CN111580161A - 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 - Google Patents

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 Download PDF

Info

Publication number
CN111580161A
CN111580161A CN202010438321.5A CN202010438321A CN111580161A CN 111580161 A CN111580161 A CN 111580161A CN 202010438321 A CN202010438321 A CN 202010438321A CN 111580161 A CN111580161 A CN 111580161A
Authority
CN
China
Prior art keywords
neural network
seismic data
scale convolution
convolution self
coding neural
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
Application number
CN202010438321.5A
Other languages
English (en)
Inventor
陈伟
宋辉
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.)
Yangtze University
Original Assignee
Yangtze University
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 Yangtze University filed Critical Yangtze University
Priority to CN202010438321.5A priority Critical patent/CN111580161A/zh
Publication of CN111580161A publication Critical patent/CN111580161A/zh
Pending legal-status Critical Current

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. 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
    • 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

一种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，包括以下步骤：S1，地震数据预处理：对原始地震数据进行分块处理；S2，建立神经网络模型：搭建多尺度卷积自编码神经网络模型，用于地震随机噪音压制；S3，去噪：将步骤S1中预处理后的地震数据输送到步骤S2中的多尺度卷积自编码神经网络模型中，模型的输出数据为去噪地震数据。本发明所提供的方法可以不需要干净样本进行训练，直接从含噪数据恢复出干净信号。本发明所提供的方法可以显著的提高地震数据的质量，并且能够恢复出更多的细节信息，在清除噪音的同时几乎不损伤有用信号。

