CN111538087B - 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 - Google Patents

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 Download PDF

Info

Publication number
CN111538087B
CN111538087B CN202010529252.9A CN202010529252A CN111538087B CN 111538087 B CN111538087 B CN 111538087B CN 202010529252 A CN202010529252 A CN 202010529252A CN 111538087 B CN111538087 B CN 111538087B
Authority
CN
China
Prior art keywords
compensation
frequency spectrum
neural network
signal
classification
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.)
Expired - Fee Related
Application number
CN202010529252.9A
Other languages
English (en)
Other versions
CN111538087A (zh
Inventor
刘延利
李振春
王姣
孙苗苗
刘强
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
China University of Petroleum East China
Original Assignee
China University of Petroleum East China
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by China University of Petroleum East China filed Critical China University of Petroleum East China
Priority to CN202010529252.9A priority Critical patent/CN111538087B/zh
Publication of CN111538087A publication Critical patent/CN111538087A/zh
Application granted granted Critical
Publication of CN111538087B publication Critical patent/CN111538087B/zh
Expired - Fee Related legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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. analysis, for interpretation, for correction
    • G01V1/36—Effecting static or dynamic corrections on records, e.g. correcting spread; Correlating seismic signals; Eliminating effects of unwanted energy
    • 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
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Remote Sensing (AREA)
  • Physics & Mathematics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Acoustics & Sound (AREA)
  • Environmental & Geological Engineering (AREA)
  • Geology (AREA)
  • General Life Sciences & Earth Sciences (AREA)
  • General Physics & Mathematics (AREA)
  • Geophysics (AREA)
  • Geophysics And Detection Of Objects (AREA)

Abstract

本发明属于地震数据处理技术领域，公开了一种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，进行深度学习频谱分割和组合补偿函数的设计；通过深度学习对地震信号的频谱进行分割，确定补偿区域和噪声压制区域，二者的连接点即为补偿函数的最大增益点；补偿函数由指数增长函数、二次函数和指数衰减函数三部分组成，在有效频带范围内进行指数补偿，在有效频带范围外进行指数衰减；将深度学习和补偿函数结合，实现对地震资料的智能Q补偿。本发明利用深度学习对地震信号的频谱进行分割，结合相应的组合型补偿函数进行地震信号的衰减补偿，解决了地震信号补偿中的不稳定问题。

