CN111308553B - 一种基于深度神经网络的自适应异常振幅压制方法 - Google Patents
一种基于深度神经网络的自适应异常振幅压制方法 Download PDFInfo
- Publication number
- CN111308553B CN111308553B CN202010159543.3A CN202010159543A CN111308553B CN 111308553 B CN111308553 B CN 111308553B CN 202010159543 A CN202010159543 A CN 202010159543A CN 111308553 B CN111308553 B CN 111308553B
- Authority
- CN
- China
- Prior art keywords
- abnormal amplitude
- data
- neural network
- deep neural
- abnormal
- 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
- 230000002159 abnormal effect Effects 0.000 title claims abstract description 52
- 238000000034 method Methods 0.000 title claims abstract description 29
- 238000013528 artificial neural network Methods 0.000 title claims abstract description 25
- 230000001629 suppression Effects 0.000 title claims abstract description 14
- 230000003044 adaptive effect Effects 0.000 title claims description 9
- 238000012549 training Methods 0.000 claims description 17
- 238000001914 filtration Methods 0.000 claims description 4
- 238000012360 testing method Methods 0.000 claims description 2
- 230000002547 anomalous effect Effects 0.000 abstract description 5
- 238000013459 approach Methods 0.000 abstract description 2
- 230000000694 effects Effects 0.000 description 5
- 238000010586 diagram Methods 0.000 description 3
- 238000013527 convolutional neural network Methods 0.000 description 2
- 238000002474 experimental method Methods 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- AYFVYJQAPQTCCC-GBXIJSLDSA-N L-threonine Chemical group C[C@@H](O)[C@H](N)C(O)=O AYFVYJQAPQTCCC-GBXIJSLDSA-N 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000002194 synthesizing effect Effects 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
- G01V1/364—Seismic filtering
-
- 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
- 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
- G01V2210/324—Filtering
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Physics & Mathematics (AREA)
- Computing Systems (AREA)
- Artificial Intelligence (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Biomedical Technology (AREA)
- General Engineering & Computer Science (AREA)
- Biophysics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Remote Sensing (AREA)
- Acoustics & Sound (AREA)
- Environmental & Geological Engineering (AREA)
- Geology (AREA)
- General Life Sciences & Earth Sciences (AREA)
- Geophysics (AREA)
- Filters That Use Time-Delay Elements (AREA)
Abstract
本发明公开了一种基于深度神经网络的自适应异常振幅压制技术，所述技术包括以下步骤：步骤1：利用深度神经网络提取异常振幅的位置信息和宽度信息；步骤2：利用步骤一提取的数据自适应地设计异常振幅区域的异常振幅衰减算法的参数。本发明利用深度神经网络的方法，使用网络来确定异常振幅的位置信息和宽度信息。然后再将这些信息用于后续的AAA去噪的过程中，从而使得AAA算法能够自适应地作用于不同的异常振幅，更好地压制噪声和保留有效信号。