Description

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
技术领域
本发明属于随机噪音压制领域，具体涉及一种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。
背景技术
高质量的地震数据毫无疑问易于解释与分析，然而，地震数据经常被随机噪音污染，所以我们得到的地震数据往往信是低信噪比的。低信噪比的数据意味着地震数据质量很低，这不利于对后续的处理与解释。因此，在对地震数据进行解释之前，必须对图像质量进行改善，以得到更清晰更有用的信号。
在过去的几十年，大量的地震资料去噪方法已经提出。基于预测的去噪方法假定在相干信号是可预测的，而随机噪声是不可预测的，这样的方法包括在T-X预测滤波、F-X反褶积；基于变换的去噪方法利用信号与噪声在变换域内具有较好的分选性，传统的方法包括小波变换、曲波变换、拉东边换，由于他们建立在固定的变换基函数，没有办法自适应的应对更复杂结构的地震数据；而字典学习是一种基于数据驱动的算法，它通过使用可学习的字典代替传统的变换基函数，因此可以自适应的表示数据内容，然而，字典的更新将不享受效率；基于分解的方法将含噪的地震数据首先分解成不同的分量，然后选择主要代表有用信号的成分，属于这些基于分解的去噪方法的典型方法包括经验模式分解及其变体。
以上方法大部分都需要设置一个与噪声相关的参数，设置的不合理，就会削弱有效信号或噪音清除不干净。
发明内容
针对上述问题，本发明提供一种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。
为实现上述目的，本发明所采用的技术方案是：
一种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，包括以下步骤：
S1，地震数据预处理：对原始地震数据进行分块处理；
S2，建立神经网络模型：搭建多尺度卷积自编码神经网络模型，用于地震随机噪音压制；
所述多尺度卷积自编码神经网络模型的结构包括：
输入层：用于输入原始地震数据；
编码框架与解码框架：编码框架用于压缩输入，它由三层卷积层和池化层组成；解码框架用于重建输入，它由三层卷积层和上采样层组成；
输出层：用于输出去噪地震数据；
S3，去噪：将步骤S1中预处理后的地震数据输送到步骤S2中的多尺度卷积自编码神经网络模型中，模型的输出数据为去噪地震数据。
进一步的，编码框架的每个卷积层跟着一个非线性函数ReLU。
进一步的，在每一层卷积层组合使用不同尺寸的卷积核。
进一步的，所述多尺度卷积自编码神经网络模型中，损失函数为均方差损失函数：
Figure BDA0002503133440000021
J表示损失函数，W与b代表权重和偏置，y表示输入数据，
Figure BDA0002503133440000022
表示输出数据，P、P2表示概率。
本发明的有益效果如下：
其一，本发明所提供的方法可以不需要干净样本进行训练，直接从含噪数据恢复出干净信号。
其二，本发明所提供的方法可以显著的提高地震数据的质量，并且能够恢复出更多的细节信息，在清除噪音的同时几乎不损伤有用信号。
附图说明
图1为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的工作流程图。
图2为自编码器结构示意图。
图3为卷积自编码器结构示意图。
图4为不同尺寸的卷积核组合示意图。
图5为合成的地震数据示意图。
图6为合成地震数据去噪结果对比。
图7为平均振幅谱对比示意图。
图8为单道去噪结果对比示意图。
图9为实际地震数据。
图10为实际地震数据去噪结果对比。
具体实施方式
下面结合附图和具体实施例对本发明进行详细说明。本实施例以本发明技术方案为前提进行实施，给出了详细的实施方式和具体的操作过程，但本发明的保护范围不限于下述的实施例。
如图1所示，一种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，包括以下步骤：
S1，地震数据预处理：对原始地震数据进行分块处理；
S2，建立神经网络模型：搭建多尺度卷积自编码神经网络模型，用于地震随机噪音压制；
所述多尺度卷积自编码神经网络模型的结构包括：
输入层：用于输入原始地震数据；
编码框架与解码框架：编码框架用于压缩输入，它由三层卷积层和池化层组成；解码框架用于重建输入，它由三层卷积层和上采样层组成；
输出层：用于输出去噪地震数据；
S3，去噪：将步骤S1中预处理后的地震数据输送到步骤S2中的多尺度卷积自编码神经网络模型中，模型的输出数据为去噪地震数据。
自编码器是一种通过编解码的方式对无标签的输入数据进行重构的神经网络。自编码器通常包括两部分：由输入层和中间隐层节点组成的编码层和由中间隐层和输出层节点组成的解码层。一个典型的如图2所示。编码层输入节点的个数与解码层输出节点的个数相等，目标是通过训练使自编码器输出尽可能等于其输入。对于一组无标签的输入数据y，编码层将其转换成特征表达s的过程可以被表达为：
s＝f(W1y+b1)
其中f表示为非线性激活函数。特征表达s然后被解码层重构为类似于原始输入的
Figure BDA0002503133440000041
Figure BDA0002503133440000042
W1、W2表示权重，b1、b2表示偏置。
本发明所提出的卷积自编码神经网络结构如图3所示，它有两个对称的部分：编码框架与解码框架。编码框架由卷积层和池化层组成；解码框架由卷积层和上采样层组成；并且每个卷积层跟着一个非线性函数ReLU。
地震数据的特征是复杂的，具有多尺度特征，而单一尺寸的卷积核只能学习到特定尺度的特征，因此本发明设计了多尺度卷积模块。如图4所示，我们在每一层卷积层组合使用不同尺寸的卷积核，多尺度卷积模块就是将3*3、5*5与7*7的卷积核构成的网络并联起来，这既有效解决了卷积核大小的选择问题，又能够有效捕捉地震数据的复杂特征。
多尺度卷积自编码神经网络模型中，使用的损失函数为均方差损失函数：
Figure BDA0002503133440000051
J表示损失函数，W与b代表权重和偏置，y表示输入数据，
Figure BDA0002503133440000052
表示输出数据，P、P2表示概率。
实施例1
在对地震数据进行去噪之前，先对数据进行分块处理。在本实施例中，我们块的大小设置为48*48，取块间隔设置为4。为证明算法在随机噪音压制方面的有效性，我们首先使用该模型在一个合成的地震资料上做测试，并与传统的去噪方法(小波变换、f-x反褶积)作对比。
图5显示了合成的二维地震数据剖面。从图5可以看到，合成的地震数据包含由线性同相轴、曲线同相轴组成的连续构造与由线性间断同相轴、断层组成的不连续构造。含噪地震数据的信噪比为0.65dB，小波变换去噪结果的信噪比为8.48dB，f-x反褶积去噪结果的信噪比为9.76dB，而本发明的方法去噪结果的信噪比高达12.28dB。
不同方法的去噪结果如图6所示。从去噪结果来看，小波变换很难保留复杂构造的形态，如弯曲同相轴与线性间断同相轴。而f-x反褶积与本发明所提出的方法可以很成功的保存复杂构造形态。可以很明显的看出，小波变换与f-x预测反褶积会在不连续构造中增加虚假信息，这增加了识别不连续构造的难度。而本发明的方法很好地保留了不连续构造的间断性，因此能够有效的识别不连续构造。我们使用残差剖面来比较三种去噪方法的保真度。从残差剖面上很容易看出，小波变换与f-x反褶积在去除噪音的同时会削弱有效信号的成分，而使用本发明提出方法的残差剖面上，看不到能量泄露，因此我们的方法具有良好的保幅特性。从图7可以看出，本发明所提出方法去噪结果的平均振幅谱最接近干净地震数据的振幅谱，这说明我们的方法在去除大量噪音的同时不会损害内部频谱成分。图8显示了单道的去噪结果。可以看出本发明的去噪方法的振幅拟合度最好。
实施例2
我们在实际资料上测试算法的去噪能力。图9展示了实际资料剖面，它包括600个采样点与100道。从图9可以看出，它包括典型的地质结构：线性同相轴、弯曲同相轴、断层，可以看到有效信号被噪音所淹没，同相轴的连续性很差。图10展示了三种方法的去噪结果，由去噪结果可以看出，三种方法都使同相轴变得更连续，证明了三种方法都可以不同程度地压制随机噪音。小波变换去噪剖面很清晰，看不到残留的噪音，但是细节刻画的很差。f-x反褶积与本发明的去噪剖面都含有丰富的细节信息，但是在f-x反褶积去噪剖面上依然可以看到噪音的残留。从残差剖面来看，小波变换与f-x反褶积方法都看到了相干能量的泄露。从图10的(f)中可以看出，没有看不到明显的相干能量的泄露，表明本发明方法在清除噪音的同时几乎不损伤有用的信号。
本说明书未作详细描述的内容属于本领域专业技术人员公知的现有技术。