Description

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
技术领域
本发明属于地震数据处理技术领域，尤其涉及一种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。
背景技术
在地震勘探过程中，由于大地滤波效应的存在，地震信号会发生衰减，导致深层地震信号带宽窄，有效能量弱，给油气识别带来困难。对地震波衰减效应进行补偿，也被称为Q(品质因子)补偿，可以增强地震信号的深层能量，有效提高地震资料的分辨率。Q补偿是一种指数补偿，存在补偿不稳定问题。
目前稳定的Q补偿实现可以分为两类：
一类是添加稳定因子改造理论的补偿函数，但稳定因子需要通过经验值获取，而同一稳定因子又难以适合一个工区内的所有地震信号，因而造成补偿后剖面的连续性降低，或出现线性噪音等问题；
另一类是自适应的补偿方法，该类方法一般是设计转换函数，根据Q值不同压制高频噪音，在低Q区控制振幅的增益倍数，以此改善补偿不稳定问题；这种方法本质上改变了Q值的大小，不符合Q补偿的物理意义。
本发明通过深度学习先分割出频谱上的有效区域和噪声区域，在有效区域内按照理论公式进行补偿，有效区域外进行压制，在实现自适应补偿的同时，保证了有效信号补偿的物理意义。另外，经调研发现，将深度学习和Q补偿相结合实现智能Q补偿，在本研究领域中是首次尝试。
通过上述分析，现有技术存在的问题及缺陷为：现有技术无法自适应地进行稳定而有效的Q补偿。
解决以上问题及缺陷的难度为：经目前调研发现，将深度学习和Q补偿相结合实现智能Q补偿，在本研究领域中是首次尝试，难点在于两种技术结合实现自适应而有效的补偿。
解决以上问题及缺陷的意义为：通过深度学习进行智能Q补偿，在对靶区资料的频谱进行深度学习的基础上，实现稳定而有效的自适应补偿，使补偿后的地震剖面深层能量增强，分辨率提高，有效高频更丰富，有利于后续的地震资料解释及储层油气预测。从技术上来讲，将深度学习纳入Q补偿的过程中，实现了两种技术的有效结合。
发明内容
针对现有技术存在的问题，本发明提供了一种基于深度学习频谱分割的动态自适应衰减补偿方法。
本发明是这样实现的，一种基于深度学习频谱分割的动态自适应衰减补偿方法，包括：
步骤一，对靶区资料进行初步分析和预处理；
步骤二，随机从靶区资料中挑选若干道信号作为训练样本，并对其振幅谱进行人工标签分类，选取振幅谱右侧第一个主峰值为分类标准；
步骤三，利用样本数据和标签进行神经网络训练；
步骤四，随机从靶区资料中选取若干道信号作为验证，按照步骤二中的标准进行标签分类；
步骤五，将训练好的神经网络用于验证道信号，验证神经网络分类的准确程度，若不满意，则重新进行训练；
步骤六，对待补偿信号，利用训练好的神经网络进行振幅谱分割，获得分割点ω2，计算补偿函数的增益顶点z2；
步骤七，利用补偿函数，计算信号补偿后的频谱，并进行傅里叶反变换得到补偿后的时间域信号；
步骤八，重复步骤六至步骤七，直到得到所有信号处理结果。
进一步，步骤一中，所述初步分析和预处理包括：工区数据大小分析，数据道头信息分析，以及坏道、野值剔除等；
进一步，步骤二中，样本信号的振幅谱分类方式为：振幅谱右侧第一个主峰值左侧的所有频率步标记为s1，为有效区域；右侧的所有频率步标记为s2，为噪声压制区域；
进一步，步骤三中，神经网络训练采用的是长短期记忆神经网络，其结构包括150个隐含单元，大小为2的全连接层，后跟softmax层和分类层，以此来对每一个频率步进行分类，训练中可以调整最大训练次数或梯度阈值等参数以提高训练效果；
进一步，步骤四中，验证信号与步骤二中样本信号不重复；
进一步，步骤五中，验证信号频谱分类的准确率在97％以上，视为满意；
进一步，步骤六中，所述补偿函数的增益顶点的计算公式为：
Figure BDA0002534767160000031
其中，Q是品质因子；τ是时间变量，τ’是用于积分的时间变量。
进一步，步骤七中，所述补偿信号的频谱计算方法包括：
采用对振幅谱分区补偿的方式，具体补偿方式为：
Figure BDA0002534767160000032
其中，A表示振幅增益倍数，自变量z是角频率ω的转换变量：其中a，b，c是二次函数的系数；
Figure BDA0002534767160000033
Figure BDA0002534767160000041
Figure BDA0002534767160000042
Figure BDA0002534767160000043
其中，Q是品质因子；τ是时间变量，τ’是用于积分的时间变量。
