CN113484906B - 一种基于低频能谱数据驱动的高分辨率能量场重建方法 - Google Patents
一种基于低频能谱数据驱动的高分辨率能量场重建方法 Download PDFInfo
- Publication number
- CN113484906B CN113484906B CN202110724731.0A CN202110724731A CN113484906B CN 113484906 B CN113484906 B CN 113484906B CN 202110724731 A CN202110724731 A CN 202110724731A CN 113484906 B CN113484906 B CN 113484906B
- Authority
- CN
- China
- Prior art keywords
- frequency
- network
- signal
- low
- energy field
- 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
- 238000000034 method Methods 0.000 title claims abstract description 25
- 238000001228 spectrum Methods 0.000 title claims abstract description 20
- 238000012549 training Methods 0.000 claims abstract description 18
- 238000010586 diagram Methods 0.000 claims abstract description 14
- 238000007781 pre-processing Methods 0.000 claims abstract description 9
- 238000012360 testing method Methods 0.000 claims abstract description 8
- 238000011176 pooling Methods 0.000 claims description 11
- 238000003384 imaging method Methods 0.000 claims description 6
- 230000004913 activation Effects 0.000 claims description 3
- 239000011159 matrix material Substances 0.000 claims description 2
- 230000003595 spectral effect Effects 0.000 claims 2
- 230000008901 benefit Effects 0.000 abstract description 5
- 238000013507 mapping Methods 0.000 abstract description 4
- 230000008569 process Effects 0.000 abstract description 2
- 239000013589 supplement Substances 0.000 abstract description 2
- 238000004880 explosion Methods 0.000 description 4
- 230000004807 localization Effects 0.000 description 3
- 239000002689 soil Substances 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000002123 temporal effect Effects 0.000 description 2
- 230000002238 attenuated effect Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000005422 blasting Methods 0.000 description 1
- 239000003245 coal Substances 0.000 description 1
- 238000000354 decomposition reaction Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 239000006185 dispersion Substances 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000005065 mining Methods 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 239000003208 petroleum Substances 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000035939 shock Effects 0.000 description 1
- 230000001131 transforming effect Effects 0.000 description 1
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