Claims (4)

1.一种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，其特征在于，包括以下步骤：
S1，地震数据预处理：对原始地震数据进行分块处理；
S2，建立神经网络模型：搭建多尺度卷积自编码神经网络模型，用于地震随机噪音压制；
所述多尺度卷积自编码神经网络模型的结构包括：
输入层：用于输入原始地震数据；
编码框架与解码框架：编码框架用于压缩输入，它由三层卷积层和池化层组成；解码框架用于重建输入，它由三层卷积层和上采样层组成；
输出层：用于输出去噪地震数据；
S3，去噪：将步骤S1中预处理后的地震数据输送到步骤S2中的多尺度卷积自编码神经网络模型中，模型的输出数据为去噪地震数据。
2.根据权利要求1所述的一种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，其特征在于：编码框架的每个卷积层跟着一个非线性函数ReLU。
3.根据权利要求1或2所述的一种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，其特征在于：在每一层卷积层组合使用不同尺寸的卷积核。
4.根据权利要求1所述的一种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，其特征在于：所述多尺度卷积自编码神经网络模型中，损失函数为均方差损失函数：
Figure FDA0002503133430000011
J表示损失函数，W与b代表权重和偏置，y表示输入数据，
Figure FDA0002503133430000012
表示输出数据，P、P2表示概率。
CN202010438321.5A 2020-05-21 2020-05-21 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 Pending CN111580161A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010438321.5A CN111580161A (zh) 2020-05-21 2020-05-21 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

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010438321.5A CN111580161A (zh) 2020-05-21 2020-05-21 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

Publications (1)

Publication Number Publication Date
CN111580161A true CN111580161A (zh) 2020-08-25

Family

ID=72116140

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010438321.5A Pending CN111580161A (zh) 2020-05-21 2020-05-21 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

Country Status (1)

Country Link
CN (1) CN111580161A (zh)

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112130200A (zh) * 2020-09-23 2020-12-25 电子科技大学 一种基于grad-CAM注意力引导的断层识别方法
CN112444841A (zh) * 2020-12-09 2021-03-05 同济大学 基于分尺度多输入卷积网络的含薄层岩性地震预测方法
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
CN112965113A (zh) * 2021-02-01 2021-06-15 冉曾令 一种地震数据信噪比提升方法

Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20170092265A1 (en) * 2015-09-24 2017-03-30 Google Inc. Multichannel raw-waveform neural networks
US20180240219A1 (en) * 2017-02-22 2018-08-23 Siemens Healthcare Gmbh Denoising medical images by learning sparse image representations with a deep unfolding approach
US20190096038A1 (en) * 2017-09-26 2019-03-28 Samsung Electronics Co., Ltd. Image denoising neural network architecture and method of training the same
US10291268B1 (en) * 2017-07-25 2019-05-14 United States Of America As Represented By Secretary Of The Navy Methods and systems for performing radio-frequency signal noise reduction in the absence of noise models
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
CN110020684A (zh) * 2019-04-08 2019-07-16 西南石油大学 一种基于残差卷积自编码网络的图像去噪方法
CN110045419A (zh) * 2019-05-21 2019-07-23 西南石油大学 一种感知器残差自编码网络地震资料去噪方法
CN110221346A (zh) * 2019-07-08 2019-09-10 西南石油大学 一种基于残差块全卷积神经网络的数据噪声压制方法
CN110806602A (zh) * 2018-08-06 2020-02-18 中国石油化工股份有限公司 基于深度学习的智能化地震数据随机噪声压制方法