本发明的另一目的在于提供一种基于深度学习频谱分割的动态自适应衰减补偿系统包括：
信息预处理模块，用于对靶区资料进行初步分析和预处理；
人工标签分类模块，随机从靶区资料中挑选若干道信号作为训练样本，并对振幅谱进行人工标签分类，选取振幅谱右侧第一个主峰值为分类标准；
神经网络训练模块，利用样本数据和标签进行神经网络训练；
重新训练模块，随机从靶区资料中选取若干道信号作为验证，按照标准进行标签分类；将训练好的神经网络用于验证道信号，验证神经网络分类的准确程度，若不满意，则重新进行训练；
分类交点获取模块，对待补偿信号，利用训练好的神经网络进行振幅谱分割，获得分割点ω2，计算补偿函数的增益顶点z2；
信号处理结果获取模块，计算信号补偿后的频谱，并进行傅里叶反变换得到补偿后的时间域信号；重复进行获得分类交点、傅里叶反变换处理，直到得到所有信号处理结果。
本发明的另一目的在于提供一种接收用户输入程序存储介质，所存储的计算机程序使电子设备执行所述基于深度学习频谱分割的动态自适应衰减补偿方法，包括：
步骤1，对靶区资料进行初步分析和预处理；
步骤2，随机从靶区资料中挑选若干道信号作为训练样本，并对其振幅谱进行人工标签分类，选取振幅谱右侧第一个主峰值为分类标准；
步骤3，利用样本数据和标签进行神经网络训练；
步骤4，随机从靶区资料中选取若干道信号作为验证，按照步骤二中的标准进行标签分类；
步骤5，将训练好的神经网络用于验证道信号，验证神经网络分类的准确程度，若不满意，则重新进行训练；
步骤6，对待补偿信号，利用训练好的神经网络进行振幅谱分割，获得分割点ω2，计算补偿函数的增益顶点z2；
步骤7，利用补偿函数，计算信号补偿后的频谱，并进行傅里叶反变换得到补偿后的时间域信号；
步骤8，重复步骤6至步骤7，直到得到所有信号处理结果。
本发明的另一目的在于提供一种存储在计算机可读介质上的计算机程序产品，包括计算机可读程序，供于电子装置上执行时，提供用户输入接口以实施所述基于深度学习频谱分割的动态自适应衰减补偿方法。
本发明的另一目的在于提供一种执行所述基于深度学习频谱分割的动态自适应衰减补偿方法的信息处理终端，所述信息处理终端包括：
信息预处理模块，用于对靶区资料进行初步分析和预处理；
人工标签分类模块，随机从靶区资料中挑选若干道信号作为训练样本，并对振幅谱进行人工标签分类，选取振幅谱右侧第一个主峰值为分类标准；
神经网络训练模块，利用样本数据和标签进行神经网络训练；
重新训练模块，随机从靶区资料中选取若干道信号作为验证，按照标准进行标签分类；将训练好的神经网络用于验证道信号，验证神经网络分类的准确程度，若不满意，则重新进行训练；
分类交点获取模块，对待补偿信号，利用训练好的神经网络进行振幅谱分割，获得分割点ω2，计算补偿函数的增益顶点z2；
信号处理结果获取模块，利用补偿函数，计算信号补偿后的频谱，并进行傅里叶反变换得到补偿后的时间域信号；重复进行获得分类交点、傅里叶反变换处理，直到得到所有信号处理结果。
结合上述的所有技术方案，本发明所具备的优点及积极效果为：本发明的基于深度学习频谱分割的动态自适应衰减补偿方法能够解决Q补偿不稳定问题，可以实现对地震资料的动态自适应补偿。本发明通过深度学习频谱分割和组合函数分区补偿，实现了对剖面中每一道信号的动态自适应补偿。
本发明利用深度学习对地震信号的频谱进行分割，结合相应的组合型补偿函数进行地震信号的衰减补偿，解决了地震信号补偿中的不稳定问题。
本发明提供了一种基于深度学习进行频谱分割的智能补偿方法。本发明的核心包括两部分：深度学习频谱分割和组合补偿函数的设计。深度学习对地震信号的频谱进行分割，确定补偿区域和噪声压制区域，二者的连接点即为补偿函数的最大增益点。补偿函数由指数增长函数、二次函数和指数衰减函数三部分组成，在有效频带范围内进行指数补偿，在有效频带范围外进行指数衰减，为防止吉布斯现象，两个指数函数之间用一个二次函数进行连接。将深度学习和补偿函数结合，即可实现对地震资料的智能Q补偿。
本发明的智能性体现在两个方面：一是动态性，是指训练好的神经网络对每一道信号的补偿参数进行动态调整；二是自适应性，是指补偿参数和补偿过程都是自适应的，无需人为调整。
本发明能够可以增强地震信号的深层能量，有效提高地震资料的分辨率。
附图说明
图1是本发明实施例提供的基于深度学习频谱分割的动态自适应衰减补偿方法流程图。
图2是本发明实施例提供的基于深度学习频谱分割的动态自适应衰减补偿方法原理图。
图3是本发明实施例提供的深度学习神经网络的训练样本示意图。
图4是本发明实施例提供的深度学习神经网络的验证数据及其分割结果示意图。
