CN112861721A - 一种自动提取背景噪声频散曲线的方法及装置 - Google Patents
一种自动提取背景噪声频散曲线的方法及装置 Download PDFInfo
- Publication number
- CN112861721A CN112861721A CN202110173564.5A CN202110173564A CN112861721A CN 112861721 A CN112861721 A CN 112861721A CN 202110173564 A CN202110173564 A CN 202110173564A CN 112861721 A CN112861721 A CN 112861721A
- Authority
- CN
- China
- Prior art keywords
- frequency dispersion
- dispersion
- spectrum
- background noise
- curve
- 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.)
- Granted
Links
- 239000006185 dispersion Substances 0.000 title claims abstract description 319
- 238000000034 method Methods 0.000 title claims abstract description 114
- 238000001228 spectrum Methods 0.000 claims abstract description 77
- 238000004613 tight binding model Methods 0.000 claims abstract description 33
- 238000000605 extraction Methods 0.000 claims abstract description 30
- 230000009466 transformation Effects 0.000 claims abstract description 20
- 238000007781 pre-processing Methods 0.000 claims abstract description 18
- 230000006870 function Effects 0.000 claims description 34
- 238000012549 training Methods 0.000 claims description 23
- 238000004364 calculation method Methods 0.000 claims description 6
- 230000011218 segmentation Effects 0.000 claims description 6
- 238000011426 transformation method Methods 0.000 claims description 5
- 238000010183 spectrum analysis Methods 0.000 claims description 4
- 238000013461 design Methods 0.000 claims description 3
- 239000000284 extract Substances 0.000 abstract description 14
- 238000010586 diagram Methods 0.000 description 19
- 238000013508 migration Methods 0.000 description 9
- 230000005012 migration Effects 0.000 description 9
- 230000000694 effects Effects 0.000 description 6
- 230000006399 behavior Effects 0.000 description 4
- 238000004590 computer program Methods 0.000 description 4
- 238000003384 imaging method Methods 0.000 description 4
- 230000015572 biosynthetic process Effects 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- 238000005755 formation reaction Methods 0.000 description 2
- 238000002493 microarray Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 239000011435 rock Substances 0.000 description 2
- 230000001360 synchronised effect Effects 0.000 description 2
- 238000003325 tomography Methods 0.000 description 2
- 208000037170 Delayed Emergence from Anesthesia Diseases 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 239000003086 colorant Substances 0.000 description 1