- G01V1/282—Application of seismic models, synthetic seismograms
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01V—GEOPHYSICS; GRAVITATIONAL MEASUREMENTS; DETECTING MASSES OR OBJECTS; TAGS
- G01V2210/00—Details of seismic processing or analysis
- G01V2210/60—Analysis
- G01V2210/65—Source localisation, e.g. faults, hypocenters or reservoirs
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
本发明涉及一种基于低频能谱数据驱动的高分辨率能量场重建方法,通过设置在地表的等间距震动传感器阵列采集震源产生的震动信号;通过信号预处理模块对震动信号中的地噪声进行预处理并剔除传感器阵列中的无效数据;获取所有传感器的共有主频范围及不同频段的波形;获取多谱能量场序列图;设计生成对抗网络模型;网络模型训练稳定后保存下来,进行测试时,输入一个信号,生成网络模型将输出一个比其频率更高的信号。本发明建立低频信号到高频信号的非线性映射模型,补充了高频细节信息,提高了聚焦点分辨率;利用生成对抗网络优势,在生成对抗过程完成非线性映射模型的训练,能够更精确地估计丢失的高频信号,提高能量场聚焦程度。
Description
技术领域
本发明属于属于爆破震动测试技术、无源定位技术领域,具体涉及一种基于低频能谱数据驱动的高分辨率能量场重建方法。
背景技术
地下浅层分布式震源定位技术是在地下震源近场监测区域内,将大量传感器节点埋设在地下不同深度,通过自组织和多跳方式构成无线网络,协作地感知、监测、采集、处理以及传输震源产生的震动信号,并通过分析各个节点收集到的震动信息的特征,实现震源的定位。
与深层地震、煤矿深层开采、石油勘探等大区域、大深度、长时间震源定位相比较,本发明涉及的浅层震源定位具有以下特点:(1)浅层定位时传感器数量少,布设方式随机,不同于天然地震定位时高密度布设方式;(2)地下震源深度较浅,一般不超过100m,浅层地质结构复杂且未知,无法借鉴深层地壳结构模型建立浅层速度场模型;(3)震动波波群混叠复杂,爆炸近场土壤本构特性呈弹塑性,弹性波受地面反射、折射影响较大,震相特征不明显。因此,常规的天然地震定位方法不适用于浅层震源定位。
随着地震勘探学和计算成像理论的不断发展,基于能量场成像的定位技术成为地下震源定位领域研究的热点。它不依赖于震相特征参数的提取精度,通过扫描地下能量场聚焦点的位置,最终实现震源定位。它是解决浅层空间震源定位问题的最优方法之一。利用该方法进行震源定位时,能量场聚焦点重建精度是实现高精度震源定位的关键。然而,在浅层定位时,能量场聚焦点重建存在如下问题:
1、能量场高频细节成分丢失,能量聚焦点分辨率较低;
按照爆炸波动理论和干涉成像理论,信号频率成分越高,能量场重建图像细节越精细。地下爆炸产生的震动波是一种宽频带、多谱能的信号。然而土壤介质的物理特性近似低通滤波器,随着震动波在土壤介质的传播,高频成分逐渐衰减,最终导致能量场聚焦点重建精度不高,定位精度低。
2、能量场聚焦模糊,存在定位假象(多个聚焦点)。
地下浅层爆炸与深层相比,存在波形复杂、多频率波形混叠与频散严重等特点,因此采用现有全波形信息或者横纵波进行能量场成像时,存在能量场聚焦模糊和聚焦假象。
发明内容
本发明提供一种基于低频能谱数据驱动的高分辨率能量场重建方法,解决现有技术的缺陷。
为了解决以上技术问题,本发明提供了一种基于低频能谱数据驱动的高分辨率能量场重建方法,其特征在于,包括以下步骤:
S1、通过设置在地表的等间距震动传感器阵列采集震源产生的震动信号;
S2、通过信号预处理模块对震动信号中的地噪声进行预处理并剔除传感器阵列中的无效数据;
S3、获取所有传感器的共有主频范围及不同频段的波形;
S4、获取多谱能量场序列图;
S5、设计生成对抗网络模型;
S6、测试:网络模型训练稳定后保存下来,进行测试时,输入一个信号,生成网络模型将输出一个比其频率更高的信号。
有益效果:
1、本发明将低频信号重建的三维能量场作为输入,高频信号的重建的三维能量场作为输出,建立低频信号到高频信号的非线性映射模型,与传统的方法相比,补充了高频细节信息,提高了聚焦点分辨率;
2、该发明利用生成对抗网络优势,在生成对抗过程完成非线性映射模型的训练,与传统的方法相比,能够更精确地估计丢失的高频信号,提高能量场聚焦程度。
附图说明
图1生成对抗网络模型
图2生成网络结构示意图
图3判别网络结构示意图
具体实施方式
为使本发明的目的、内容和优点更加清楚,下面对本发明的具体实施方式作进一步详细描述。
本发明提出的一种基于低频能谱数据驱动的高分辨率能量场重建方法,其特征在于,包括以下步骤:
S1、通过设置在地表的等间距震动传感器阵列采集震源产生的震动信号;
S2、通过信号预处理模块对震动信号中的地噪声进行预处理并剔除传感器阵列中的无效数据;
S3、获取所有传感器的共有主频范围及不同频段的波形;
对每个传感器节点数据进行FFT变换,得到其功率谱,在功率谱中,以谱峰值的倍获取该传感器节点对应的主频段范围,将i作为传感器的编号。
分析获取所有传感器的共有主频范围,将其等分为32份,分别通过窄带滤波器,得到对应的频段波形;
S4、获取多谱能量场序列图;
分别进行干涉成像得到32组多谱能量场序列图;
S5、设计生成对抗网络模型
本发明设计的网络结构如图1所示。该网络由生成网络、判别网络、全局空间池化层、全连接层、二分类层组成。