图5是本发明实施例提供的深度学习进行频谱分割的准确率示意图。
图6是本发明实施例提供的组合型补偿函数示意图。
图7是本发明实施例提供的本方法与传统的稳定因子法单道信号补偿对比图1(稳定因子为0.01)。
图8是本发明实施例提供的本方法与传统的稳定因子法单道信号补偿对比图2(稳定因子为0.07)。
图9是本发明实施例提供的本方法与传统的稳定因子法地震剖面补偿前后的对比效果示意图,(a)时原始地震剖面；(b)是本方法补偿结果；(c)是稳定因子选取0.01时的补偿结果；(d)是稳定因子选取0.07时的补偿结果。
图10是图9中选取局部剖面放大的对比图。
图11是本发明实施例提供的本方法与传统的稳定因子法频谱补偿对比图。
具体实施方式
为了使本发明的目的、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详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。
针对现有技术存在的问题，本发明提供了一种基于深度学习频谱分割的动态自适应衰减补偿方法，下面结合附图对本发明作详细的描述。
如图1-图2所示，本发明实施例提供的基于深度学习频谱分割的动态自适应衰减补偿方法包括：
S101，对靶区资料进行初步分析和预处理；
S102，随机从靶区资料中挑选若干道信号作为训练样本，并对其振幅谱进行人工标签分类，选取振幅谱右侧第一个主峰值为分类标准；
S103，利用样本数据和标签进行神经网络训练。
S104，随机从靶区资料中选取若干道信号作为验证，按照步骤S102中的标准进行标签分类。
S105，将训练好的神经网络用于验证道信号，验证神经网络分类的准确程度，若不满意，则重新进行训练。
S106，对待补偿信号，利用训练好的神经网络进行振幅谱分割，获得分割点ω2，计算补偿函数的增益顶点z2。
S107，利用补偿函数，计算信号补偿后的频谱，并进行傅里叶反变换得到补偿后的时间域信号。
S108，重复步骤S106至步骤S107，直到得到所有信号处理结果。
步骤S106中，本发明实施例提供的补偿函数的增益顶点的计算公式为：
Figure BDA0002534767160000081
其中，Q是品质因子；τ是时间变量，τ’是用于积分的时间变量。
步骤S107中，本发明实施例提供的补偿信号的频谱计算方法包括：
采用对振幅谱分区补偿的方式，具体补偿方式为：
Figure BDA0002534767160000082
其中，A表示振幅增益倍数，自变量z是角频率ω的转换变量：其中a，b，c是二次函数的系数；
Figure BDA0002534767160000083
Figure BDA0002534767160000084
Figure BDA0002534767160000091
Figure BDA0002534767160000092
其中，Q是品质因子；τ是时间变量，τ’是用于积分的时间变量。
本发明提供一种基于深度学习频谱分割的动态自适应衰减补偿系统包括：
信息预处理模块，用于对靶区资料进行初步分析和预处理。
人工标签分类模块，随机从靶区资料中挑选若干道信号作为训练样本，并对振幅谱进行人工标签分类，选取振幅谱右侧第一个主峰值为分类标准。
神经网络训练模块，利用样本数据和标签进行神经网络训练。
重新训练模块，随机从靶区资料中选取若干道信号作为验证，按照标准进行标签分类；将训练好的神经网络用于验证道信号，验证神经网络分类的准确程度，若不满意，则重新进行训练。
分类交点获取模块，对待补偿信号，利用训练好的神经网络进行振幅谱分割，获得分割点ω2，计算补偿函数的增益顶点z2。
信号处理结果获取模块，利用补偿函数，计算信号补偿后的频谱，并进行傅里叶反变换得到补偿后的时间域信号；重复进行获得分类交点、傅里叶反变换处理，直到得到所有信号处理结果。
下面结合具体实施例对本发明的技术方案作进一步说明。
实施例1：
本发明利用深度学习对地震信号的频谱进行分割，结合相应的组合型补偿函数进行地震信号的衰减补偿，解决了地震信号补偿中的不稳定问题。本发明的实施流程如图1所示，其具体实施过程为：
(1)对靶区资料进行初步分析和预处理。
(2)随机从靶区资料中挑选若干道信号作为训练样本，并对其振幅谱进行人工标签分类，选取振幅谱右侧第一个主峰值为分类标准。
(3)利用样本数据和标签进行神经网络训练。
(4)随机从靶区资料中选取若干道信号作为验证，按照(2)中的标准进行标签分类。
(5)将训练好的神经网络用于验证道信号，验证神经网络分类的准确程度，若不满意，则重新进行训练。
