CN111708087A - 一种基于DnCNN神经网络对地震数据噪声压制的方法 - Google Patents

一种基于DnCNN神经网络对地震数据噪声压制的方法 Download PDF

Info

Publication number
CN111708087A
CN111708087A CN202010659999.6A CN202010659999A CN111708087A CN 111708087 A CN111708087 A CN 111708087A CN 202010659999 A CN202010659999 A CN 202010659999A CN 111708087 A CN111708087 A CN 111708087A
Authority
CN
China
Prior art keywords
noise
seismic
data
seismic data
neural network
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
CN202010659999.6A
Other languages
English (en)
Inventor
张捷
王函
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.)
University of Science and Technology of China USTC
Original Assignee
University of Science and Technology of China USTC
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 University of Science and Technology of China USTC filed Critical University of Science and Technology of China USTC
Priority to CN202010659999.6A priority Critical patent/CN111708087A/zh
Publication of CN111708087A publication Critical patent/CN111708087A/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
    • 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
    • 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)
  • 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

本发明提供一种基于DnCNN神经网络对地震数据噪声压制的方法，包括：S1，将高信噪比的第一里氏震级地震信号M1缩小为第二里氏震级M2地震信号，得到近似无噪地震数据；S2，选取与无噪地震数据同一来源的噪声数据；S3，将无噪地震数据与噪声数据合并得到训练数据；S4，将训练数据与无噪地震数据组成样本对，输入DnCNN神经网络进行训练；S5，待训练完成后，使DnCNN神经网络压制地震信号的噪声。本发明提供的方法可以对天然地震数据资料中的噪声干扰进行压制，特别是解决对震级较小的地震数据的去噪问题，并且对与地震信号处于相同频带的噪声有很好的处理效果。

