CN110618451B - 一种基于narx神经网络检测地震勘探弱信号的方法 - Google Patents

Abstract

本发明涉及一种基于NARX神经网络检测地震勘探弱信号的方法，包括以下步骤：将含噪数据进行归一化处理；选定神经网络的输入时延项，输出反馈时延项，隐藏层数，输出层数；含噪信号可以认为是有效信号和噪声的和，将地震含噪信号作为神经网络的输入，将噪声作为神经网络的输出，通过期望输出与实际输出的误差调整权值，训练NARX神经网络；将含噪信号输入到训练好的神经网络中，输入数据与输出数据的差值处理结果即为数据中的有效信号。本发明能有效地从强背景噪声中提取弱有效信号，处理后的地震资料有较高的信噪比和信号保幅效果，为进一步做出地质解释提供可靠依据。

Description

一种基于NARX神经网络检测地震勘探弱信号的方法

技术领域

本发明涉及地震勘探技术领域，更具体地说，涉及一种基于NARX神经网络检测地震勘探弱信号的方法。

背景技术

地震勘探是油气勘探的主要手段，主要过程包括数据采集、数据处理和地质解释三个环节。野外采集的地震数据中包含了所有的干扰和有效信息，他们相互叠加交织，有效信号被背景噪声扭曲，截断甚至直接被湮没，给下一步进行地质解释带来了极大的不便和干扰。地震资料中的背景噪声根据其在地震剖面中出现的特征可以分为规则噪声和不规则噪声。规则噪声波形具有一定的频率和视速度，在时间上的出现有规律性，例如面波、折射波、多次波、50Hz工业电噪声等；不规则噪声即随机噪声没有特定的传播方向和视速度，频率覆盖范围大，在地震资料中形成杂乱无章的背景，噪声压制难度较大。

为了达到地震数据“高信噪比”、“高分辨率”、“高保幅性”的“三高要求”，专家学者主要从以下几方面进行数据处理：(1)压制噪声，例如多项式拟合、f-x反褶积算法等；(2)信号增强，包括中值约束下的矢量分解、时频峰值滤波等算法；(3)信号重构，例如小波变换、EMD分解、Curvelet变换等技术。这些算法应用时都有一定的假设条件，在压制随机噪声时常常不能达到令人满意的效果。神经网络是一种模拟大脑神经系统处理信息的方式而人为建立的能够实现某种功能的网络，其研究始于上世纪40年代。随着计算机技术的快速发展，神经网络技术也快速发展，新理论和时间工作不断出现，如BP神经网络、RBF神经网络等。

近年来，深度学习技术带来了神经网络的大发展，成为各个行业的研究热点。神经网络是基于大脑各神经元之间的连接结构和功能而建立的一种信息处理系统，与一般的数学模型相比多了生物神经网络的优点。

1.非线性：许多神经元可处于激活或抑制状态，使得神经网络具有高度的非线性特征。

2.鲁棒性和容错性：大量的神经元参与工作，整个系统的输出是神经元之间的相互作用计算得出，使得网络具有较好的鲁棒性，而且网络有部分神经元出错时只会减少网络的适应性，而不会出现大的错误。

3.自适应性和自学习：通过训练学习可调整神经元之间的连接关系，拥有从复杂或不精确数据中进行特定的逻辑操作或非线性计算能力。

4.并行性和分布性：神经网络采取并行分布方式，各神经元均可对收到的信息作出相应的计算。

有外部输入的非线性自回归网络NARX是一个全局反馈环的递归网络，其网络行为比前馈网络(如BP网络)更复杂，也更有潜力。NARX网络有两个基本功能：联想记忆和输入-输出映射网络，在地震勘探信号和背景噪声预测具有很大的优势。

发明内容

本发明的目的在于，提供一种基于NARX神经网络检测地震勘探弱信号的方法，旨在克服现有技术中存在的无法从极低信噪比中检测到有效信号的问题。

本发明解决其技术问题所采用的技术方案是：构造一种基于NARX神经网络检测地震勘探弱信号的方法，包括：

初始化NARX神经网络模型，构建地震含噪信号，作为初始化的NARX神经网络模型的输入，将噪声作为神经网络的输出，进行训练；

NARX神经网络模型训练完成后，将采集的原始地震数据输入训练完成的NARX神经网络模型中，输出背景噪声预测数据；

计算输入的地震含噪数据与输出的背景噪声预测数据的残差序列，同时设置门限，残差序列中不在门限范围内的部分置零，残差序列中处于门限范围内的部分通过，得到有效信号序列。