Description
技术领域
本发明涉及地震数据噪声压制技术领域，特别是涉及基于深度神经网络的自适应异常振幅压制方法。
背景技术
原始的地震数据通常含有大量噪声，其中异常振幅噪声是十分常见的一种噪声。为了后续的地震反演和解释等相关处理，通常需要对这些异常振幅噪声进行压制。
目前处理异常振幅噪声的常用方法是Anomalous Amplitude Attenuation(AAA)法。该方法首先将原始的时空域(t-x域)地震数据通过快速傅里叶变换转换到频率波数域(f-k域)，然后在f-k域中对待处理信号进行分频带处理。在每个频带内，记待处理的原始的信号为f(x),设定的能量阈值为thre，E(x)表示信号能量,Median(x)表示中值滤波器得到的中值，fp(x)为处理后的结果,其表达式如公式(1)所示：
该方法首先对于待处理的f-k域数据进行分频带分窗处理，以需要处理的道为中心开一个窗口，计算每个频带内待处理道的能量和窗内待处理频带的能量的中值，然后将两者比值和预设的阈值进行比较，如果小于该阈值，则认为待处理道的这个频带的能量正常，不存在异常振幅，不进行处理；反之，若两者比值大于阈值，则认为待处理道在这个频带的能量异常，属于异常振幅，故需要对其进行压制，则将其能量压制到窗口内该频带能量的中值大小。
该方法目前广泛应用于实际的生产中，包括OMEGA等商用软件中也使用该方法来压制异常振幅噪声。但是该方法存在对异常振幅压制的效果受分窗时的窗宽影响过大的问题。在实际使用中，由于地震数据的总量一般较大，所以使用的窗宽参数一般是固定值或者是根据少数几个控制点处的窗宽值进行线性插值得到的。由于异常振幅噪声在数据中的宽度和大小都是变化很大的，因此使用固定的参数难以很好地在保护有效信号的情况下滤除异常振幅噪声。当设置的窗宽较小的时候，对于宽度较大的异常振幅信号则无法去除干净；当设置的窗宽较大的时候，对于部分有效信号损伤又会比较严重。因此，需要一个能够自适应地设计窗宽的方法来提升去噪的效果。
卷积神经网络从2012年在ImageNet中取得了很好的成绩后，在越来越多的领域也都取得了很好的效果。全卷积神经网络在2015年提出，由于其能够输出端到端的像素级分类结果，使得其在分割问题中有很好的效果。而深度神经网络近些年也越来越多地应用于地球物理的相关问题中。
因此希望有一种基于深度神经网络的自适应异常振幅压制方法能够解决现有技术中存在的问题。
发明内容
本发明公开了一种基于深度神经网络的自适应异常振幅压制方法,所述方法包括以下步骤：
步骤1：利用深度神经网络提取异常振幅的位置信息和宽度信息；
步骤2：利用步骤1提取的数据自适应地设计异常振幅区域的异常振幅衰减算法的参数。
优选地，所述步骤1包括以下步骤：
步骤1.1：数据生成，通过异常振幅衰减算法进行数据生成，生成训练数据对应的标签；
步骤1.2：进行训练，利用全卷积神经网络，将原始数据和步骤1.1生成的标签进行训练；
步骤1.3：进行测试，将待处理数据输入步骤1.2训练好的网络，得到网络预测输出；
步骤1.4：从网络预测输出中，提取所述异常振幅区域的位置和宽度信息。
优选地,所述步骤1.1中训练数据对应的标签包括：有效信号，异常振幅区域和无法确定三类标签。
优选地,所述步骤1.2中使用公式(2)交叉熵损失函数进行训练：
其中xi代表的数据中的第i个点，yl是第i个点数据对应的标签，yp是网络预测的该点标签。
优选地,所述步骤2包括以下步骤：
步骤2.1：去噪操作，根据所述异常振幅的位置信息和宽度信息，设计每处所述异常振幅区域的异常振幅衰减算法参数，得到滤波结果，压制噪声和保留有效信号；
步骤2.2：利用滤波结果替代数据中的异常振幅区域数据。
本发明提出了一种基于深度神经网络的自适应异常振幅压制方法，本发明利用深度神经网络的方法，使用网络来确定异常振幅的位置信息和宽度信息。然后再将这些信息用于后续的AAA去噪的过程中，从而使得AAA算法能够自适应地作用于不同的异常振幅，更好地压制噪声和保留有效信号。
附图说明
图1为基于深度神经网络的自适应异常振幅压制方法的流程图。
图2为本发明使用的神经网络结构示意图。
图3为本发明的应用效果图，3(a)为原始数据，3(b)为较小窗宽AAA算法(窗宽为10)的结果，3(c)为较大窗宽AAA算法(窗宽为30)的结果，3(d)为本发明提出的方法的结果。
具体实施方式
为使本发明实施的目的、技术方案和优点更加清楚，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更加详细的描述。在附图中，自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。所描述的实施例是本发明一部分实施例，而不是全部的实施例。下面通过参考附图描述的实施例是示例性的，旨在用于解释本发明，而不能理解为对本发明的限制。基于本发明中的实施例，本领域普通技术人员在没有作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。
如图1所示，基于深度神经网络的自适应异常振幅压制方法进行更为详细的阐述：
(1)由于神经网络的方法，需要有和训练数据相对应的标注。而实际的地震数据中，缺乏相应的标注，因此我们的第一步就是要通过数据先生成一个可以用于训练的标注。对准备用于训练的数据，首先使用小窗宽、高阈值的AAA算法，然后将被算法压制的部分标记为有异常振幅的区域；然后使用大窗宽、低阈值的AAA算法，然后将和原始数据相比没有变化的部分标记为有效数据区域。最后将两者都标记或者都没有标记的区域记为无法确定区域。这样，我们就得到了可以用于网络训练的三分类的数据。
(2)将原始数据和我们准备的相应的标签，送入全卷积网络进行训练，使用的损失函数为交叉熵函数，其表达式为：
其中xi代表的数据中的第i个点，yl是这一点的数据对应的标签，yp是网络预测的该点的标签。训练完成之后，将待处理数据送入训练好的网络，得到对待处理数据中的异常振幅的预测，然后将这些信息提取出来。
