CN110568483A - 基于卷积神经网络的地震线性噪声压制效果自动评估方法 - Google Patents
基于卷积神经网络的地震线性噪声压制效果自动评估方法 Download PDFInfo
- Publication number
- CN110568483A CN110568483A CN201910663769.4A CN201910663769A CN110568483A CN 110568483 A CN110568483 A CN 110568483A CN 201910663769 A CN201910663769 A CN 201910663769A CN 110568483 A CN110568483 A CN 110568483A
- Authority
- CN
- China
- Prior art keywords
- neural network
- convolutional neural
- denoising
- seismic
- network model
- 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.)
- Pending
Links
- 238000013527 convolutional neural network Methods 0.000 title claims abstract description 33
- 238000011156 evaluation Methods 0.000 title claims abstract description 24
- 230000001629 suppression Effects 0.000 title claims abstract description 17
- 238000012549 training Methods 0.000 claims abstract description 13
- 238000012545 processing Methods 0.000 claims abstract description 6
- 238000003062 neural network model Methods 0.000 claims abstract description 3
- 238000011176 pooling Methods 0.000 claims description 8
- 230000004913 activation Effects 0.000 claims description 6
- 238000000034 method Methods 0.000 abstract description 15
- 230000000694 effects Effects 0.000 abstract description 6
- 230000008569 process Effects 0.000 abstract description 4
- 230000003993 interaction Effects 0.000 abstract description 3
- 230000006870 function Effects 0.000 description 6
- 238000012360 testing method Methods 0.000 description 5
- 238000012795 verification Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 2
- 238000002474 experimental method Methods 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- 238000013441 quality evaluation Methods 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 238000013145 classification model Methods 0.000 description 1
- 230000001427 coherent effect Effects 0.000 description 1
- 238000010835 comparative analysis Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000002372 labelling Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000011056 performance test Methods 0.000 description 1
- 238000003672 processing method Methods 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
-
- 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
- G01V1/282—Application of seismic models, synthetic seismograms
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2415—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on parametric or probabilistic models, e.g. based on likelihood ratio or false acceptance rate versus a false rejection rate
-
- 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