- 238000005314 correlation function Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000002360 preparation method Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000013526 transfer learning Methods 0.000 description 1
- 230000001131 transforming effect Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/08—Feature extraction
-
- 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
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/02—Preprocessing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/12—Classification; Matching
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Biomedical Technology (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Signal Processing (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Geophysics And Detection Of Objects (AREA)
Abstract
本发明公开了一种自动提取背景噪声频散曲线的方法及装置，所述方法包括：获取地震台站记录的背景噪声数据，并对背景噪声数据进行预处理、互相关、叠加得到经验格林函数，再对经验格林函数进行矢量波数域变换得到频散谱；根据所述频散谱和Res‑Unet++网络模型，得到候选频散区域；根据梯度法和追逐法对所述候选频散区域的频散点进行提取和分类，得到目标频散曲线。本发明实施例能实现频散曲线的自动化提取，并且能够提取到极值法提取较差的高阶频散曲线，节省了研究人员的大量时间，提高了他们的工作效率。
Description
技术领域
本发明涉及地球物理学技术领域，尤其涉及的是一种自动提取背景噪声频散曲线的方法及装置。
背景技术
背景噪声在岩土工程中被称为微阵，是由很多被动源产生的随机波场。背景噪声互相关方法提供了一种有效测量相速度或群速度的方法，它的提出改善了面波层析成像的分辨率。因此，背景噪声成像技术得到了广泛的应用，其被广泛用于探测浅层构造和地壳岩石圈构造。背景噪声层析成像的重要步骤是从频散图中提取可靠、准确的频散曲线。现今提取频散曲线的方法主要为人工提取法和极值法。人工提取法得到的频散曲线虽然质量较高，但是存在耗时大，效率低的缺点。极值法虽然可以减少提取频散曲线的时间成本，但极值法仅能较好的提取基阶频散曲线，对于干扰较大的高阶频散曲线提取结果较差。
因此，现有技术还有待改进和发展。
发明内容
本发明要解决的技术问题在于，针对现有技术的上述缺陷，提供一种自动提取背景噪声频散曲线的方法，旨在解决现有技术中人工提取法得到的频散曲线虽然质量较高，但是存在耗时大，效率低的问题。
本发明解决问题所采用的技术方案如下：
第一方面，本发明实施例提供一种自动提取背景噪声频散曲线的方法，其中，所述方法包括：
获取地震台站记录的背景噪声数据，并对所述背景噪声数据进行预处理、互相关、叠加得到经验格林函数，再对所述经验格林函数进行矢量波数域变换得到频散谱；
根据所述频散谱和Res-Unet++网络模型，得到候选频散区域；
根据梯度法和追逐法对所述候选频散区域的频散点进行提取和分类，得到目标频散曲线。
在一种实现方式中，其中，所述对所述背景噪声数据进行预处理、互相关、叠加得到经验格林函数，再对所述经验格林函数进行矢量波数域变换得到频散谱包括：
根据互相关法构建经验格林函数，并将所述经验格林函数进行傅里叶变换提取，得到经验格林函数的傅里叶谱；
根据矢量波数域变换法，对所述经验格林函数的傅里叶谱进行变换，得到频散谱；其中，所述频散谱包含基阶面波频散曲线和高阶面波频散曲线。
在一种实现方式中，其中，所述经验格林函数生成方式为：
根据互相关法得到相关值C(r,t)；其中，所述C(r,t)的公式为：
其中，u1为空间位置x1台站的背景噪声的垂直分量记录；u2为空间位置x2台站的背景噪声的垂直分量纪录，t为时间，r为两个进行互相关的台站之间的距离；
将同一台站对不同时间段所有的所述相关值C(r,t)进行叠加，得到两台站间的经验格林函数。
在一种实现方式中，其中，所述矢量波数域变换法的计算公式为：
其中
为经验格林函数的傅里叶谱；J0(kr)是零阶第一类贝塞尔函数，θ为角度，r为两个进行互相关的台站之间的距离，k是波数，等于角频率除以相速度。
在一种实现方式中，其中，所述Res-Unet++网络模型的生成方式为：
获取人工提取的频散曲线和频散谱训练样本；
根据所述人工提取的频散曲线得到训练标签；
将所述频散谱训练样本和所述训练标签输入到建模网络模型进行训练，得到训练好的Res-Unet++网络模型。
在一种实现方式中，其中，所述根据所述频散谱和Res-Unet++网络模型，得到候选频散区域包括：
基于Res-Unet++网络模型，对所述频散谱进行频散区域分割，得到候选频散区域。
在一种实现方式中，其中，所述根据梯度法和追逐法对所述候选频散区域的频散点进行提取和分类，得到目标频散曲线包括：
根据梯度法提取所述候选频散区域的概率极值点；
根据追逐法，对所述概率极值点进行分阶，得到基阶面波频散点和高阶面波频散点；其中，所有所述基阶面波频散点和所述高阶面波频散点形成的点集组成目标频散曲线。
第二方面，本发明实施例还提供一种自动提取背景噪声频散曲线的装置，其中，所述装置包括：
频散谱获取单元，用于获取地震台站记录的背景噪声数据，并对所述背景噪声数据进行预处理、互相关、叠加得到经验格林函数，再对所述经验格林函数进行矢量波数域变换得到频散谱；
候选频散区域获取单元，用于根据所述频散谱和Res-Unet++网络模型，得到候选频散区域；