Description

一种基于DnCNN神经网络对地震数据噪声压制的方法
技术领域
本发明涉及地震信号处理技术领域，具体涉及一种基于去噪卷积神经网络(Denoise Convolutional Neural Network，DnCNN)神经网络对地震数据噪声压制的方法。
背景技术
由台站记录的天然地震信号不可避免地会受到各种来源的噪音和非地震信号的污染，这些来源包括：仪器噪音、电噪音、交通噪音等。特别是台站记录的小震级的地震数量多且更容易受到噪声的干扰，但小地震的探测和分析对许多地震学的研究都具有重要意义。在常规地震数据处理中，谱滤波(通常基于傅里叶变换)是抑制噪声的常用方法；然而，当噪声和地震信号在相同的频率范围内时，这种方法是无效的。此外，为滤波选择最优参数是不直观的，通常随时间变化，并可能强烈地改变波形形状，从而降低后续的分析工作。为了克服这些局限性，研究人员做了大量的工作来开发更有效的地震数据噪声抑制技术。
传统的地球物理去噪方法主要基于变换域，例如短时傅里叶变换(Short-timeFourier Transform，STFT)、小波变换、曲波变换等，且均需要首先估计数据的噪音水平，在去噪过程中，若噪音水平估计过高，则丢失过多的有效信息；估计过低则去噪效果不理想。然而，由于地震台站分布不均，对于野外采集的地震信号噪音分布也不均衡，在这种情况下，基于噪音水平估计去噪的传统方法准确度受到限制。另外，在实际情况中，地震台站记录的噪音的频带通常与信号频带相似，使用传统方法大多难以有效去除此类噪音。神经网络构建深度学习能够提取输入数据的特征，进行分类或处理，在图像处理领域，近年来已经取得突出的成果。
对于小地震信号的去噪问题，这里提出了一种不同的策略来提高信号的信噪比。利用深度学习中的残差学习网络DnCNN应用于时域去噪，以减小与信号重叠频带的噪声。深度学习是一种强大的机器学习技术，可以通过神经网络学习极其复杂的函数。深度学习已被证明是学习地震数据特征的有力工具。DnCNN方法不依赖于噪声水平估计，能够进行自适应降噪，不受信号和噪声频率范围的限制。
发明内容
(一)要解决的技术问题
针对上述问题，本发明提供了基于DnCNN神经网络对地震数据噪声压制的方法，用于至少部分解决对震级较小的地震数据进行去噪等技术问题。
(二)技术方案
本发明提供了一种基于DnCNN神经网络对地震数据噪声压制的方法，包括：S1，将高信噪比的第一里氏震级地震信号M1缩小为第二里氏震级M2地震信号，得到近似无噪地震数据；S2，选取与无噪地震数据同一来源的噪声数据；S3，将无噪地震数据与噪声数据合并得到训练数据；S4，将训练数据与无噪地震数据组成样本对，输入DnCNN神经网络进行训练；S5，待训练完成后，使DnCNN神经网络压制地震信号的噪声。
进一步地，得到无噪地震数据的具体方法为：将第一里氏震级地震信号M1的振幅乘以A转化为第二里氏震级M2地震信号，其中A＝10-(M1-M2)；
里氏震级的计算公式为：
Figure BDA0002576531700000021
其中A0是距震中100公里处接收到的0级地震的地震波的最大振幅，单位是μm；Amax是指地震在距震中100公里处接收到的地震波的最大振幅，单位是μm。
进一步地，S4具体包括，DnCNN神经网络的输入数据为处理过的小地震加噪数据y；而y＝x+v，其中x表示降过震级的有效信号，v表示噪声，使用残差学习训练一个残差映射R(yi；Θ)≈v，残差映射得到的结果是神经网络学习到的噪声，网络输出的地震资料有效信号为x’＝y-R(yi；Θ)；其中Θ为可训练的参数。
进一步地，S4具体还包括，将训练数据与无噪地震数据送入DnCNN神经网络进行训练，使用随机梯度下降优化损失函数，损失函数如下式所示：
Figure BDA0002576531700000031
其中(yi-xi)表示真实的地震数据与干净地震信号的残差即噪声，R(yi；Θ)神经网络训练得到的残差映射，以输出与噪声的L2范数为损失函数来训练网络。
进一步地，噪声数据的时间序列在无噪地震数据之前，且噪声数据的时间序列之内没有地震数据。
进一步地，噪声数据的时间序列在无噪地震数据之前，且噪声数据的时间序列与无噪地震数据的时间序列相邻。
进一步地，噪声数据的时间序列长度与无噪地震数据的时间序列的长度相等。
