021-08-16 | 2021-10-08 | 成都理工大学 | 一种多粒度特征融合卷积神经网络的地震资料去噪方法 |
CN115267911A (zh) * | 2022-08-01 | 2022-11-01 | 北京大学 | 一种基于模型与数据驱动深度学习的地震多次波压制方法 |
CN115267911B (zh) * | 2022-08-01 | 2024-05-24 | 北京大学 | 一种基于模型与数据驱动深度学习的地震多次波压制方法 |
CN115330643A (zh) * | 2022-10-13 | 2022-11-11 | 中国石油大学(华东) | 基于卷积神经网络和视觉变换神经网络的地震去噪方法 |
CN115577247A (zh) * | 2022-12-09 | 2023-01-06 | 中海油田服务股份有限公司 | 基于堆叠反馈残差网络的地震噪声去除方法及装置 |
Also Published As
Publication number | Publication date |
---|---|
CN110045419B (zh) | 2020-10-16 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110045419B (zh) | 一种感知器残差自编码网络地震资料去噪方法 | |
CN114140353B (zh) | 一种基于通道注意力的Swin-Transformer图像去噪方法及系统 | |
CN110599409B (zh) | 基于多尺度卷积组与并行的卷积神经网络图像去噪方法 | |
CN106204467B (zh) | 一种基于级联残差神经网络的图像去噪方法 | |
CN111242862B (zh) | 多尺度融合并行稠密残差卷积神经网络图像去噪方法 | |
CN110276726B (zh) | 一种基于多通道网络先验信息引导的图像去模糊方法 | |
CN109242799B (zh) | 一种变阈值的小波去噪方法 | |
Shen et al. | Image denoising using a tight frame | |
CN107784638A (zh) | 一种优化的东巴古籍图像增强方法 | |
CN110490816B (zh) | 一种水下异构信息数据降噪方法 | |
CN107085835B (zh) | 基于四元数加权核范数最小的彩色图像去噪方法 | |
CN112819705B (zh) | 一种基于网状结构与长距离相关性的真实图像去噪方法 | |
CN110533614A (zh) | 一种结合频域和空域的水下图像增强方法 | |
CN110349112A (zh) | 一种基于自适应奇异值阈值的两阶段图像去噪方法 | |
CN113066033A (zh) | 一种彩色图像的多阶段去噪系统及方法 | |
CN114140442A (zh) | 一种基于频域和图像域退化感知的深度学习稀疏角度ct重建方法 | |
CN115082336A (zh) | 一种基于机器学习的sar图像相干斑抑制方法 | |
CN116309178A (zh) | 一种基于自适应注意力机制网络的可见光图像去噪方法 | |
Jiang et al. | A new nonlocal means based framework for mixed noise removal | |
CN115511722A (zh) | 基于深浅特征融合网络及联合损失函数的遥感图像去噪方法 | |
CN114119391A (zh) | 对抗神经网络去噪模型的建立方法及超声图像去噪方法 | |
WO2024178979A1 (zh) | 一种基于细节恢复的单幅图像去雾方法 | |
CN117726540A (zh) | 一种增强门控Transformer的图像去噪方法 | |
CN116167947A (zh) | 一种基于噪声水平估计的图像降噪方法 | |
CN116843559A (zh) | 一种基于图像处理与深度学习的水下图像增强方法 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20201016 |
|
CF01 | Termination of patent right due to non-payment of annual fee |