- 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
- G06N3/08—Learning methods
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/12—Classification; Matching
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Remote Sensing (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Computational Linguistics (AREA)
- Acoustics & Sound (AREA)
- Computing Systems (AREA)
- General Health & Medical Sciences (AREA)
- Biophysics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Biomedical Technology (AREA)
- Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Environmental & Geological Engineering (AREA)
- Geology (AREA)
- General Life Sciences & Earth Sciences (AREA)
- Geophysics (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Probability & Statistics with Applications (AREA)
- Image Processing (AREA)
Abstract
本发明公开的基于卷积神经网络的地震线性噪声压制效果自动评估方法,首先对收集到的同一工区内的地震数据,针对同一种噪声,利用不同的参数进行去噪处理,得到去噪质量不同的结果,交由专家给出评分等级,形成样本数据库;构建卷积神经网络模型,利用样本数据库作为输入对卷积神经网络模型进行训练,输出属于不同评分等级的概率,并取概率最大值作为最终结果;将训练好的积神经网络模型应用于同类别噪声的不同去噪结果,输出评分等级的结果。与现有技术相比,本发明实现基于专家经验学习的地震资料去噪效果智能评估,从而可以用来指导去噪方法和参数调优的过程,减少专家逐一评价去噪结果的人机交互时间损耗以及人力成本,降低工作量。
Description
技术领域
本发明涉及地震线性噪声压制效果评估领域,特别是基于卷积神经网络的地震线性噪声压制效果自动评估方法。
背景技术
在地球物理领域,通过野外勘探直接收集到的原始地震数据通常是含有各种干扰噪声的,因此需要通过不同的方法或策略去除各项噪声干扰,得到信噪比较高的图像,以供后续分析。在对于地震噪声(包括随机噪声、面波、相干噪声等)的去噪任务中,由于用不同的算法或参数处理得到的去噪后地震资料的效果现在仍然需要专家进行人工判读和评价,缺乏与专家知识符合度较高的定量指标,因此在对地震资料进行去噪处理时需要大量人机交互,成本高,效率低。
随着人工智能特别是深度卷积神经网络技术的发展,很多图像处理相关的任务得到了很好的解决,处理精度和效率相对传统方法都有了很大的提升。因此亟待开发一种基于卷积神经网络的地震线性噪声压制效果自动评估方法。
发明内容
本发明的目的是要解决现有技术中存在的不足,提供一种基于卷积神经网络的地震线性噪声压制效果自动评估方法,能够代替专家的评分,从而节约成本,提高效率。
为达到上述目的,本发明是按照以下技术方案实施的:
基于卷积神经网络的地震线性噪声压制效果自动评估方法,包括以下步骤:
S1、首先对收集到的同一工区内的地震数据,针对同一种噪声,利用不同的参数进行去噪处理,得到去噪质量不同的结果,交由专家给出评分等级,形成样本数据库;
S2、构建卷积神经网络模型,利用S1中的样本数据库作为输入对卷积神经网络模型进行训练,输出属于不同评分等级的概率,并取概率最大值作为最终结果;
S3、将训练好的积神经网络模型应用于同类别噪声的不同去噪结果,输出评分等级的结果。
进一步,所述S1中专家给出评分等级分别为:优、良、中、劣。
进一步,所述S2中构建的卷积神经网络模型共9层,其中前面的6层为卷积层和池化层的组合,并采用ReLU激活函数,实现用来从低层到高层地提取输入图像的结构特征;后面三层为全连接层,第一个全连接层将卷积和池化最终得到特征进行向量化,作为提取得到的输入图像特征,通过全连接层对该特征进行分类,最后一层用softmax函数作为激活函数,用来回归该输入图像对于各个类别的概率分布。
与现有技术相比,本发明通过对专家标注的带有评分的不同去噪方法和参数处理的结果进行学习,形成对于地震去噪结果的优劣程度的自动等级标定,从而实现基于专家经验学习的地震资料去噪效果智能评估,从而可以用来指导去噪方法和参数调优的过程,减少专家逐一评价去噪结果的人机交互时间损耗以及人力成本,降低工作量。
附图说明
图1是训练集数据示例;(a)~(d)为原始数据与四种不同去噪方式去噪后数据的残差剖面,(e)~(h)是对应于各自上方(a)~(d)的去噪后结果。
图2是本发明的卷积神经网络结构图示例。
图3是训练过程示意图。
具体实施方式
为使本发明的目的、技术方案及优点更加清楚明白,以下结合实施例,对本发明进行进一步的详细说明。此处所描述的具体实施例仅用于解释本发明,并不用于限定发明。
本实施例提供一种基于卷积神经网络的地震线性噪声压制效果自动评估方法,具体的操作过程如下:
首先进行训练样本收集。为了形成具有主观评价标注的训练样本集,对相同工区的数据利用不同参数进行线性噪声压制,得到4组结果,并交由有经验的专家以道集为单位进行分别的对比评估,给出每个道集中,上面4种处理方法所得到结果的质量评价的排序,附图1所示例的是针对地震资料去除线性噪声的去噪效果的专家的质量评估结果,子图(a)~(d)为原始数据与四种方式去噪后数据的残差剖面,而(e)~(h)是对应于各自上方子图的去噪后结果。根据去除掉的噪声中的有效信号损失和结果中的噪声残留等综合考虑,分别给出了优、良、中、劣四种评价。