进一步地，高信噪比的第一里氏震级地震信号M1的时间序列包含整个地震事件；训练数据的时间序列包含整个地震事件。
进一步地，S5具体包括：将待测试的地震数据输入训练完成的神经网络得到噪声数据；用待测试的地震数据减去噪声数据得到去噪后的地震数据。
进一步地，待测试的地震数据的时间序列长度与训练数据的时间序列的长度相等。
(三)有益效果
本发明实施例提供的一种基于DnCNN神经网络对地震数据噪声压制的方法，通过将训练数据与无噪地震数据组成样本对，输入DnCNN神经网络进行训练，训练完成后的DnCNN神经网络可以有效地去除非地震信号，尤其是对震级较小的地震数据可以有效地去除非地震信号，提高预测精度，该噪声压制方法将DnCNN神经网络应用于时域去噪，减小了地震与信号重叠频带的噪声。
附图说明
图1A示意性示出了根据本发明实施例基于DnCNN神经网络对地震数据噪声压制的方法流程图；
图1B示意性示出了根据本发明实施例基于DnCNN神经网络对地震数据噪声压制的具体方法流程图；
图2为举例选定测试区域的地震和台站分布图；
图3示意性示出了根据本发明实施例基于DnCNN神经网络对地震数据噪声压制的训练样本对的构建方法流程图；
图4示意性示出了根据本发明实施例基于DnCNN神经网络对地震数据噪声压制的DnCNN神经网络结构图；
图5示意性示出了根据本发明实施例基于DnCNN神经网络对地震数据噪声压制的去噪实例的噪声压制前、后对比图；
图6为去噪前后数据信噪比直方图；
图7对信号与噪声同频带的数据进行去噪的测试的不同方法对比结果图；
图8为去噪后STA/LTA特征函数的改进测试结果图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚明白，以下结合具体实施例，并参照附图，对本发明进一步详细说明。
本发明的实施例提供了一种基于DnCNN神经网络对地震数据噪声压制的方法，请参见图1，包括：S1，将高信噪比的第一里氏震级地震信号M1缩小为第二里氏震级M2地震信号，得到近似无噪地震数据；S2，选取与无噪地震数据同一来源的噪声数据；S3，将无噪地震数据与噪声数据合并得到训练数据；S4，将训练数据与无噪地震数据组成样本对，输入DnCNN神经网络进行训练；S5，待训练完成后，使DnCNN神经网络压制地震信号的噪声。
构造DnCNN神经网络，初步选定一块台站数量多、分布广泛且采集得到的地震数据繁多、各个震级均有分布的区域，根据里氏震级关系将得到的信噪比较高的事件的地震记录从中、大震级缩小到较小震级，以此作为无噪数据；选取与S1中地震事件的同一台站所记录的噪声样本，并合成小震级的有噪地震数据作为训练数据，训练数据与S1中得到的无噪地震数据构造训练样本对；将S3得到的训练数据对送入DnCNN神经网络进行训练，待训练完成后，使DnCNN神经网络压制测试区域的地震信号的噪声。请参照图1，101筛选高信噪比大震级地震记录，102缩小震级，将高信噪比的第一里氏震级地震信号M1缩小为第二里氏震级M2地震信号，即相当于S1；103筛选噪声样本，选取与无噪地震数据同一来源的噪声数据，即相当于S2；104构造样本对，将训练数据与无噪地震数据组成样本对，即相当于S3；105训练网络，将训练数据与无噪地震数据组成样本对，输入DnCNN神经网络进行训练，即相当于S4；106训练完成，若训练未完成，则继续训练，若训练完成，107消除测试数据噪声，使DnCNN神经网络压制地震信号的噪声，即相当于S5。
在上述实施例的基础上，得到无噪地震数据的具体方法为：将第一里氏震级地震信号M1的振幅乘以A转化为第二里氏震级M2地震信号，其中A＝10-(M1-M2)；里氏震级的计算公式为：
Figure BDA0002576531700000051
其中A0是距震中100公里处接收到的0级地震的地震波的最大振幅，单位是μm；Amax是指地震在距震中100公里处接收到的地震波的最大振幅，单位是μm。
例如将信噪比较高的事件的地震记录从ML＝4.0缩小到ML＝2.0，按照公式A＝10-(M1-M2)计算，得到A＝10-(4-2)＝0.01，则将振幅乘以0.01转化为噪音几乎为0的ML＝2级地震信号，并将这个2级地震信号作为无噪地震数据。