(3)利用神经网络的预测输出，我们估计出存在异常振幅区域的位置和其对应的宽度，然后根据这些信息，自适应地去设计应用在这些区域的AAA算法的参数，从而更好地压制噪声和保留有效信号。
如图2所示，本发明使用的网络结构图左侧为输入的待预测数据，中间为网络结构，右侧为网络预测结果。网络结构部分，我们使用的是全卷积神经网络(FCN)为基础结构，为了加快网络训练的收敛速度，减少训练时间，我们用预训练好的VGG19网络替代了其中的卷积部分。
如图3所示，本发明的应用效果图中3(a)为原始数据，3(b)为较小窗宽AAA算法(窗宽为10)的结果，3(c)为较大窗宽AAA算法(窗宽为30)的结果，3(d)为本发明提出的方法的结果。可以看到本发明能够较好地去除原始数据中的异常振幅。综合表1中本方法预测的异常振幅位置信息和宽度信息的统计，与表2中本方法相对于3(b)和3(c)所展示的方法的信噪比对比，可以看出本方法能够自适应地处理异常振幅，更好地去除噪声，并且保留了有效信号。
表1：合成数据实验中对于强振幅噪声位置和宽度预测结果。其中APD代表平均位置差值，AWD代表平均宽度差值。
表2：合成数据实验中信噪比的统计结果。
| 原始数据 | AAA(窗宽10) | AAA(窗宽30) | 本发明结果 | |
| SNR | -9.34dB | -3.11dB | 3.59dB | 4.96dB |
最后需要指出的是：以上实施例仅用以说明本发明的技术方案，而非对其限制。尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。
Claims (4)
1.一种基于深度神经网络的自适应异常振幅压制方法，其特征在于，所述方法包括以下步骤：
步骤1：利用深度神经网络提取异常振幅的位置信息和宽度信息；所述步骤1包括以下步骤：
步骤1.1：数据生成，通过异常振幅衰减算法进行数据生成，生成训练数据对应的标签；
步骤1.2：进行训练，利用全卷积神经网络，将原始数据和步骤1.1生成的标签进行训练；
步骤1.3：进行测试，将待处理数据输入步骤1.2训练好的网络，得到网络预测输出；
步骤1.4：从网络预测输出中，提取所述异常振幅区域的位置和宽度信息；
步骤2：利用步骤1提取的数据自适应地设计异常振幅区域的异常振幅衰减算法的参数。
2.根据权利要求1所述的基于深度神经网络的自适应异常振幅压制方法，其特征在于：所述步骤1.1中训练数据对应的标签包括：有效信号，异常振幅区域和无法确定三类标签。
3.根据权利要求1所述的基于深度神经网络的自适应异常振幅压制方法，其特征在于：所述步骤1.2中使用公式(2)交叉熵损失函数进行训练：
其中xi代表的数据中的第i个点，yl是第i个点数据对应的标签，yp是网络预测的该点标签。
4.根据权利要求1所述的基于深度神经网络的自适应异常振幅压制方法，其特征在于：所述步骤2包括以下步骤：
步骤2.1：去噪操作，根据所述异常振幅的位置信息和宽度信息，设计每处所述异常振幅区域的异常振幅衰减算法参数，得到滤波结果，压制噪声和保留有效信号；
步骤2.2：利用滤波结果替代数据中的异常振幅区域数据。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010159543.3A CN111308553B (zh) | 2020-03-09 | 2020-03-09 | 一种基于深度神经网络的自适应异常振幅压制方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010159543.3A CN111308553B (zh) | 2020-03-09 | 2020-03-09 | 一种基于深度神经网络的自适应异常振幅压制方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN111308553A CN111308553A (zh) | 2020-06-19 |
| CN111308553B true CN111308553B (zh) | 2021-02-02 |
Family
ID=71149526
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010159543.3A Active CN111308553B (zh) | 2020-03-09 | 2020-03-09 | 一种基于深度神经网络的自适应异常振幅压制方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111308553B (zh) |
Family Cites Families (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US6662112B2 (en) * | 2001-08-31 | 2003-12-09 | Exxonmobil Upstream Research Company | Method for classifying AVO data using an interpreter-trained neural network |
| EP3033689B1 (en) * | 2013-04-24 | 2021-09-15 | The University of British Columbia | A penalty method for pde-constrained optimization |
| CN104730580B (zh) * | 2013-12-23 | 2017-06-23 | 中国石油化工股份有限公司 | 地震资料异常振幅压制方法 |
| CN104932017B (zh) * | 2015-05-26 | 2018-05-04 | 中国石油天然气集团公司 | 一种异常振幅压制方法及装置 |