目标频散曲线获取单元，用于采用梯度法和追逐法对所述候选频散区域的频散点进行提取和分类，得到目标频散曲线。
第三方面，本发明实施例还提供一种智能终端，包括有存储器，以及一个或者一个以上的程序，其中一个或者一个以上程序存储于存储器中，且经配置以由一个或者一个以上处理器执行所述一个或者一个以上程序包含用于执行如上述任意一项所述的自动提取背景噪声频散曲线的方法。
第四方面，本发明实施例还提供一种非临时性计算机可读存储介质，当所述存储介质中的指令由电子设备的处理器执行时，使得电子设备能够执行如上述中任意一项所述的自动提取背景噪声频散曲线的方法。
本发明的有益效果：本发明实施例首先获取地震台站记录的背景噪声数据，并对所述背景噪声数据进行预处理、互相关、叠加得到经验格林函数，再对所述经验格林函数进行矢量波数域变换得到频散谱；然后根据所述频散谱和Res-Unet++网络模型，得到候选频散区域；最后根据梯度法和追逐法对所述候选频散区域的频散点进行提取和分类，得到目标频散曲线；可见，本发明实施例通过对所述背景噪声数据进行预处理、互相关、叠加得到经验格林函数，再对所述经验格林函数进行矢量波数域变换得到频散谱以及基于Res-Unet++网络模型的训练得到候选频散区域，最后提取候选频散区域得到目标频散曲线，实现频散曲线的自动化提取，并且能够提取到极值法提取较差的高阶频散曲线，节省了研究人员的大量时间，提高了他们的工作效率。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明中记载的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1为本发明实施例提供的自动提取背景噪声频散曲线的方法流程示意图
图2为本发明实施例提供的神经网络频散区域分割流程图
图3为本发明实施例提供的Res-Unet++网络结构示意图
图4为本发明实施例提供的Res-Unet++中的各步骤计算公式示意图
图5为本发明实施例提供的两种残差块示意图
图6为本发明实施例提供的从频散图中获取频散点的步骤图
图7为本发明实施例提供的极值法和Res-Unet++拾取点的对比图
图8为本发明实施例提供的Res-Unet++网络模型提取频散曲线的效果图
图9为本发明实施例提供的迁移Res-Unet++网络模型提取频散曲线的效果图
图10为本发明实施例提供的追逐法流程步骤示意图
图11为本发明实施例提供的自动提取背景噪声频散曲线的装置的原理框图。
图12为本发明实施例提供的智能终端的内部结构原理框图。
具体实施方式
本发明公开了自动提取背景噪声频散曲线的方法及装置，为使本发明的目的、技术方案及效果更加清楚、明确，以下参照附图并举实施例对本发明进一步详细说明。应当理解，此处所描述的具体实施例仅用以解释本发明，并不用于限定本发明。
本技术领域技术人员可以理解，除非特意声明，这里使用的单数形式“一”、“一个”、“所述”和“该”也可包括复数形式。应该进一步理解的是，本发明的说明书中使用的措辞“包括”是指存在所述特征、整数、步骤、操作、元件和/或组件，但是并不排除存在或添加一个或多个其他特征、整数、步骤、操作、元件、组件和/或它们的组。应该理解，当我们称元件被“连接”或“耦接”到另一元件时，它可以直接连接或耦接到其他元件，或者也可以存在中间元件。此外，这里使用的“连接”或“耦接”可以包括无线连接或无线耦接。这里使用的措辞“和/或”包括一个或更多个相关联的列出项的全部或任一单元和全部组合。
本技术领域技术人员可以理解，除非另外定义，这里使用的所有术语 (包括技术术语和科学术语)，具有与本发明所属领域中的普通技术人员的一般理解相同的意义。还应该理解的是，诸如通用字典中定义的那些术语，应该被理解为具有与现有技术的上下文中的意义一致的意义，并且除非像这里一样被特定定义，否则不会用理想化或过于正式的含义来解释。
由于现有技术中提取频散曲线的方法主要为人工提取法和极值法。人工提取法得到的频散曲线虽然质量较高，但是存在耗时大，效率低的缺点。极值法虽然可以减少提取频散曲线的时间成本，但极值法仅能较好的提取基阶频散曲线，对于干扰较大的高阶频散曲线提取结果较差的问题。
为了解决现有技术的问题，本实施例提供了一种自动提取背景噪声频散曲线的方法，通过本发明实施例中的方法可以节省了研究人员的大量时间，提高了他们的工作效率。具体实施时，首先获取地震台站记录的背景噪声数据，并对所述背景噪声数据进行预处理、互相关、叠加得到经验格林函数，再对所述经验格林函数进行矢量波数域变换得到频散谱，为后续获取候选频散区域做准备；然后根据所述频散谱和Res-Unet++网络模型，得到候选频散区域，为后续的提取和分类做准备；最后根据梯度法和追逐法对所述候选频散区域的频散点进行提取和分类，得到目标频散曲线。
举例说明
在背景噪声成像中，通常需要人为提取频散图中的频散曲线，然后根据提取所得的频散曲线进行下层速度结构的反演成像。传统获得频散曲线的方法是人为根据经验在频散图中分辨出频散区域并提取到频散点，这是一项耗时且繁琐的工作。并且，很多研究工作由于时间成本的限制无法进行。因此，需要一种基于深度学习的方法自动提取频散曲线。在本实施例中，首先获取地震台站记录的背景噪声数据，并对所述背景噪声数据进行预处理、互相关、叠加得到经验格林函数，再对所述经验格林函数进行矢量波数域变换得到频散谱；然后根据所述频散谱和Res-Unet++网络模型，得到候选频散区域；通过Res-Unet++网络对频散图进行频散区域提取得到频散概率图，依靠Res-Unet++自动提取方法，自动地批量处理频散图，从而自动提取到频散曲线；然后根据梯度法和追逐法对所述候选频散区域的频散点进行提取和分类，得到目标频散曲线，也即使用梯度法和追逐法进行频散点的提取和分阶。本发明实施例实现频散曲线的自动化提取，并且能够提取到极值法提取较差的高阶频散曲线，节省了研究人员的大量时间，提高了他们的工作效率。
示例性方法
本实施例提供一种自动提取背景噪声频散曲线的方法，该方法可以应用于地球物理学智能终端。具体如图1所示，所述方法包括：
步骤S100、获取地震台站记录的背景噪声数据，并对所述背景噪声数据进行预处理、互相关、叠加得到经验格林函数，再对所述经验格林函数进行矢量波数域变换得到频散谱；