在上述实施例的基础上，S4具体包括，DnCNN神经网络的输入数据为处理过的小地震加噪数据y；而y＝x+v，其中x表示降过震级的有效信号，v表示噪声，使用残差学习训练一个残差映射R(yi；Θ)≈v，该残差映射得到的结果是网络学习到的噪声，所以网络输出的地震资料有效信号为x’＝y-R(yi；Θ)；其中Θ为可训练的参数。
S2中的v应为与x为同一台站的，时间序列中发生在x之前且没有地震事件被台站记录的数据，可截取等时间长度与无噪数据x相加得到训练数据y，构造出训练样本对y-x。
DnCNN神经网络采用了残差学习和批归一化技术；残差学习在网络的结构层面解决了梯度在反向传播过程消失的现象；批归一化降低了内部协变量转移，保证了随着模型的训练，层与层之间在近似相同的输入分布下继续学习，加速了网络训练。
在上述实施例的基础上，S4具体还包括，将训练数据与无噪地震数据送入DnCNN神经网络进行训练，使用随机梯度下降优化损失函数，损失函数如下式所示：
Figure BDA0002576531700000061
其中(yi-xi)表示真实的地震数据与干净地震信号的残差即噪声，R(yi；Θ)神经网络训练得到的残差映射，以输出与噪声的L2范数为损失函数来训练网络。
以输出与噪声的L2范数为损失函数来训练网络，损失函数越小，则模型拟合越好，神经网络就越稳定。经多次迭代，使得损失函数达到一个相对较小的数值，则代表训练结束。待训练完成后，将训练好的DnCNN神经网络用于压制测试区域的地震信号的噪声。
在上述实施例的基础上，噪声数据的时间序列在无噪地震数据之前，且噪声数据的时间序列之内没有地震数据。
噪声数据的选取要与高信噪比的第一里氏震级地震信号数据为同一来源，例如都来自于同一台站。噪声数据的时间序列发生在高信噪比的第一里氏震级地震信号之前且噪声数据中没有地震事件被台站记录的数据，若有地震数据的混杂，会对后面的数据分析产生不利影响，非地震信号的存在会增加假阳性率，从而降低检测精度。
在上述实施例的基础上，噪声数据的时间序列在无噪地震数据之前，且噪声数据的时间序列与无噪地震数据的时间序列相邻。
噪声数据的时间序列发生在高信噪比的第一里氏震级地震信号之前且噪声数据的选取可正好在地震事件被台站记录的时间之前。
在上述实施例的基础上，噪声数据的时间序列长度与无噪地震数据的时间序列的长度相等。
噪声数据的选取可截取与无噪地震数据等时间长度的数据，并与无噪地震数据相加得到训练数据，训练数据与无噪地震数据构造出训练样本对。
在上述实施例的基础上，高信噪比的第一里氏震级地震信号M1的时间序列包含整个地震事件；训练数据的时间序列包含整个地震事件。
确保高信噪比的第一里氏震级地震信号M1的时间序列包含整个地震事件，同时噪声数据的时间序列之内没有地震数据，以尽可能地减小噪声数据与地震数据之间的相互影响。
在上述实施例的基础上，S5包括：将待测试的地震数据输入训练完成的神经网络得到噪声数据；用待测试的地震数据减去噪声数据得到去噪后的地震数据。
DnCNN神经网络输入为带噪声的信号，输出为学习的噪声，最后用输入减去输出得到去噪后的地震数据。
在上述实施例的基础上，待测试的地震数据的时间序列长度与训练数据的时间序列的长度相等。
待测试的地震数据与训练数据的尺寸保持一致，这样不仅可以加速训练，而且可以相互促进提升性能。
由此可见，本发明不依赖于噪声水平估计，能够进行自适应降噪，不受信号和噪声频率范围的限制，可以对天然地震数据资料中的噪声干扰进行压制，特别是解决对震级较小的地震数据的去噪问题，并且对与信号处于相同频带的噪声有很好的处理效果。此外，本发明方法适用GPU处理器，并具有良好的自适应性，有更快的噪声压制速度。
下面通过一个实际数据测试验证所述方法的有效性。
该实例采用对中国云南和四川地区的地震事件去噪，此地区已经安装了近200个永久地震监测站来监测地震，此地区台站数量多、分布广泛且采集得到的地震数据繁多、各个震级均有分布，图2展示了川滇地区的地震和台站分布图。其中蓝色三角形(请参见图2中虚线框外部的三角形)和红色三角形(请参见图2中虚线框内部的三角形)分别表示我们使用的四川和云南台站的位置。黑色的点代表地震事件的地点(ML≥4)。