其中，NARX神经网络模型初始化的步骤包括：

设定NARX神经网络模型的阶数、延时量、输入输出数量及隐含层神经元数量；其中，NARX神经网络模型的阶数设定为2阶，输入层实现从20个延时时刻的输入和20个延时时刻的输出到隐含层的非线性映射，隐含层包含3个神经元，输出层实现隐含层到输出的一个线性映射；

NARX神经网络模型公式表示为：

y(t)＝F(y(t-1),y(t-2),…y(t-n),x(t),x(t-1),x(t-2),…x(t-n)) (1)

其中，y(t)为当前时刻输出序列，y(t-1),y(t-2),…y(t-n)为输出延时序列，x(t)为当前时刻输入序列，x(t-1),x(t-2),…x(t-n)为输入延时序列，F为非线性函数；

隐含层的非线性作用函数为：

式中，F为公式(2)中的非线性函数，e为自然数，τ为函数自变量。

其中，训练NARX神经网络模型的步骤包括：

构建的地震含噪信号由有效信号和加性噪声加和构成，表示为：

x(t)＝s(t)+n(t) (3)

式中，x(t)为地震含噪信号，s(t)为有效信号，n(t)为加性噪声，t为时间变量；

将x(t)作为神经网络的输入，计算隐含层和输出层神经元输出，n(t)作为神经网络的输出，通过L-M算法调整权值，直至达到预设的误差预测精度。

其中，将实时采集的原始地震数据输入训练完成的NARX神经网络模型的步骤之前，还包括对原始地震数据进行预处理的步骤；

预处理的方式为归一化；采用最大最小法对原始地震数据进行归一化处理，公式表示为：

其中，x为原始地震数据，x_min为数据序列中的最小值，x_max为数据序列中的最大值。

其中，将实时采集的原始地震数据输入训练完成的NARX神经网络模型的步骤包括：

将归一化处理后的地震含噪数据输入到训练好的NARX神经网络中，输出背景噪声预测数据；

计算输入的地震含噪数据与输出的背景噪声预测数据的残差序列，如公式(5)所示：

式中，

为残差序列，

为输入的含噪序列，

为输出的背景噪声预测序列，t为时间变量；

设置门限，根据门限公式(6)计算原始地震数据中的有效数据；公式(6)表示为：

TH＝k₁*m+k₂*σ (6)

式中TH为门限值，k₁、k₂为经验系数，通过实验设置，m为残差序列均值，σ为残差序列的方差。

实施本发明的基于NARX神经网络检测地震勘探弱信号的方法，具有以下有益效果：针对地震资料信噪比极低，一般滤波算法不能有效恢复有效信号的问题，本申请提出通过NARX神经网络检测强背景噪声中的弱有效信号，地震含噪数据由信号和噪声叠加而成，NARX神经网络初始化后，将地震含噪信号作为神经网络的输入，将噪声作为神经网络的输出，通过期望输出与实际输出的误差调整权值，训练NARX神经网络；将含噪数据输入到训练好的神经网络，输出预测的噪声序列；将输入数据与预测数据的残差序列经门限设置后得到最终的有效信号。整个数据处理过程中，根据噪声特性训练神经网络，对输入序列的背景噪声进行预测，从而识别和检测弱信号，不需要对算法有条件假设，不会在压制噪声的同时消减有效信号，能够从强背景噪声中自适应地有效地检测道弱有效信号，增大了地震数据的使用性，为后续地质解释提供更多有利的信息。

附图说明

下面将结合附图及实施例对本发明作进一步说明，附图中：

图1是本发明提供的一种基于NARX神经网络检测地震勘探弱信号的方法的流程示意图。

图2是本发明提供的一种基于NARX神经网络检测地震勘探弱信号的方法所涉及的NARX神经网络结构图。

图3是本发明提供的一种基于NARX神经网络检测地震勘探弱信号的方法的实施方式中所涉及的一道含有一个地震子波的纯净信号，期望输出噪声以及输入的地震含噪信号的示意图。