具体地，由于背景噪声在岩土工程中被称为微阵，是由很多被动源产生的随机波场，因此，在探测浅层构造和地壳岩石圈时，先获取地震台站记录的背景噪声数据，现有技术是人为提取频散图中的频散曲线，然后对该频散曲线进行下层速度结构的反演成像，这种方法耗时且繁琐，本发明为了解决上述问题，采用自动提取背景噪声频散曲线的方法，以解决面波反演科研人员在人工提取频散曲线中的低效率问题。为了更好的提取背景噪声频散曲线，先要对所述背景噪声数据进行预处理、互相关、叠加得到经验格林函数，再对所述经验格林函数进行矢量波数域变换得到频散谱。
为了得到频散谱，所述对所述背景噪声数据进行预处理、互相关、叠加得到经验格林函数，再对所述经验格林函数进行矢量波数域变换得到频散谱包括如下步骤：根据互相关法构建经验格林函数，并将所述经验格林函数进行傅里叶变换，得到经验格林函数的傅里叶谱；根据矢量波数域变换法，对所述经验格林函数的傅里叶谱进行变换提取，得到频散谱；其中，所述频散谱包含基阶面波频散曲线和高阶面波频散曲线。
具体地，对所述背景噪声数据进行预处理后，根据互相关法得到相关值C(r,t)，然后将同一台站对不同时间段所有的所述相关值C(r,t)进行叠加，得到两台站间的经验格林函数，例如总长度为一个月，那么一个月30 天，我们每天的数据都可以做一个互相关得到一个C(r,t)，然后将同一台站对不同时间段所有的相关值的C(r,t)进行同相叠加得到这对台站提取的经验格林函数,实际中，台站一个月只有偶尔的几天会叠加进干扰，而台站接收的有用信号是固定不变的，故本发明申请通过将相关值C(r,t)进行叠加使得有用信号与干扰的比值提高，以便更容易提取到有用信号。其中，所述互相关法可以采用互相关函数的形式，表示的是两个时间序列之间的相关程度，即描述信号x(t),y(t)在任意两个不同时刻t1，t2的取值之间的相关程度。描述两个不同的信号之间的相关性时，这两个信号可以是随机信号，也可以是确知信号。相应的，所述经验格林函数生成方式为：
根据互相关法得到相关值C(r,t)；其中，所述C(r,t)的公式为：
其中，u1为空间位置x1台站的背景噪声的垂直分量记录；u2为空间位置x2台站的背景噪声的垂直分量纪录，t为时间，r为两个进行互相关的台站之间的距离；
将同一台站对不同时间段所有的所述相关值C(r,t)进行叠加，得到两台站间的经验格林函数。
构建完经验格林函数后，要将所述经验格林函数进行傅里叶变换，得到
然后根据矢量波数域变换法，对所述经验格林函数的傅里叶谱进行变换提取，得到频散谱；其中，所述频散谱包含基阶面波频散曲线和高阶面波频散曲线；相应的，所述矢量波数域变换法的计算公式为：
其中
为频域经验格林函数；J0(kr)是零阶第一类贝塞尔函数，θ为角度，r为两个进行互相关的台站之间的距离，k是波数，等于角频率除以相速度。
得到频散谱后，就可以执行如图1所示的步骤S200、根据所述频散谱和 Res-Unet++网络模型，得到候选频散区域；
具体地，由于基于Res-Unet++自动提取方法，可以自动地批量处理频散图，从而自动提取到频散曲线，故需要训练Res-Unet++网络模型，在这个Res-Unet++网络模型的基础上对频散谱进行处理，就可以得到候选频散区域。相应的，所述Res-Unet++网络模型的生成方式为：获取人工提取的频散曲线和频散谱训练样本；根据所述人工提取的频散曲线得到训练标签；将所述频散谱训练样本和所述训练标签输入到建模网络模型进行训练，得到训练好的Res-Unet++网络模型。
具体地，先获取人工提取的频散曲线，根据所述频散曲线得到训练标签，然后将所述频散谱训练样本输入到建模网络模型进行训练，可以得到建模网络模型的输出数据，计算输出数据与训练标签的误差，从而求得网络中权重与偏置的更新量。然后，对网络权重和偏置进行更新。直到达到预先设定的网络训练次数，则得到训练好的Res-Unet++网络模型。
为了得到候选频散区域，所述根据所述频散谱和Res-Unet++网络模型，得到候选频散区域包括如下步骤：
S201、基于Res-Unet++网络模型，对所述频散谱进行频散区域分割，得到候选频散区域。
具体地，如图2所示，将所述频散谱输入到Res-Unet++网络模型，得到Res-Unet++网络模型输出数据，实际中，如图3所示为Res-Unet++网络结构示意图，不同颜色的点线代表不同位置引出的特征跨层连接，跨层连接的作用是使网络更好训练，提高网络分割的精度；4个子输出的特征融合，将它们融合计算得到最终的频散概率图。如图4所示Res-Unet++中的各步骤计算公式示意图，如图5(a)所示为残差卷积块示意图，如图5(b)所示为标识块示意图,判断所述Res-Unet++网络模型输出数据是否适用于该工区数据，如果是，则在Res-Unet++网络模型中提取候选频散区域；如果否，则对Res-Unet++网络模型进行迁移学习再训练，得到迁移Res-Unet++网络模型，并在迁移Res-Unet++网络模型提取候选频散区域，举例说明，首先使用学习数据训练一个Res-Unet++网络模型，然后，对于一批新数据，如果Res-Unet++网络模型可以较好提取频散区域，那么我们使用Res-Unet++ 网络模型分割，得到候选频散区域。若Res-Unet++网络模型提取较差，那我们使用迁移学习对Res-Unet++网络模型进行微调，得到迁移Res-Unet++ 网络模型，然后再对新数据进行频散区域分割，得到候选频散区域。如图 6(b)所示频散概率图，频率值为0-1，其中值越大代表该区域为频散区域的概率越大。此外，图6(a)为频散图；图6(c)为概率极值点，图6(d)为分阶后的频散点；如图7所示为极值法和Res-Unet++提取点的对比，观察可以看出，基于Res-Unet++的提取方法可以较好的提取基阶和三个高阶频散曲线，而极值法虽然可以较好提取出基阶频散曲线，但提取高阶频散曲线效果较差。