我们首先筛选了震级大于4级的且信噪比较高的地震事件，以图3为例，这是一个450s的震级为ML＝4的三分量地震记录，我们要从中截取两部分数据，第一部截取150s到290s的数据(图3a中的实线方框部分)，若这140s的信号的信噪比非常高则将它按照里氏震级的规定，将振幅乘以0.01转化为噪音几乎为0的ML＝2级地震信号，并将这个2级地震信号作为信号样本(图3b)。第二部分截取10s到150s的数据(图3a中的虚线方框部分)，并将这140s的不存在地震事件数据作为噪音样本(图3c)。最后将信号样本(c)与噪声样本(b)的振幅相加得到训练数据，而无噪的信号样本(图3b)则作为标签数据，以此构成训练样本对。
上述里氏震级的计算公式：
Figure BDA0002576531700000081
其中A0是距震中100公里处接收到的0级地震的地震波的最大振幅，单位是μm；Amax是指地震在距震中100公里处接收到的地震波的最大振幅，单位是μm。
图4为我们构建的17层DnCNN结构，采用残差学习和批归一化处理，输入端是三分量(三分量地震信号指由宽频带地震仪接收得到的来自三个方向的地震数据(BHE、BHN、BHZ，分别指向东、北和地心方向))的含噪声的地震数据，经过17层的卷积神经网络训练，输出端是移除了干净信号的残差。这样一个端到端的可训练的CNN网络，采用的是残差学习策略，在网络的隐层隐式地移除干净信号，这样做的动机是，用残差学习刻画恒等映射或近似的恒等映射，效果要比直接学习干净信号要相对好。网络不改变每层的数据的尺寸，这样不仅可以加速训练，而且可以相互促进提升性能。网络共17层，第1层使用64个大小为3×3的滤波器进行卷积(Conv)并采用整流线性单元(ReLU)激活，进行非线性映射；第1层到第16层全部采用64个大小为3×3的滤波器卷积和采用整流线性单元(ReLU)激活并做批归一化处理(BN)；最后1层用1个3×3的滤波器重构输出，另外这17层的数据的尺寸均保持一致。最后用输入减去输出得到去噪后的三分量地震信号。在该网络中利用了BN层(BatchNormalization)的原因是，BN层与残差学习共同使用可以提高模型的性能，得到更优的去噪效果。
此网络计算损失曲线的损失函数为：：
Figure BDA0002576531700000091
其中Θ为可训练的参数，N表示训练样本对的总数目。
图5展示了两个新的未参与过训练的测试数据的结果，图(a)、(c)是带有噪音的信号，图(b)、(d)是去噪后的信号，可以看到去噪后的信号质量明显提高，一些低频噪音被有效的去除，还有一些几乎被强噪音淹没的信号显现出来，图(a)的信号有明显的低频噪音，而去噪后的信号中低频部分被有效去除；图(b)的噪音能量很强，几乎淹没了有效信号，而去噪后有效信号被很好的展现出来。我们统计去噪前、后100个信号的信噪比，统计结果如图6所示，去噪前这100个地震信号信噪比在0-5dB，去噪后的信号的信噪比提高到5-15dB，信噪比有大幅度的提升，这对信号的后续分析有着至关重要的作用。
针对信号与噪声处于相同频带的情况的测试，如图7(a)展示了7(b)的有效信号和噪声频谱，明显看到信号的频带与噪声的频谱相重叠，图7(c)为原始信号，图7(d)为带通滤波方法(2-15hz)的去噪结果，图7(e)为DnCNN方法的去噪结果。很明显的传统滤波方法对信号和噪声重叠的情况几乎没有起到去噪作用，但DnCNN方法可以有效降低噪声，并且可以对后续拾取震相等工作提供帮助。
噪声对检测小、弱事件的常用检测算法如STA/LTA(short-term average/long-term average)的性能有显著影响。此外，非地震信号的存在会增加假阳性率，从而降低检测精度。在图8中，我们给出了两个例子来说明深度去噪器如何改进STA/LTA特征函数。图8(a)给出了一个例子，噪声消除了地震波到达时的剧烈跳跃，使得地震无法检测到。卷积神经网络通过使去噪后的STA/LTA特征函数锐化，使该地震易于检测，提高了召回率。图8(b)是另一个脉冲非地震信号给STA/LTA特征函数带来尖峰的例子。这些峰值将被STA/LTA方法错误地检测为地震。卷积神经网络可以有效地去除这些非地震信号，提高预测精度。
以上所述的具体实施例，对本发明的目的、技术方案和有益效果进行了进一步详细说明，所应理解的是，以上所述仅为本发明的具体实施例而已，并不用于限制本发明，凡在本发明的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (10)