(6)对待补偿信号，利用训练好的神经网络进行振幅谱分割，获得分割点(ω2),利用公式(3)计算补偿函数的增益顶点z2。
(7)利用公式(1)～(6)计算信号补偿后的频谱，并进行傅里叶反变换得到补偿后的时间域信号。
(8)重复进行(6)～(7)步骤，得到所有信号处理结果。
图3是从靶区资料中随机挑选的8道信号，将其频谱进行人工标签分类，其中，s1是指频谱的待补偿区域，s2是指频谱的噪声压制区域。这些频谱和标签作为神经网络的训练样本，让其对频谱特点和标签位置进行深度学习。
将训练好的神经网络用于待处理信号。从待处理信号中随机选出4道信号，按照原来的方式进行人工标签分类，同时用训练好的神经网络对验证信号的频谱进行分割，图4是二者分割的对比效果，图5是神经网络频谱分割的准确率，分别为：99.00％,100.00％,99.75％和99.75％.
频谱分割之后，需要对其进行分区补偿，按照地震波衰减补偿理论，地震波补偿公式为：
Figure BDA0002534767160000101
其中，U是地震波频谱，τ是时间变量，Δτ时间窗口间隔，ω是角频率，ωh是截至角频率，Q是品质因子，i是虚数单位，A是振幅补偿算子，φ是相位补偿算子。相位补偿是无条件稳定的，而振幅补偿是正指数型补偿，即振幅谱随频率呈爆炸性增长，导致时间域不稳定现象出现。
为解决补偿的不稳定问题，本发明采用对振幅谱分区补偿的方式，具体补偿方式为：
Figure BDA0002534767160000111
其中，A表示振幅增益倍数，自变量z是角频率ω的转换变量，：
Figure BDA0002534767160000112
其中，Q是品质因子；τ是时间变量，τ’是用于积分的时间变量。
(2)式中a,b,c是二次函数的系数
Figure BDA0002534767160000113
Figure BDA0002534767160000114
Figure BDA0002534767160000115
图6是组合型补偿函数的示意图。分成三个区域：
左侧补偿区：z1左侧区域是信号的有效频带，即频谱的待补偿区域，在此区域按照地震波衰减补偿理论，利用指数函数A1进行补偿；
中间连接区：z2是增益函数的顶点，即神经网络给出的频谱分割点对应的z值，z1到z3对应的区域是一个对称的二次函数对应的区域，是为了防止吉布斯现象而使用的平滑函数，此区域对应的区间长度为z2长度的1/5；
右侧衰减区：z3右侧是一个负指数函数，z4是与起点对应的增益倍数对应的自变量点。
通过深度学习频谱分割和组合函数分区补偿，即可实现对剖面中每一道信号的动态自适应补偿。
下面通过本方法与现有的稳定因子法相比较，证明本方法的效果及创造性。
图7-8对比分析了本方法和现有稳定因子法对单道信号的补偿效果，可以看出，稳定因子法的补偿效果依赖于稳定因子的选择，稳定因子过小(0.01)时会造成过补偿，即补偿后的信号出现“毛刺”，也就是出现了不稳定现象(图7)；稳定因子过大(0.07)时会造成欠补偿，即补偿后信号的分辨率没有得到提升(图8)。而本文研究的智能补偿方法，能够检测到有效频谱的范围，对其进行最大程度的补偿，而又不会引起不稳定现象。
图9-10对比分析了本方法和现有稳定因子法对整条剖面的补偿效果，可以看出，稳定因子取0.01时，剖面上出现了一些线性噪音(椭圆标记区域)，这是过度补偿而形成的虚假高频；稳定因子取0.07时，剖面补偿之后和原始剖面相比，同相轴没有变细，即分辨率没有得到提升；使用本方法补偿之后的剖面的，同相轴变得更细，更连续，分辨率有了提高，并且没有虚假的线性噪音。
图11是对应图10剖面的平均振幅谱，可以看出，稳定因子取0.07时，振幅谱几乎没有拓宽；而稳定因子取0.01时，振幅谱的频带有所展宽，但是在高频端的收敛性较差；使用本方法补偿后的振幅谱在展宽频带的同时，在有效频带之外能使高频噪音迅速衰减，达到压制噪声的稳定效果。
通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到本发明可借助软件加必需的硬件平台的方式来实现，当然也可以全部通过硬件来实施。基于这样的理解，本发明的技术方案对背景技术做出贡献的全部或者部分可以以软件产品的形式体现出来，该计算机软件产品可以存储在存储介质中，如ROM/RAM、磁碟、光盘等，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本发明各个实施例或者实施例的某些部分所述的方法。
以上所述，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，都应涵盖在本发明的保护范围之内。