其中，图7(a)为频散谱；图7(b)为Res-Unet++提取频散点；图 7(c)为极值法提取频散点；图8为Res-Unet++网络模型提取频散曲线的效果图，图8(a)为Res-Unet++网络模型第一样本，图8(b)为Res-Unet++网络模型第二样本,图8(c)为Res-Unet++网络模型第三样本；可以观察到8(d) 为Res-Unet++网络模型第一样本提取到基阶和第一高阶、第二高阶频散曲线；对于8(e)为Res-Unet++网络模型第二样本提取到基阶和第一高阶、第二高阶频散曲线；对于8(f)为Res-Unet++网络模型第三样本提取到基阶和第一高阶、第二高阶频散曲线和第三高阶频散曲线。第一行为频散谱，第二行为对应的提取结果，从下到上依次为基阶频散曲线，第一高阶频散曲线，第二高阶频散曲线，第三高阶频散曲线。图9为迁移Res-Unet++网络模型提取频散曲线的效果图，图9(a)为迁移Res-Unet++网络模型第一样本，图9(b)为迁移Res-Unet++网络模型第二样本,图9(c)为迁移Res-Unet++ 网络模型第三样本；可以观察到9(d)为迁移Res-Unet++网络模型第一样本提取到基阶和第一高阶、第二高阶、第三高阶、第四高阶、第五高阶频散曲线；对于9(e)为迁移Res-Unet++网络模型第二样本提取到基阶和第一高阶、第二高阶、第三高阶、第四高阶频散曲线；对于9(f)为迁移Res-Unet++ 网络模型第三样本提取到基阶和第一高阶、第二高阶、第三高阶、第四高阶频散曲线。第一行为频散谱，第二行为对应的提取结果，从下到上依次为基阶频散曲线，第一高阶频散曲线，第二高阶频散曲线，第三高阶频散 曲线，第四高阶频散曲线和第五高阶频散曲线。
得到候选频散区域后，就可以执行如图1所示的步骤S300、根据梯度法和追逐法对所述候选频散区域的频散点进行提取和分类，得到目标频散曲线。
具体地，得到候选频散区域后，根据所述候选频散区域使用梯度法求得概率极值点。然后使用追逐法，对频散点进行分阶，同时去掉一些假频散区域的干扰，得到基阶面波频散点和高阶面波频散点，也即，分阶之后的基阶频散点、第一高阶频散点、第二高阶频散点和第三高阶频散点将所述基阶面波频散点和所述高阶面波频散点组成目标频散曲线。
为了得到目标频散曲线，所述根据梯度法和追逐法对所述候选频散区域的频散点进行提取和分类，得到目标频散曲线包括如下步骤：
S301、根据梯度法提取所述候选频散区域的概率极值点；
S302、根据追逐法，对所述概率极值点进行分阶，得到基阶面波频散点和高阶面波频散点；其中，所有所述基阶面波频散点和所述高阶面波频散点形成的点集组成目标频散曲线。
具体地，先根据梯度法提取所述候选频散区域的概率极值点；梯度法就是求得两点之间的差分代替梯度，然后根据梯度的变化寻找极大值点(即梯度先逐渐变大又逐渐变小，找那个变化瞬间的点)。其次找到极大值点后，还要根据该点在频散谱中的值大小判断是否需要。例如找到一个点x，我们事先给定一个阈值A，若x在频散谱中位置的值大于等于A，我们才保留该极值点，否则，忽略该极值点。然后根据追逐法，对所述概率极值点进行分阶，得到基阶面波频散点和高阶面波频散点；追逐法如图10所示。得到基阶面波频散点和高阶面波频散点后，所有所述基阶面波频散点和所述高阶面波频散点形成的点集组成目标频散曲线。
示例性设备
如图11中所示，本发明实施例提供一种自动提取背景噪声频散曲线的装置，该装置包括频散谱获取单元401，候选频散区域获取单元402，目标频散曲线获取单元403；其中：
频散谱获取单元401，用于获取地震台站记录的背景噪声数据，并对所述背景噪声数据进行预处理、互相关、叠加得到经验格林函数，再对所述经验格林函数进行矢量波数域变换得到频散谱；
候选频散区域获取单元402，用于根据所述频散谱和Res-Unet++网络模型，得到候选频散区域；
目标频散曲线获取单元403，用于采用梯度法和追逐法对所述候选频散区域的频散点进行提取和分类，得到目标频散曲线。
具体地，本发明实施例中的装置，通过频散谱获取单元401先获取地震台站记录的背景噪声数据，并对所述背景噪声数据进行预处理、互相关、叠加得到经验格林函数，再对所述经验格林函数进行矢量波数域变换得到频散谱；然后通过候选频散区域获取单元402根据所述频散谱和Res-Unet++ 网络模型，得到候选频散区域；最后通过目标频散曲线获取单元403采用梯度法和追逐法对所述候选频散区域的频散点进行提取和分类，得到目标频散曲线，实现频散曲线的自动化提取，并且能够提取到极值法提取较差的高阶频散曲线，节省了研究人员的大量时间，提高了他们的工作效率。
基于上述实施例，本发明还提供了一种智能终端，其原理框图可以如图12所示。该智能终端包括通过系统总线连接的处理器、存储器、网络接口、显示屏、温度传感器。其中，该智能终端的处理器用于提供计算和控制能力。该智能终端的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统和计算机程序。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该智能终端的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现一种自动提取背景噪声频散曲线的方法。该智能终端的显示屏可以是液晶显示屏或者电子墨水显示屏，该智能终端的温度传感器是预先在智能终端内部设置，用于检测内部设备的运行温度。
本领域技术人员可以理解，图12中的原理图，仅仅是与本发明方案相关的部分结构的框图，并不构成对本发明方案所应用于其上的智能终端的限定，具体的智能终端可以包括比图中所示更多或更少的部件，或者组合某些部件，或者具有不同的部件布置。
在一个实施例中，提供了一种智能终端，包括有存储器，以及一个或者一个以上的程序，其中一个或者一个以上程序存储于存储器中，且经配置以由一个或者一个以上处理器执行所述一个或者一个以上程序包含用于进行以下操作的指令：获取地震台站记录的背景噪声数据，并对所述背景噪声数据进行预处理、互相关、叠加得到经验格林函数，再对所述经验格林函数进行矢量波数域变换得到频散谱；
根据所述频散谱和Res-Unet++网络模型，得到候选频散区域；