1.一种基于DnCNN神经网络对地震数据噪声压制的方法，其特征在于，包括：
S1，将高信噪比的第一里氏震级地震信号M1缩小为第二里氏震级M2地震信号，得到所述近似无噪地震数据；
S2，选取与所述无噪地震数据同一来源的噪声数据；
S3，将所述无噪地震数据与所述噪声数据合并得到训练数据；
S4，将所述训练数据与所述无噪地震数据组成样本对，输入DnCNN神经网络进行训练；
S5，待训练完成后，使DnCNN神经网络压制地震信号的噪声。
2.根据权利要求1所述的基于DnCNN神经网络对地震数据噪声压制的方法，其特征在于，得到所述无噪地震数据的具体方法为：将第一里氏震级地震信号M1的振幅乘以A转化为第二里氏震级M2地震信号，其中A＝10-(M1-M2)；
所述里氏震级的计算公式为：
Figure FDA0002576531690000011
其中A0是距震中100公里处接收到的0级地震的地震波的最大振幅，单位是μm；Amax是指地震在距震中100公里处接收到的地震波的最大振幅，单位是μm。
3.根据权利要求1所述的基于DnCNN神经网络对地震数据噪声压制的方法，其特征在于，所述S4具体包括，DnCNN神经网络的输入数据为处理过的小地震加噪数据y；而y＝x+v，其中x表示降过震级的有效信号，v表示噪声，使用残差学习训练一个残差映射R(yi；Θ)≈v，残差映射得到的结果是所述神经网络学习到的噪声，网络输出的地震资料有效信号为x’＝y-R(yi；Θ)；其中Θ为可训练的参数。
4.根据权利要求3所述的基于DnCNN神经网络对地震数据噪声压制的方法，其特征在于，所述S4具体包括，将所述训练数据与所述无噪地震数据送入DnCNN神经网络进行训练，使用随机梯度下降优化损失函数，损失函数如下式所示：
Figure FDA0002576531690000021
其中(yi-xi)表示真实的地震数据与干净地震信号的残差即噪声，R(yi；Θ)神经网络训练得到的残差映射，以输出与噪声的L2范数为损失函数来训练网络。
5.根据权利要求1所述的基于DnCNN神经网络对地震数据噪声压制的方法，其特征在于，所述噪声数据的时间序列在所述无噪地震数据之前，且所述噪声数据的时间序列之内没有地震数据。
6.根据权利要求5所述的基于DnCNN神经网络对地震数据噪声压制的方法，其特征在于，所述噪声数据的时间序列在所述无噪地震数据之前，且所述噪声数据的时间序列与所述无噪地震数据的时间序列相邻。
7.根据权利要求5所述的基于DnCNN神经网络对地震数据噪声压制的方法，其特征在于，所述噪声数据的时间序列长度与所述无噪地震数据的时间序列的长度相等。
8.根据权利要求1所述的基于DnCNN神经网络对地震数据噪声压制的方法，其特征在于，
所述高信噪比的第一里氏震级地震信号M1的时间序列包含整个地震事件；
所述训练数据的时间序列包含整个地震事件。
9.根据权利要求1所述的基于DnCNN神经网络对地震数据噪声压制的方法，其特征在于，所述S5包括：将待测试的地震数据输入训练完成的神经网络得到噪声数据；用待测试的地震数据减去噪声数据得到所述去噪后的地震数据。
10.根据权利要求9所述的基于DnCNN神经网络对地震数据噪声压制的方法，其特征在于，所述待测试的地震数据的时间序列长度与所述训练数据的时间序列的长度相等。
CN202010659999.6A 2020-07-09 2020-07-09 一种基于DnCNN神经网络对地震数据噪声压制的方法 Pending CN111708087A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010659999.6A CN111708087A (zh) 2020-07-09 2020-07-09 一种基于DnCNN神经网络对地震数据噪声压制的方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010659999.6A CN111708087A (zh) 2020-07-09 2020-07-09 一种基于DnCNN神经网络对地震数据噪声压制的方法