将收集好的数据形成训练样本集,构建卷积神经网络模型进行训练。卷积神经网络结构如附图2所示,卷积神经网络模型共9层,其中前面的6层为卷积层(Convolutionallayer)和池化层(Pooling layer)的组合,并采用ReLU激活函数,实现用来从低层到高层地提取输入图像的结构特征;后面三层为全连接层(Fully connection layer),第一个全连接层将卷积和池化最终得到特征进行向量化,作为提取得到的输入图像特征,通过全连接层对该特征进行分类,最后一层用softmax函数作为激活函数,用来回归该输入图像对于各个类别的概率分布。在该问题中,优、良、中、劣的评价被看做四个类别,因此卷积神经网络模型是以卷积神经网络分类模型形式构建。以线性噪声压制效果的评估为例,输入为去噪残差剖面和对应的去噪后结果组成的二通道图像,经过卷积、池化和全连接后,输出属于优、良、中、劣四个评价类别的概率,并取概率最大值作为最终结果。
将训练好的卷积神经网络模型应用于同类别噪声的不同去噪结果,输出其评价类别。此卷积神经网络模型结果是对于专家经验进行学习得到的,对地震信号线性噪声压制效果的评估指标。
为了验证本发明的有效性和优越性,将本发明提出的方法应用于f-k域线性噪声压制在不同参数下的去噪结果中,以展示卷积神经网络模型对与地震资料去噪效果自动评估的效果。
首先,实验选取了100个已经经过专家评分标注好的地震道集作为总样本集合,并分出72个道集作为训练集,18个作为验证集以进行泛化性能测试以及参数调优。剩余10个作为测试集,对训练好的模型进行测试。
卷积神经网络模型的输入为二通道图像,两个通道分别为去噪后的结果与对应的和原始数据的残差剖面。如附图3所示,经过多轮迭代,训练集准确率可以达到100%,说明了本发明应用的网络结构具备拟合从去噪结果(二维信号)到主观评分的映射关系,验证了卷积神经网络在该任务中的有效性。另外,可以看出,验证集的准确率随着训练迭代轮数的增加而上升,说明了卷积神经网络模型具有一定的泛化能力,可以被应用于测试集进行评估。
最后,经过300轮的迭代,结果如下:训练集准确率100%,验证集准确率72%。将训练好的模型应用于10例测试集数据,准确率为80%。测试集数据的专家标注结果为:优、良、优、中、良、劣、良、劣、劣、优;预测结果为:优、良、优、良、良、劣、中、劣、劣、优。
上述实验验证了本发明的有效性和优越性,通过本发明的基于卷积神经网络的地震线性噪声压制效果自动评估方法得到了与专家标注结果较为一致的结果。
本发明的技术方案不限于上述具体实施例的限制,凡是根据本发明的技术方案做出的技术变形,均落入本发明的保护范围之内。
Claims (3)
1.基于卷积神经网络的地震线性噪声压制效果自动评估方法,其特征在于,包括以下步骤:
S1、首先对收集到的同一工区内的地震数据,针对同一种噪声,利用不同的参数进行去噪处理,得到去噪质量不同的结果,交由专家给出评分等级,形成样本数据库;
S2、构建卷积神经网络模型,利用S1中的样本数据库作为输入对卷积神经网络模型进行训练,输出属于不同评分等级的概率,并取概率最大值作为最终结果;
S3、将训练好的积神经网络模型应用于同类别噪声的不同去噪结果,输出评分等级的结果。
2.根据权利要求1所述的基于卷积神经网络的地震线性噪声压制效果自动评估方法,其特征在于,所述S1中专家给出评分等级分别为:优、良、中、劣。
3.根据权利要求1所述的基于卷积神经网络的地震线性噪声压制效果自动评估方法,其特征在于,所述S2中构建的卷积神经网络模型共9层,其中前面的6层为卷积层和池化层的组合,并采用ReLU激活函数,实现用来从低层到高层地提取输入图像的结构特征;后面三层为全连接层,第一个全连接层将卷积和池化最终得到特征进行向量化,作为提取得到的输入图像特征,通过全连接层对该特征进行分类,最后一层用softmax函数作为激活函数,用来回归该输入图像对于各个类别的概率分布。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910663769.4A CN110568483A (zh) | 2019-07-22 | 2019-07-22 | 基于卷积神经网络的地震线性噪声压制效果自动评估方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910663769.4A CN110568483A (zh) | 2019-07-22 | 2019-07-22 | 基于卷积神经网络的地震线性噪声压制效果自动评估方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN110568483A true CN110568483A (zh) | 2019-12-13 |
Family
ID=68773240
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910663769.4A Pending CN110568483A (zh) | 2019-07-22 | 2019-07-22 | 基于卷积神经网络的地震线性噪声压制效果自动评估方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110568483A (zh) |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111012341A (zh) * | 2020-01-08 | 2020-04-17 | 东南大学 | 基于可穿戴脑电设备的伪迹去除和脑电信号质量评估方法 |
CN111652170A (zh) * | 2020-06-09 | 2020-09-11 | 电子科技大学 | 基于二通道残差深度神经网络的二次雷达信号处理方法 |