图4是本发明提供的一种基于NARX神经网络检测地震勘探弱信号的方法中采用图3信号训练NARX神经网络的误差相关性示意图。

图5是本发明提供的一种基于NARX神经网络检测地震勘探弱信号的方法中利用训练好的网络对任意一道信号进行有效信号检测的示意图。

图6是本发明提供的一种基于NARX神经网络检测地震勘探弱信号的方法中的实施方式的地震合成记录处理图。

图7是从图6所示的各记录中随机抽取单道信号波形对比图。

图8是本发明另一实施方式中部分野外采集数据处理图。

具体实施方式

为了对本发明的技术特征、目的和效果有更加清楚的理解，现对照附图详细说明本发明的具体实施方式。

地震资料中的不规则噪声即随机噪声没有特定的传播方向和视速度，频率覆盖范围大，在地震资料中形成杂乱无章的背景，噪声压制难度较大。现存的滤波算法应用时都有一定的假设条件，在压制随机噪声时常常不能达到令人满意的效果。神经网络是一种模拟大脑神经系统处理信息的方式而人为建立的能够实现某种功能的网络，深度学习技术带来了神经网络的大发展，成为各个行业的研究热点。神经网络是基于大脑各神经元之间的连接结构和功能而建立的一种信息处理系统，与一般的数学模型相比多了生物神经网络的优点。有外部输入的非线性自回归网络NARX是一个全局反馈环的递归网络，其网络行为比前馈网络(如BP网络)更复杂，也更有潜力。NARX网络有两个基本功能：联想记忆和输入-输出映射网络，在地震勘探信号和背景噪声预测具有很大的优势。

鉴于此，本发明的目的在于，提供一种基于NARX神经网络检测地震勘探弱信号的方法，旨在克服现有技术中存在的无法从极低信噪比中检测到有效信号的问题。

参阅图1，本发明提供了一种基于NARX神经网络检测地震勘探弱信号的方法，包括：

初始化NARX神经网络模型，构建地震含噪信号，作为初始化的NARX神经网络模型的输入，将噪声作为神经网络的输出，进行训练；

NARX神经网络模型训练完成后，将采集的原始地震数据输入训练完成的NARX神经网络模型中，输出背景噪声预测数据；

计算输入的地震含噪数据与输出的背景噪声预测数据的残差序列，同时设置门限，残差序列中不在门限范围内的部分置零，残差序列中处于门限范围内的部分通过，得到有效信号序列。

其中，NARX神经网络模型初始化的步骤包括：

设定NARX神经网络模型的阶数、延时量、输入输出数量及隐含层神经元数量；其中，NARX神经网络模型的阶数设定为2阶，输入层实现从20个延时时刻的输入和20个延时时刻的输出到隐含层的非线性映射，隐含层包含3个神经元，输出层实现隐含层到输出的一个线性映射；

网络的训练速度与网络的阶数有关，阶数越高，网络训练需要的时间越长，同时网络预测误差越小，预测精度越高。经过实验，二阶的网络已经能达到地震数据预测精度，且训练时间较短。因此采用二阶NARX网络。

NARX神经网络模型的结构示意图如图2所示。NARX神经网络模型公式表示为：

y(t)＝F(y(t-1),y(t-2),…y(t-n),x(t),x(t-1),x(t-2),…x(t-n)) (1)

其中，y(t)为当前时刻输出序列，y(t-1),y(t-2),…y(t-n)为输出延时序列，x(t)为当前时刻输入序列，x(t-1),x(t-2),…x(t-n)为输入延时序列，F为非线性函数；

隐含层的非线性作用函数为：

式中，F为公式(2)中的非线性函数，e为自然数，τ为函数自变量。

其中，训练NARX神经网络模型的步骤包括：

构建的地震含噪信号由有效信号和加性噪声加和构成，表示为：

x(t)＝s(t)+n(t) (3)