根据梯度法和追逐法对所述候选频散区域的频散点进行提取和分类，得到目标频散曲线。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一非易失性计算机可读取存储介质中，该计算机程序在执行时，可包括如上述各方法的实施例的流程。其中，本发明所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用，均可包括非易失性和/或易失性存储器。非易失性存储器可包括只读存储器(ROM)、可编程ROM(PROM)、电可编程ROM(EPROM)、电可擦除可编程ROM(EEPROM)或闪存。易失性存储器可包括随机存取存储器(RAM)或者外部高速缓冲存储器。作为说明而非局限，RAM以多种形式可得，诸如静态RAM(SRAM)、动态 RAM(DRAM)、同步DRAM(SDRAM)、双数据率SDRAM(DDRSDRAM)、增强型SDRAM (ESDRAM)、同步链路(Synchlink)DRAM(SLDRAM)、存储器总线(Rambus) 直接RAM(RDRAM)、直接存储器总线动态RAM(DRDRAM)、以及存储器总线动态RAM(RDRAM)等。
综上所述，本发明公开了一种自动提取背景噪声频散曲线的方法及装置，所述方法包括：获取地震台站记录的背景噪声数据，并对所述背景噪声数据进行预处理、互相关、叠加得到经验格林函数，再对所述经验格林函数进行矢量波数域变换得到频散谱；根据所述频散谱和Res-Unet++网络模型，得到候选频散区域；根据梯度法和追逐法对所述候选频散区域的频散点进行提取和分类，得到目标频散曲线。本发明实施例通过对所述源频散数据进行数据预处理，以及基于Res-Unet++网络模型的训练得到候选频散区域，最后提取候选频散区域得到目标频散曲线，实现频散曲线的自动化提取，并且能够提取到极值法提取较差的高阶频散曲线，节省了研究人员的大量时间，提高了他们的工作效率。
应当理解的是，本发明公开了一种自动提取背景噪声频散曲线的方法，应当理解的是，本发明的应用不限于上述的举例，对本领域普通技术人员来说，可以根据上述说明加以改进或变换，所有这些改进和变换都应属于本发明所附权利要求的保护范围。
Claims (10)
1.一种自动提取背景噪声频散曲线的方法，其特征在于，所述方法包括：
获取地震台站记录的背景噪声数据，并对所述背景噪声数据进行预处理、互相关、叠加得到经验格林函数，再对所述经验格林函数进行矢量波数域变换得到频散谱；
根据所述频散谱和Res-Unet++网络模型，得到候选频散区域；
根据梯度法和追逐法对所述候选频散区域的频散点进行提取和分类，得到目标频散曲线。
2.根据权利要求1所述的自动提取背景噪声频散曲线的方法，其特征在于，所述对所述背景噪声数据进行预处理、互相关、叠加得到经验格林函数，再对所述经验格林函数进行矢量波数域变换得到频散谱包括：
根据互相关法构建经验格林函数，并将所述经验格林函数进行傅里叶变换，得到经验格林函数的傅里叶谱；
根据矢量波数域变换法，对所述经验格林函数的傅里叶谱进行变换提取，得到频散谱；其中，所述频散谱包含基阶面波频散曲线和高阶面波频散曲线。
3.根据权利要求2所述的自动提取背景噪声频散曲线的方法，其特征在于，所述经验格林函数生成方式为：
根据互相关法得到相关值C(r,t)；其中，所述C(r,t)的公式为：
其中，u1为空间位置x1台站的背景噪声的垂直分量记录；u2为空间位置x2台站的背景噪声的垂直分量纪录，t为时间，r为两个进行互相关的台站之间的距离；
将同一台站对不同时间段所有的所述相关值C(r,t)进行叠加，得到两台站间的经验格林函数。
4.根据权利要求2所述的自动提取背景噪声频散曲线的方法，其特征在于，所述矢量波数域变换法的计算公式为：
其中
为经验格林函数的傅里叶谱；J0(kr)是零阶第一类贝塞尔函数，θ为角度，r为两个进行互相关的台站之间的距离，k是波数，等于角频率除以相速度。
5.根据权利要求4所述的自动提取背景噪声频散曲线的方法，其特征在于，所述Res-Unet++网络模型的生成方式为：
获取人工提取的频散曲线和频散谱训练样本；
根据所述人工提取的频散曲线得到训练标签；
将所述频散谱训练样本和所述训练标签输入到建模网络模型进行训练，得到训练好的Res-Unet++网络模型。
6.根据权利要求5所述的自动提取背景噪声频散曲线的方法，其特征在于，所述根据所述频散谱和Res-Unet++网络模型，得到候选频散区域包括：
基于Res-Unet++网络模型，对所述频散谱进行频散区域分割，得到候选频散区域。
7.根据权利要求6所述的自动提取背景噪声频散曲线的方法，其特征在于，所述根据梯度法和追逐法对所述候选频散区域的频散点进行提取和分类，得到目标频散曲线包括：
根据梯度法提取所述候选频散区域的概率极值点；
根据追逐法，对所述概率极值点进行分阶，得到基阶面波频散点和高阶面波频散点；其中，所有所述基阶面波频散点和所述高阶面波频散点形成的点集组成目标频散曲线。
8.一种自动提取背景噪声频散曲线的装置，其特征在于，所述装置包括：
频散谱获取单元，用于获取地震台站记录的背景噪声数据，并对所述背景噪声数据进行预处理、互相关、叠加得到经验格林函数，再对所述经验格林函数进行矢量波数域变换得到频散谱；
候选频散区域获取单元，用于根据所述频散谱和Res-Unet++网络模型，得到候选频散区域；
目标频散曲线获取单元，用于采用梯度法和追逐法对所述候选频散区域的频散点进行提取和分类，得到目标频散曲线。
9.一种智能终端，其特征在于，包括有存储器，以及一个或者一个以上的程序，其中一个或者一个以上程序存储于存储器中，且经配置以由一个或者一个以上处理器执行所述一个或者一个以上程序包含用于执行如权利要求1-7中任意一项所述的方法。
10.一种非临时性计算机可读存储介质，其特征在于，当所述存储介质中的指令由电子设备的处理器执行时，使得电子设备能够执行如权利要求1-7中任意一项所述的方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110173564.5A CN112861721B (zh) | 2021-02-09 | 2021-02-09 | 一种自动提取背景噪声频散曲线的方法及装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110173564.5A CN112861721B (zh) | 2021-02-09 | 2021-02-09 | 一种自动提取背景噪声频散曲线的方法及装置 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN112861721A true CN112861721A (zh) | 2021-05-28 |