Claims (4)

1.一种基于深度学习频谱分割的动态自适应衰减补偿方法，其特征在于，所述基于深度学习频谱分割的动态自适应衰减补偿方法包括：
步骤一，对靶区资料进行初步分析和预处理；
步骤二，随机从靶区资料中挑选若干道信号作为训练样本，并对其频谱进行人工标签分类，选取频谱右侧第一个主峰值为分类标准；
步骤三，利用样本数据和标签进行神经网络训练；
步骤四，随机从靶区资料中选取若干道信号作为验证，按照步骤二中的标准进行标签分类；
步骤五，将训练好的神经网络用于验证道信号，验证神经网络分类的准确程度，若不满意，则重新进行训练；
步骤六，对待补偿信号，利用训练好的神经网络进行频谱分割，获得分割点ω2，计算补偿函数的增益顶点z2；确定补偿区域和噪声压制区域；
步骤七，利用补偿函数，计算信号补偿后的频谱，并进行傅里叶反变换得到补偿后的时间域信号；所述补偿信号的频谱计算方法包括：
采用对频谱分区补偿的方式，具体补偿方式为：
Figure FDA0003396772790000011
其中，A表示振幅增益倍数，自变量z是角频率ω的转换变量：其中a，b，c是二次函数的系数；
Figure FDA0003396772790000012
Figure FDA0003396772790000013
Figure FDA0003396772790000014
Figure FDA0003396772790000021
其中，Q是品质因子；τ是时间变量，τ’是用于积分的时间变量；
步骤八，重复步骤六至步骤七，直到得到所有信号处理结果。
2.一种如权利要求1所述基于深度学习频谱分割的动态自适应衰减补偿方法的基于深度学习频谱分割的动态自适应衰减补偿系统，其特征在于，所述基于深度学习频谱分割的动态自适应衰减补偿系统包括：
信息预处理模块，用于对靶区资料进行初步分析和预处理；
人工标签分类模块，随机从靶区资料中挑选若干道信号作为训练样本，并对频谱进行人工标签分类，选取频谱右侧第一个主峰值为分类标准；
神经网络训练模块，利用样本数据和标签进行神经网络训练；
重新训练模块，随机从靶区资料中选取若干道信号作为验证，按照标准进行标签分类；将训练好的神经网络用于验证道信号，验证神经网络分类的准确程度，若不满意，则重新进行训练；
分类交点获取模块，对待补偿信号，利用训练好的神经网络进行频谱分割，获得分割点ω2，计算补偿函数的增益顶点z2；
信号处理结果获取模块，利用补偿函数，计算信号补偿后的频谱，并进行傅里叶反变换得到补偿后的时间域信号；重复进行获得分类交点、傅里叶反变换处理，直到得到所有信号处理结果。
3.一种接收用户输入程序存储介质，所存储的计算机程序使电子设备执行权利要求1所述基于深度学习频谱分割的动态自适应衰减补偿方法，包括：
步骤1，对靶区资料进行初步分析和预处理；
步骤2，随机从靶区资料中挑选若干道信号作为训练样本，并对其频谱进行人工标签分类，选取频谱右侧第一个主峰值为分类标准；
步骤3，利用样本数据和标签进行神经网络训练；
步骤4，随机从靶区资料中选取若干道信号作为验证，按照步骤二中的标准进行标签分类；
步骤5，将训练好的神经网络用于验证道信号，验证神经网络分类的准确程度，若不满意，则重新进行训练；
步骤6，对待补偿信号，利用训练好的神经网络进行频谱分割，获得分割点ω2，计算补偿函数的增益顶点z2；
步骤7，利用补偿函数，计算信号补偿后的频谱，并进行傅里叶反变换得到补偿后的时间域信号；
步骤8，重复步骤6至步骤7，直到得到所有信号处理结果。
4.一种执行权利要求1所述基于深度学习频谱分割的动态自适应衰减补偿方法的信息处理终端，其特征在于，所述信息处理终端包括：
信息预处理模块，用于对靶区资料进行初步分析和预处理；
人工标签分类模块，随机从靶区资料中挑选若干道信号作为训练样本，并对频谱进行人工标签分类，选取频谱右侧第一个主峰值为分类标准；
神经网络训练模块，利用样本数据和标签进行神经网络训练；
重新训练模块，随机从靶区资料中选取若干道信号作为验证，按照标准进行标签分类；将训练好的神经网络用于验证道信号，验证神经网络分类的准确程度，若不满意，则重新进行训练；
分类交点获取模块，对待补偿信号，利用训练好的神经网络进行频谱分割，获得分割点ω2，计算补偿函数的增益顶点z2；
信号处理结果获取模块，利用补偿函数，计算信号补偿后的频谱，并进行傅里叶反变换得到补偿后的时间域信号；重复进行获得分类交点、傅里叶反变换处理，直到得到所有信号处理结果。
CN202010529252.9A 2020-06-11 2020-06-11 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 Expired - Fee Related CN111538087B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010529252.9A CN111538087B (zh) 2020-06-11 2020-06-11 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