式中，x(t)为地震含噪信号，s(t)为有效信号，n(t)为加性噪声，t为时间变量；构建的地震含噪信号的示意图如图3所示。

将x(t)作为神经网络的输入，计算隐含层和输出层神经元输出，通过L-M算法调整权值，n(t)作为神经网络的输出，达到误差预测精度。L-M算法具有局部快速收敛特性及全局搜索特性，同时不需要过多地调整参数。NARX网络的学习精度为0.05时，迭代次数为2次。当误差小于0.05时，学习过程停止，网络训练完毕；学习速率为0.2，即以0.2的步长调整权值。训练好的网络及其误差相关性示意图如图4所示。

其中，将实时采集的原始地震数据输入训练完成的NARX神经网络模型的步骤之前，还包括对原始地震数据进行预处理的步骤；

数据范围较大时，网络训练收敛慢，训练时间长，从而造成网络预测性能下降。另外还有一些网络的输出层激活函数的输出值有区间限制，因此对数据进行归一化处理是必不可少的。

采用最大最小法对原始地震数据进行归一化处理，公式表示为：

其中，x为原始地震数据，x_min为数据序列中的最小值，x_max为数据序列中的最大值。

其中，将实时采集的原始地震数据输入训练完成的NARX神经网络模型的步骤包括：

将归一化处理后的地震含噪数据输入到训练好的NARX神经网络中，输出背景噪声预测数据；

计算输入的地震含噪数据与输出的背景噪声预测数据的残差序列，如公式(5)所示：

式中，

为残差序列，

为输入的含噪序列，

为输出的背景噪声预测序列，t为时间变量；

设置门限，根据门限公式(6)计算原始地震数据中的有效数据；公式(6)表示为：

TH＝k₁*m+k₂*σ (6)

式中TH为门限值，k₁、k₂为经验系数，通过实验设置，m为残差序列均值，σ为残差序列的方差。

网络的输入是含噪信号，输出是预测的噪声，用输入减去输出也就是含噪信号减去预测的噪声得到一个残差序列，此时设置一个门限，残差序列中在此门限范围内的通过，不在门限范围内的置零，最后得到的就是有效信号序列。

下面将本发明涉及的基于NARX神经网络检测地震勘探弱信号的方法应用于一道含有一个地震子波的含噪信号和对一组42道并含有三条相交同相轴的人工合成的地震记录进行试验以及应用于实际野外地区的地震勘探随机噪声的压制处理。

实施例1

将本发明应用于一道含有一个地震子波的含噪信号，采样频率为1000Hz，子波频率为30Hz，噪声为某黄土塬地区的实际噪声。此时的含噪信号如图5(a)所示，可见在图5(a)中，信噪比比较低。将含噪信号作为输入，送入训练好的NARX神经网络中，输出的噪声如图5(b)所示。用输入与输出做差得到残差序列，将残差序列经过门限处理后结果如图5(c)所示。可以看出，能够从背景噪声中清晰有效地检测出地震子波。

实施例2

本发明利用一组42道并含有三条相交同相轴的人工合成的地震记录进行试验，背景噪声为某黄土塬地区部分野外采集噪声，地震子波主频分别为20Hz，30Hz和40Hz，如图6所示，图6(a)为纯净记录，图6(b)为含噪记录，图6(c)为NARX神经网络检测有效信号的记录，图6(d)为背景噪声残差记录。可以看出信噪比极低地震记录经过处理后，同相轴清晰连续，几乎从背景噪声中完全恢复出来，背景噪声基本被NARX神经网络预测，如图6(d)所示。

图7显示了从图6中随机抽取单道地震记录的时域波形及其相应的频谱对比。图7(a)分别为含噪信号、纯净信号和NARX检测的有效信号时域波形对比图，可以看出，NARX神经网络基本能将有效信号完整地检测出来。图7(b)为图7(a)所示各个时域波形的频谱，可以看出NARX神经网络恢复的有效信号频谱基本与纯净信号的频谱相吻合，绝大部分背景噪声被过滤。

实施例3

将本发明应用于实际野外地区的地震勘探背景噪声的压制处理，截取某黄土塬地区野外采集数据如图8(a)所示，可以看出共炮点记录中存在大量的噪声，信噪比较低。图8(b)为NARX神经网络检测后的数据，通过比较可以看出，经NARX神经网络检测后，反射同相轴清晰连续地显现出来。模拟实验和实际数据处理结果均可看出，本发明提出的NARX神经网络检测地震弱信号，能够从极强背景噪声中检测出完整的有效信号，使反射同相轴清晰连续，同时提高地震数据的信噪比和保幅性。