CN111739617A (zh) * | 2020-06-15 | 2020-10-02 | 中国医学科学院医学信息研究所 | 医疗影像人工智能质控标注方法、装置、设备及存储介质 |
CN112163743A (zh) * | 2020-09-16 | 2021-01-01 | 广东电网有限责任公司广州供电局 | 一种基于卷积神经网络的高压电缆施工作业3d仿真培训系统可信度评估方法 |
CN113495291A (zh) * | 2021-07-27 | 2021-10-12 | 成都爱为贝思科技有限公司 | 基于深度学习的偏前道集保幅性智能量化评价方法 |
CN113589383A (zh) * | 2020-04-30 | 2021-11-02 | 中国石油化工股份有限公司 | 基于深度学习的地震资料线性干扰噪音消除方法 |
CN114167500A (zh) * | 2020-09-10 | 2022-03-11 | 中国石油天然气股份有限公司 | 基于卷积神经网络的邻炮干扰分离方法及装置 |
-
2019
- 2019-07-22 CN CN201910663769.4A patent/CN110568483A/zh active Pending
Cited By (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111012341A (zh) * | 2020-01-08 | 2020-04-17 | 东南大学 | 基于可穿戴脑电设备的伪迹去除和脑电信号质量评估方法 |
CN111012341B (zh) * | 2020-01-08 | 2022-04-22 | 东南大学 | 基于可穿戴脑电设备的伪迹去除和脑电信号质量评估方法 |
CN113589383A (zh) * | 2020-04-30 | 2021-11-02 | 中国石油化工股份有限公司 | 基于深度学习的地震资料线性干扰噪音消除方法 |
CN113589383B (zh) * | 2020-04-30 | 2024-03-19 | 中国石油化工股份有限公司 | 基于深度学习的地震资料线性干扰噪音消除方法 |
CN111652170A (zh) * | 2020-06-09 | 2020-09-11 | 电子科技大学 | 基于二通道残差深度神经网络的二次雷达信号处理方法 |
CN111739617A (zh) * | 2020-06-15 | 2020-10-02 | 中国医学科学院医学信息研究所 | 医疗影像人工智能质控标注方法、装置、设备及存储介质 |
CN114167500A (zh) * | 2020-09-10 | 2022-03-11 | 中国石油天然气股份有限公司 | 基于卷积神经网络的邻炮干扰分离方法及装置 |
CN112163743A (zh) * | 2020-09-16 | 2021-01-01 | 广东电网有限责任公司广州供电局 | 一种基于卷积神经网络的高压电缆施工作业3d仿真培训系统可信度评估方法 |
CN113495291A (zh) * | 2021-07-27 | 2021-10-12 | 成都爱为贝思科技有限公司 | 基于深度学习的偏前道集保幅性智能量化评价方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110568483A (zh) | 基于卷积神经网络的地震线性噪声压制效果自动评估方法 | |
CN110992354B (zh) | 基于引入自动记忆机制对抗自编码器的异常区域检测方法 | |
CN111238807B (zh) | 一种行星齿轮箱故障诊断方法 | |
CN109858408B (zh) | 一种基于自编码器的超声信号处理方法 | |
CN114048769A (zh) | 面向轴承故障诊断的多源多域信息熵融合及模型自优化方法 | |
CN113155464B (zh) | 面向轴承故障识别的cnn模型可视化优化方法 | |
CN115587543A (zh) | 基于联邦学习和lstm的刀具剩余寿命预测方法及系统 | |
CN111783616B (zh) | 一种基于数据驱动自学习的无损检测方法 | |
CN107480686B (zh) | 一种筛选机器学习特征的方法和装置 | |
CN110956277A (zh) | 一种交互式的迭代建模系统及方法 | |
CN114416707A (zh) | 工业时序数据的自动化特征工程方法和装置 | |
CN114371009A (zh) | 基于改进随机森林的高速列车轴承故障诊断方法 | |
CN111983569B (zh) | 基于神经网络的雷达干扰抑制方法 | |
CN113705110A (zh) | 一种基于双重随机森林回归方法的爆破振动速度预测方法 | |
CN116610907B (zh) | 基于变分模态分解的齿轮振动信号特征提取方法 | |
CN117541095A (zh) | 一种农用地土壤环境质量类别划分的方法 | |
CN117216522A (zh) | 一种基于机器学习的轴承故障类别诊断方法、装置及设备 | |
CN116776245A (zh) | 一种基于机器学习的三相逆变器设备故障诊断方法 | |
CN114781450B (zh) | 一种基于参数优化momeda-mia-cnn的列车滚动轴承状态识别方法 | |
CN114169504B (zh) | 基于自适应滤波的图卷积神经网络池化方法 | |
CN115563480A (zh) | 基于峭度比系数筛选辛几何模态分解的齿轮故障辨识方法 | |
CN115345192A (zh) | 一种变工况和复杂噪音环境下滚动轴承的故障诊断方法 | |
CN115130519A (zh) | 一种使用卷积神经网络的船体结构故障预测方法 | |
CN115374687A (zh) | 数形结合的油井工况智能诊断方法 | |
CN109409424B (zh) | 一种外观缺陷检测模型建模方法和装置 |
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 |