Patent Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20170092265A1 (en) * 2015-09-24 2017-03-30 Google Inc. Multichannel raw-waveform neural networks
US20180240219A1 (en) * 2017-02-22 2018-08-23 Siemens Healthcare Gmbh Denoising medical images by learning sparse image representations with a deep unfolding approach
US10291268B1 (en) * 2017-07-25 2019-05-14 United States Of America As Represented By Secretary Of The Navy Methods and systems for performing radio-frequency signal noise reduction in the absence of noise models
US20190096038A1 (en) * 2017-09-26 2019-03-28 Samsung Electronics Co., Ltd. Image denoising neural network architecture and method of training the same
CN110806602A (zh) * 2018-08-06 2020-02-18 中国石油化工股份有限公司 基于深度学习的智能化地震数据随机噪声压制方法
CN110020684A (zh) * 2019-04-08 2019-07-16 西南石油大学 一种基于残差卷积自编码网络的图像去噪方法
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
CN110045419A (zh) * 2019-05-21 2019-07-23 西南石油大学 一种感知器残差自编码网络地震资料去噪方法
CN110221346A (zh) * 2019-07-08 2019-09-10 西南石油大学 一种基于残差块全卷积神经网络的数据噪声压制方法

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
冯嘉良等: "基于多尺度空洞卷积自编码神经网络的森林烟火监测", 《计算机与数字工程》 *
常友成: "基于自动编码器的视觉SLAM闭环检测方法研究", 《中国知网》 *
韩卫雪等: "基于深度学习卷积神经网络的地震数据随机噪声去除", 《石油物探》 *

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112130200A (zh) * 2020-09-23 2020-12-25 电子科技大学 一种基于grad-CAM注意力引导的断层识别方法
CN112130200B (zh) * 2020-09-23 2021-07-20 电子科技大学 一种基于grad-CAM注意力引导的断层识别方法
CN112444841A (zh) * 2020-12-09 2021-03-05 同济大学 基于分尺度多输入卷积网络的含薄层岩性地震预测方法
CN112965113A (zh) * 2021-02-01 2021-06-15 冉曾令 一种地震数据信噪比提升方法
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
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

Similar Documents

Publication Publication Date Title
CN111580161A (zh) 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
Qiu et al. Deep learning prior model for unsupervised seismic data random noise attenuation
CN110806602B (zh) 基于深度学习的智能化地震数据随机噪声压制方法
CN111723701B (zh) 一种水中目标识别方法
CN113156513B (zh) 一种基于注意力引导的卷积神经网络地震信号去噪方法
Meng et al. Self-supervised learning for seismic data reconstruction and denoising
CN111458745B (zh) 一种面向预警的地震信号稀疏去噪方法
CN113723171B (zh) 基于残差生成对抗网络的脑电信号去噪方法
CN110490816B (zh) 一种水下异构信息数据降噪方法
CN115877461A (zh) 一种基于多尺度注意力交互网络的沙漠地震噪声抑制方法
CN112598593A (zh) 基于非均衡深度期望块对数似然网络的地震噪声压制方法
CN109212608B (zh) 基于3D shearlet变换的井中微地震信号去噪方法
Fang et al. Seismic random noise suppression model based on downsampling and superresolution
CN109558857B (zh) 一种混沌信号降噪方法
CN113484913B (zh) 一种多粒度特征融合卷积神经网络的地震资料去噪方法
CN111047537A (zh) 一种图像去噪中恢复细节的系统
CN116304559A (zh) 一种基于卷积自编码网络的微震信号降噪方法及系统
CN115828069A (zh) 一种基于深度学习的端到端磁异常信号降噪方法
CN110008633B (zh) 基于人工智能深度神经网络的公路噪音压制方法及系统
CN113567129A (zh) 一种列车轴承振动信号基于ceemd的降噪方法
CN113379641A (zh) 一种基于自编码卷积神经网络的单幅图像去雨方法及系统
CN109085649B (zh) 一种基于小波变换优化的地震资料去噪方法
Qiaoman et al. Application of adaptive median filter and wavelet transform to dongba manuscript images denoising
Jiang et al. Research on image denoising methods based on wavelet transform and rolling-ball algorithm
Jinhuan et al. Research on Application of Deep Learning Algorithm in Earthquake Noise Reduction

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
RJ01 Rejection of invention patent application after publication

Application publication date: 20200825

RJ01 Rejection of invention patent application after publication