| CN109557583B (zh) * | 2017-09-26 | 2020-12-01 | 中国石油化工股份有限公司 | 一种地震属性提取方法及系统 |
| CN109633753B (zh) * | 2019-01-30 | 2020-04-28 | 中国科学院地质与地球物理研究所 | 地表噪声压制方法及装置 |
-
2020
- 2020-03-09 CN CN202010159543.3A patent/CN111308553B/zh active Active
Also Published As
| Publication number | Publication date |
|---|---|
| CN111308553A (zh) | 2020-06-19 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Xu et al. | Adaptive fuzzy switching filter for images corrupted by impulse noise | |
| Toh et al. | Salt-and-pepper noise detection and reduction using fuzzy switching median filter | |
| CN110659621A (zh) | 一种基于变分模态分解和排列熵的联合降噪方法 | |
| Juneja et al. | An improved adaptive median filtering method for impulse noise detection | |
| CN107437238B (zh) | 一种图像分块自适应递归降噪方法及装置 | |
| CN106570843A (zh) | 一种自适应小波阈值函数图像噪声抑制方法 | |
| US20130322425A1 (en) | Noise variance estimation and interference detection | |
| Arastehfar et al. | An enhanced median filter for removing noise from MR images | |
| CN110865410A (zh) | 一种基于nar-tfpf压制地震勘探随机噪声的方法 | |
| CN111308553B (zh) | 一种基于深度神经网络的自适应异常振幅压制方法 | |
| Juneja et al. | Design and development of an improved adaptive median filtering method for impulse noise detection | |
| Kumar et al. | Evaluation of image denoising techniques a performance perspective | |
| CN111538087B (zh) | 基于深度学习频谱分割的动态自适应衰减补偿方法及系统 | |
| Vijaykumar et al. | Detail preserving median based filter for impulse noise removal in digital images | |
| Vishwakarma et al. | De-noising of Audio Signal using Heavy Tailed Distribution and comparison of wavelets and thresholding techniques | |
| Sahraeian et al. | Wavelet image denoising based on improved thresholding neural network and cycle spinning | |
| Swamy et al. | Enhancement of speech signals corrupted by impulsive noise using wavelets and adaptive median filtering | |
| Suganthi et al. | Comparative study of various impulse noise reduction techniques | |
| Sultana et al. | High density impulse denoising by a novel adaptive fuzzy filter | |
| Xia et al. | An efficient two-state switching median filter for the reduction of impulse noises with different distributions | |
| Kaveri et al. | Median filtering frameworks and their application to image enhancement | |
| Tomic et al. | Edge-preserving adaptive wavelet denoising using ICI rule | |
| Rastogi et al. | Review of Noise Removal Techniques for Fixed Valued Impulse Noise | |
| Irum et al. | Impulsive Noise Cancellation in OFDM System Using Low Density Parity Check. | |
| Li et al. | A new algorithm for removal of high-density salt and pepper noises |
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 |