| CN112861721B CN112861721B (zh) | 2024-05-07 |
Family
ID=75989216
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110173564.5A Active CN112861721B (zh) | 2021-02-09 | 2021-02-09 | 一种自动提取背景噪声频散曲线的方法及装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112861721B (zh) |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113325467A (zh) * | 2021-06-08 | 2021-08-31 | 中煤科工集团西安研究院有限公司 | 一种基于槽波频散特征的微地震震源定位方法 |
| CN116400406A (zh) * | 2023-04-21 | 2023-07-07 | 中国地震局地球物理研究所 | 一种基于阵列的被动源多模式面波频散曲线提取方法 |
| CN116577829A (zh) * | 2023-05-15 | 2023-08-11 | 中国矿业大学(北京) | 一种基于背景噪音频散曲线自动化提取方法 |
Citations (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104678435A (zh) * | 2014-10-27 | 2015-06-03 | 李欣欣 | 一种提取Rayleigh面波频散曲线的方法 |
| CN106199711A (zh) * | 2016-06-29 | 2016-12-07 | 中国石油化工股份有限公司 | Co2驱油地震频散属性提取方法 |
| CN109923440A (zh) * | 2017-10-12 | 2019-06-21 | 南方科技大学 | 面波勘探方法及终端设备 |
| CN110058299A (zh) * | 2018-09-14 | 2019-07-26 | 南方科技大学 | 地震定位方法、装置及终端设备 |
| CN110974148A (zh) * | 2019-12-03 | 2020-04-10 | 温州医科大学 | 一种基于喷气式光学相干弹性成像技术测量在体人眼角膜弹性模量的方法 |
| CN111007565A (zh) * | 2019-12-24 | 2020-04-14 | 清华大学 | 三维频率域全声波成像方法及装置 |
| CN111045076A (zh) * | 2019-12-10 | 2020-04-21 | 核工业北京地质研究院 | 多模式瑞雷波频散曲线并行联合反演方法 |
| CN111164462A (zh) * | 2018-08-06 | 2020-05-15 | 南方科技大学 | 一种人工源面波勘探方法、面波勘探装置及终端设备 |
| CN111626355A (zh) * | 2020-05-27 | 2020-09-04 | 中油奥博(成都)科技有限公司 | 一种基于Unet++卷积神经网络的地震数据初至拾取方法 |
| CN111766625A (zh) * | 2020-07-06 | 2020-10-13 | 中国科学技术大学 | 一种基于深度学习的地震背景噪声频散曲线的提取方法 |
-
2021
- 2021-02-09 CN CN202110173564.5A patent/CN112861721B/zh active Active
Patent Citations (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104678435A (zh) * | 2014-10-27 | 2015-06-03 | 李欣欣 | 一种提取Rayleigh面波频散曲线的方法 |
| CN106199711A (zh) * | 2016-06-29 | 2016-12-07 | 中国石油化工股份有限公司 | Co2驱油地震频散属性提取方法 |
| CN109923440A (zh) * | 2017-10-12 | 2019-06-21 | 南方科技大学 | 面波勘探方法及终端设备 |
| CN111164462A (zh) * | 2018-08-06 | 2020-05-15 | 南方科技大学 | 一种人工源面波勘探方法、面波勘探装置及终端设备 |
| CN110058299A (zh) * | 2018-09-14 | 2019-07-26 | 南方科技大学 | 地震定位方法、装置及终端设备 |
| CN110974148A (zh) * | 2019-12-03 | 2020-04-10 | 温州医科大学 | 一种基于喷气式光学相干弹性成像技术测量在体人眼角膜弹性模量的方法 |
| CN111045076A (zh) * | 2019-12-10 | 2020-04-21 | 核工业北京地质研究院 | 多模式瑞雷波频散曲线并行联合反演方法 |
| CN111007565A (zh) * | 2019-12-24 | 2020-04-14 | 清华大学 | 三维频率域全声波成像方法及装置 |
| CN111626355A (zh) * | 2020-05-27 | 2020-09-04 | 中油奥博(成都)科技有限公司 | 一种基于Unet++卷积神经网络的地震数据初至拾取方法 |
| CN111766625A (zh) * | 2020-07-06 | 2020-10-13 | 中国科学技术大学 | 一种基于深度学习的地震背景噪声频散曲线的提取方法 |