实施本发明的基于NARX神经网络检测地震勘探弱信号的方法，具有以下有益效果：针对地震资料信噪比极低，一般滤波算法不能有效恢复有效信号的问题，本申请提出通过NARX神经网络检测强背景噪声中的弱有效信号，地震含噪数据由信号和噪声叠加而成，NARX神经网络初始化后，将地震含噪信号作为神经网络的输入，将噪声作为神经网络的输出，通过期望输出与实际输出的误差调整权值，训练NARX神经网络；将含噪数据输入到训练好的神经网络，输出预测的噪声序列；将输入数据与预测数据的残差序列经门限设置后得到最终的有效信号。整个数据处理过程中，根据噪声特性训练神经网络，对输入序列的背景噪声进行预测，从而识别和检测弱信号，不需要对算法有条件假设，不会在压制噪声的同时消减有效信号，能够从强背景噪声中自适应地有效地检测道弱有效信号，增大了地震数据的使用性，为后续地质解释提供更多有利的信息。

上面结合附图对本发明的实施例进行了描述，但是本发明并不局限于上述的具体实施方式，上述的具体实施方式仅仅是示意性的，而不是限制性的，本领域的普通技术人员在本发明的启示下，在不脱离本发明宗旨和权利要求所保护的范围情况下，还可做出很多形式，这些均属于本发明的保护之内。

Claims (2)

1.一种基于NARX神经网络检测地震勘探弱信号的方法，其特征在于，包括：

初始化NARX神经网络模型，构建地震含噪信号，作为初始化的NARX神经网络模型的输入，将噪声作为神经网络的输出，进行训练；

NARX神经网络模型训练完成后，将采集的原始地震数据输入训练完成的NARX神经网络模型中，输出背景噪声预测数据；具体包括：

对原始地震数据进行预处理：

预处理的方式为归一化；采用最大最小法对原始地震数据进行归一化处理，公式表示为：

其中，x为原始地震数据，x_min为数据序列中的最小值，x_max为数据序列中的最大值；

训练NARX神经网络模型：

构建的地震含噪信号由有效信号和加性噪声加和构成，表示为：

x(t)＝s(t)+n(t) (3)

式中，x(t)为地震含噪信号，s(t)为有效信号，n(t)为加性噪声，t为时间变量；

将x(t)作为神经网络的输入，计算隐含层和输出层神经元输出，通过L-M算法调整权值，n(t)作为神经网络的输出，达到误差预测精度；

计算输入的地震含噪数据与输出的背景噪声预测数据的残差序列，如公式(5)所示：

式中，

为残差序列，

为输入的含噪序列，

为输出的背景噪声预测序列，t为时间变量；

设置门限，根据门限公式(6)计算原始地震数据中的有效数据；公式(6)表示为：

TH＝k₁*m+k₂*σ (6)

式中TH为门限值，k₁、k₂为经验系数，通过实验设置，m为残差序列均值，σ为残差序列的方差；

计算输入的地震含噪数据与输出的背景噪声预测数据的残差序列，同时设置门限，残差序列中不在门限范围内的部分置零，残差序列中处于门限范围内的部分通过，得到有效信号序列。

2.根据权利要求1所述的基于NARX神经网络检测地震勘探弱信号的方法，其特征在于，NARX神经网络模型初始化的步骤包括：

设定NARX神经网络模型的阶数、延时量、输入输出数量及隐含层神经元数量；其中，NARX神经网络模型的阶数设定为2阶，输入层实现从20个延时时刻的输入和20个延时时刻的输出到隐含层的非线性映射，隐含层包含3个神经元，输出层实现隐含层到输出的一个线性映射；

NARX神经网络模型公式表示为：

y(t)＝F(y(t-1),y(t-2),…y(t-n),x(t),x(t-1),x(t-2),…x(t-n)) (1)

其中，y(t)为当前时刻输出序列，y(t-1),y(t-2),…y(t-n)为输出延时序列，x(t)为当前时刻输入序列，x(t-1),x(t-2),…x(t-n)为输入延时序列，F为非线性函数；

隐含层的非线性作用函数为：

式中，F为公式(2)中的非线性函数，e为自然数，τ为函数自变量。

Images