Publications (1)

Publication Number Publication Date
CN111708087A true CN111708087A (zh) 2020-09-25

Family

ID=72545536

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010659999.6A Pending CN111708087A (zh) 2020-07-09 2020-07-09 一种基于DnCNN神经网络对地震数据噪声压制的方法

Country Status (1)

Country Link
CN (1) CN111708087A (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112884134A (zh) * 2021-04-01 2021-06-01 山西云芯新一代信息技术研究院有限公司 面向地震震相识别的基于时域的卷积神经网络模型及应用
CN112998689A (zh) * 2021-02-08 2021-06-22 南京泓鼎感知技术有限责任公司 非接触式多人实时呼吸状况评估系统、设备和存储介质
CN114236610A (zh) * 2021-12-24 2022-03-25 西安交通大学 基于深度卷积网络先验的迭代地震资料解混方法及系统

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109031415A (zh) * 2018-06-20 2018-12-18 清华大学 一种基于深度卷积神经网络的可控震源数据振铃压制方法
CN109782339A (zh) * 2019-01-14 2019-05-21 西安交通大学 一种基于3D-DnCNN网络的叠后三维地震资料随机噪声压制方法
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
CN110058305A (zh) * 2019-05-24 2019-07-26 吉林大学 一种基于卷积神经网络的das地震数据降噪方法
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

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109031415A (zh) * 2018-06-20 2018-12-18 清华大学 一种基于深度卷积神经网络的可控震源数据振铃压制方法
CN109782339A (zh) * 2019-01-14 2019-05-21 西安交通大学 一种基于3D-DnCNN网络的叠后三维地震资料随机噪声压制方法
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
CN110058305A (zh) * 2019-05-24 2019-07-26 吉林大学 一种基于卷积神经网络的das地震数据降噪方法
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 (1)

* Cited by examiner, † Cited by third party
Title
DAWEI LIU等: "Random noise suppression in seismic data:what can deep learning do?", 《SEG INTERNATIONAL EXPOSITION AND 88TH ANNUAL MEETING》 *

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112998689A (zh) * 2021-02-08 2021-06-22 南京泓鼎感知技术有限责任公司 非接触式多人实时呼吸状况评估系统、设备和存储介质
CN112884134A (zh) * 2021-04-01 2021-06-01 山西云芯新一代信息技术研究院有限公司 面向地震震相识别的基于时域的卷积神经网络模型及应用
CN112884134B (zh) * 2021-04-01 2022-04-26 山西云芯新一代信息技术研究院有限公司 面向地震震相识别的基于时域的卷积神经网络模型及应用
CN114236610A (zh) * 2021-12-24 2022-03-25 西安交通大学 基于深度卷积网络先验的迭代地震资料解混方法及系统

Similar Documents

Publication Publication Date Title
CN111708087A (zh) 一种基于DnCNN神经网络对地震数据噪声压制的方法
US6950371B2 (en) Method for signal-to-noise ratio enhancement of seismic data using frequency dependent true relative amplitude noise attenuation
CN101598809A (zh) 一种自适应消除线性规则噪声以及多次波干扰的方法
CN102819043B (zh) 阵列信号随机噪声自适应模型去噪方法
US9581709B2 (en) Suppressing 4D-noise by weighted stacking of simultaneously acquired wave-fields
WO2008112036A1 (en) Imaging of multishot seismic data
Dong et al. Random and coherent noise suppression in DAS-VSP data by using a supervised deep learning method
CN110261910A (zh) 基于自适应稀疏s变换的地震数据面波去除方法
CN106707342B (zh) 共炮点道集多级面波压制方法和装置
CN113935467A (zh) 基于迭代多尺度注意力网络的das井中勘探数据噪声抑制方法
CN104849757A (zh) 消除地震信号中随机噪声系统及方法
CN107783191B (zh) 多维空间时空时频峰值滤波消减地震勘探随机噪声的方法
CN104635264B (zh) 叠前地震数据的处理方法及设备
CN111257931B (zh) 一种去除海洋地震勘探过船干扰噪音的方法
CN107255833B (zh) 地震叠加剖面的确定方法和装置
CN109212609A (zh) 基于波动方程延拓的近地表噪音压制方法
CN116184502A (zh) 一种基于子空间投影注意力网络的井中das噪声抑制方法
CN113156514B (zh) 基于主频波数域均值滤波的地震数据去噪方法及系统
CN115840249A (zh) 基于随机道矢量中值滤波及高分辨率Radon变换的黑三角噪音压制方法
CN105954799B (zh) 一种基于加权叠加的时频域地震资料处理方法
CN110596756B (zh) 基于自适应混合复扩散模型的沙漠地震勘探噪声压制方法
CN111352158B (zh) 地震信号增强方法及装置
Deng et al. STUDY OF LEAST SQUARES SUPPORT VECTOR
CN113093282A (zh) 一种基于几何模态特征并行网络的沙漠数据消噪方法
CN111562616A (zh) 地震数据散射噪音压制方法及装置

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