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010529252.9A CN111538087B (zh) 2020-06-11 2020-06-11 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

Publications (2)

Publication Number Publication Date
CN111538087A CN111538087A (zh) 2020-08-14
CN111538087B true CN111538087B (zh) 2022-02-08

Family

ID=71976290

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010529252.9A Expired - Fee Related CN111538087B (zh) 2020-06-11 2020-06-11 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

Country Status (1)

Country Link
CN (1) CN111538087B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115291300B (zh) * 2022-09-28 2022-12-30 山东省鲁南地质工程勘察院(山东省地质矿产勘查开发局第二地质大队) 一种基于复杂地质条件下的三维勘探分析系统及评估方法

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
AU2002243981B2 (en) * 2001-02-13 2007-01-25 Exxonmobil Upstream Research Company Method for spectral balancing seismic data
CN106646616A (zh) * 2017-01-19 2017-05-10 中国石油大学(北京) 一种补偿地层吸收衰减的方法及装置
CN110462445A (zh) * 2017-02-09 2019-11-15 地质探索系统公司 地球物理深度学习

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US7869304B2 (en) * 2007-09-14 2011-01-11 Conocophillips Company Method and apparatus for pre-inversion noise attenuation of seismic data

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
AU2002243981B2 (en) * 2001-02-13 2007-01-25 Exxonmobil Upstream Research Company Method for spectral balancing seismic data
CN106646616A (zh) * 2017-01-19 2017-05-10 中国石油大学(北京) 一种补偿地层吸收衰减的方法及装置
CN110462445A (zh) * 2017-02-09 2019-11-15 地质探索系统公司 地球物理深度学习

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
Adaptive stabilization for Q-compensated reverse time migration;Yufeng Wang et al.;《GEOPHYSICS》;20180228;第83卷(第1期);第S15-S32页 *
基于GRNN振幅谱估计的井控提高地震分辨率技术;王姣等;《石油学报》;20150630;第36卷(第6期);第715-722页 *

Also Published As

Publication number Publication date
CN111538087A (zh) 2020-08-14

Similar Documents

Publication Publication Date Title
Shanmugavadivu et al. Particle swarm optimized multi-objective histogram equalization for image enhancement
CN111464465B (zh) 一种基于集成神经网络模型的信道估计方法
Wang et al. A region-growing permutation alignment approach in frequency-domain blind source separation of speech mixtures
US8594456B2 (en) Image denoising method
Shanmugavadivu et al. Particle swarm optimized bi-histogram equalization for contrast enhancement and brightness preservation of images
CN108768543B (zh) 多特征融合认知型水声通信空快时自适应处理算法
CN111885624B (zh) 一种基于深度学习的信号噪底估计方法
US8885965B2 (en) Image denoising method
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
EP3413310B1 (en) Acoustic meaningful signal detection in wind noise
CN112910812A (zh) 一种基于时空特征提取深度学习的调制模式识别方法
CN110808057A (zh) 一种基于约束朴素生成对抗网络的语音增强方法
CN114429151A (zh) 一种基于深度残差网络的大地电磁信号识别与重建方法及其系统
CN110751049B (zh) 一种面向信号采样梯度攻击的防御方法
CN112014801A (zh) 一种基于SPWVD和改进AlexNet的复合干扰识别方法
Sun et al. Denoising of transient electromagnetic data based on the minimum noise fraction-deep neural network
CN103903232A (zh) 在小波域利用进化规划进行图像去噪和增强的方法
EP2774147B1 (en) Audio signal noise attenuation
CN112751633B (zh) 一种基于多尺度窗口滑动的宽带频谱检测方法
CN110310658B (zh) 一种基于语音信号处理的语音分离办法
CN105956600A (zh) 复杂背景下基于椭圆拟合和svm的螺栓识别方法
CN110349142A (zh) 钢卷端面的缺陷样本生成方法、模型训练方法、系统及电子设备
Jariwala et al. Automatic modulation classification: a novel convolutional neural network based approach
Gomaa et al. Proposed approaches for cooperative cognitive radio
CN111308553B (zh) 一种基于深度神经网络的自适应异常振幅压制方法

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
CF01 Termination of patent right due to non-payment of annual fee

Granted publication date: 20220208