Non-Patent Citations (2)
| Title |
|---|
| 罗仁泽: "一种基于 ＲＵｎｅｔ卷积神经网络的地震资料 随机噪声压制方法", 石 油 物 探, vol. 59, no. 1, pages 51 - 59 * |
| 陈小宏 等: "地震分频 AVO 方法研究现状与展望", 海 相 油 气 地 质, vol. 14, no. 4, pages 60 - 66 * |
Cited By (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113325467A (zh) * | 2021-06-08 | 2021-08-31 | 中煤科工集团西安研究院有限公司 | 一种基于槽波频散特征的微地震震源定位方法 |
| CN113325467B (zh) * | 2021-06-08 | 2023-10-24 | 中煤科工集团西安研究院有限公司 | 一种基于槽波频散特征的微地震震源定位方法 |
| CN116400406A (zh) * | 2023-04-21 | 2023-07-07 | 中国地震局地球物理研究所 | 一种基于阵列的被动源多模式面波频散曲线提取方法 |
| CN116400406B (zh) * | 2023-04-21 | 2023-12-19 | 中国地震局地球物理研究所 | 一种基于阵列的被动源多模式面波频散曲线提取方法 |
| CN116577829A (zh) * | 2023-05-15 | 2023-08-11 | 中国矿业大学(北京) | 一种基于背景噪音频散曲线自动化提取方法 |
| CN116577829B (zh) * | 2023-05-15 | 2024-06-04 | 中国矿业大学(北京) | 一种基于背景噪音频散曲线自动化提取方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN112861721B (zh) | 2024-05-07 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN112861721B (zh) | 一种自动提取背景噪声频散曲线的方法及装置 | |
| US20230252761A1 (en) | Method for classifying hyperspectral images on basis of adaptive multi-scale feature extraction model | |
| CN109409292B (zh) | 基于精细化特征优化提取的异源图像匹配方法 | |
| Dai et al. | Deep learning for extracting dispersion curves | |
| CN110929607A (zh) | 一种城市建筑物施工进度的遥感识别方法和系统 | |
| CN112990334A (zh) | 基于改进原型网络的小样本sar图像目标识别方法 | |
| CN110598636B (zh) | 一种基于特征迁移的舰船目标识别方法 | |
| CN108304770A (zh) | 一种基于时频分析算法结合深度学习理论的气液两相流流型的方法 | |
| CN113534240A (zh) | 微地震事件检测与定位方法及系统 | |
| Wang et al. | Seismic stratum segmentation using an encoder–decoder convolutional neural network | |
| CN114241307A (zh) | 基于自注意力网络的合成孔径雷达飞机目标识别方法 | |
| CN115019145A (zh) | 一种青藏高原公路路表沉降变形监测方法 | |
| CN114067205A (zh) | 一种轻量型的任意尺度双时相影像变化检测方法 | |
| CN113406695A (zh) | 基于层速度地震地质模型的地震反演方法及系统 | |
| Albora et al. | Residual separation of magnetic fields using a cellular neural network approach | |
| CN109034070A (zh) | 一种置换混叠图像盲分离方法及装置 | |
| CN112084941A (zh) | 一种基于遥感图像的目标检测与识别方法 | |
| CN116883594A (zh) | 融合卫星与浮标观测的海洋三维温度遥感超分重建方法 | |
| CN115345322B (zh) | 一种基于层级化元迁移的小样本雷达目标识别方法 | |
| Dhara et al. | Automatic extraction and analysis of lineament features using ASTER and Sentinel 1 SAR data | |
| CN109409375B (zh) | 一种基于轮廓结构学习模型的sar图像语义分割方法 | |
| Bunting et al. | An area based technique for image-to-image registration of multi-modal remote sensing data | |
| CN112819813A (zh) | 一种地下管线智能识别方法、装置及存储介质 | |
| Carmichael et al. | Integral curves from noisy diffusion MRI data with closed-form uncertainty estimates | |
| CN117077016B (zh) | 基于航空磁放数据的支持向量机超基性岩识别方法 |
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 |