首先,将多谱能量场序列图中的低频信号输入至生成网络中,通过三维卷积和三维反卷积,生成伪高频信号,同时与真高频信号一起输入到判别网络。通过判别网络提取有效的时空特征图,并通过全局空间池化层对时空特征图压缩,压缩后的特征输入到全连接层和二分类层,判别该高频信号是否真假。具体如下:
S5.1:数据预处理
对多谱能量场序列图中的每一个低频信号,进行线性插值,使得变成的尺寸为64×128×128×3(时间长度*空间长度*空间宽度*通道数)。
S5.2利用生成网络把低频信号生成伪高频信号:
该生成网络为改进的3D-Unet网络。其由5个三维卷积层和5个三维反卷积层依次设置组成,所有层均采用R(2+1)D块,结构表示为(1×d×d+t×1×1),d表示空间大小,t表示时间长度。改进的3D-Unet网络结构如下图2所示。(注:图中的数字表示各特征图的通道数)
5个三维卷积层用于提取深度时空特征,5个三维反卷积层用于将提取的深度时空特征进行重建,得到与低频信号尺寸一致的伪高频信号。
输入的低频信号大小为64×128×128×3。低频信号先通过5个三维卷积层:低频信号经过第一层三维卷积(1×4×4+4×1×1),生成32×64×64×32的特征图,将第一层三维卷积的输出输入到第二层三维卷积(1×4×4+4×1×1),得到16×32×32×64的特征图,该特征图再输入到第三层三维卷积(1×4×4+4×1×1),得到8×16×16×128的特征图,并输入到第四层三维卷积(1×4×4+4×1×1),得到4×8×8×256的特征图,将第四层三维卷积的输出输入到第五层三维卷积(1×4×4+4×1×1),得到2×4×4×512的特征图;接下来连接5个三维反卷积层:2×4×4×512的特征图,首先经过第一层三维反卷积(1×4×4+4×1×1),生成4×8×8×256的特征图,将第一层三维反卷积的输出输入到第二层三维反卷积(1×4×4+4×1×1),得到8×16×16×128的特征图,该特征图再输入到第三层三维反卷积(1×4×4+4×1×1),得到16×32×32×64的特征图,并输入到第四层三维反卷积(1×4×4+4×1×1),得到32×64×64×32的特征图,将第四层的三维反卷积输出输入到第五层三维反卷积(1×4×4+4×1×1),得到64×128×128×3的伪高频信号。最终生成的伪高频信号与低频信号的大小一致。如下表1所示。(注:所以操作中步长均设置为2,Padding均为1)。
表1生成网络结构
层名 | 输出大小 | 操作 |
三维卷积层(1) | 32×64×64×32 | 1×4×4+4×1×1卷积 |
三维卷积层(2) | 16×32×32×64 | 1×4×4+4×1×1卷积 |
三维卷积层(3) | 8×16×16×128 | 1×4×4+4×1×1卷积 |
三维卷积层(4) | 4×8×8×256 | 1×4×4+4×1×1卷积 |
三维卷积层(5) | 2×4×4×512 | 1×4×4+4×1×1卷积 |
三维反卷积层(1) | 4×8×8×256 | 1×4×4+4×1×1反卷积 |
三维反卷积层(2) | 8×16×16×128 | 1×4×4+4×1×1反卷积 |
三维反卷积层(3) | 16×32×32×64 | 1×4×4+4×1×1反卷积 |
三维反卷积层(4) | 32×64×64×32 | 1×4×4+4×1×1反卷积 |
三维反卷积层(5) | 64×128×128×3 | 1×4×4+4×1×1反卷积 |
“(2+1)D”卷积块,它明确地将3D卷积分解为一个2D空间卷积和一个1D时间卷积。与全三维卷积相比,(2+1)D分解有两个优点。首先,尽管没有改变参数的数量,但是由于每个块中的二维和一维卷积之间的额外激活函数ReLU,它使网络中的非线性数量加倍。增加非线性数量会增加可表示函数的复杂性,通过应用多个较小的滤波器(在两者之间具有附加非线性)来近似大滤波器的效果。第二个好处是,迫使三维卷积分离空间和时间成分,使优化更容易。这表明,与相同容量的三维卷积网络相比,训练误差较低。
S5.3判别网络
把S5.2生成的伪高频信号跟传感器生成的真高频信号输入到判别网络中,所述真高频信号为:与生成该伪高频信号的低频信号相邻的高频信号;
提取有效的时空特征图,然后辨别输入的高频信号是否真假。判别网络中引入注意力机制,下图3为判别网络的结构示意图,其包括两个分支,主分支和软掩码分支。卷积层1的卷积核大小为7×7×7,个数为32,Padding为0;池化层的池化窗口大小为2×2×2。输入的高频信号大小为64×128×128×3,经过卷积层1和池化层以后,输出的特征图大小为14×30×30×32。
主分支包括3个三维卷积层,三维卷积2,三维卷积3以及三维卷积4的卷积核尺寸均为3×3×3,个数分别为128,64,32。三个卷积操作均采用同卷积,即输入和输出的大小相同。上述特征图经过3个卷积层,输出的三维特征图大小为14×30×30×32,记为T。
软掩码分支中,先经过下采样和上采样,然后在两个连续的1×1×1卷积层之后,sigmoid激活层将输出标准化为[0,1],其尺寸为14×30×30×32,记为M。
模型结构的输出H表示为:
Hi,c(x)=(1+Mi,c(x))*Ti,c(x)
i和c分别是特征图的长度和宽度,则模型结构的输出H大小为14×30×30×32。
S5.4全局空间池化
判别网络的输出为14×30×30×32,通过空间的全局池化(GAP),生成了一个14×32的权重矩阵,并展开以全连接的方式将这个GAP层连接到二分类层,输出真假。
S5.5网络训练
首先训练判别网络,样本主要为伪高频信号和真高频信号。伪高频信号的标签设为0,真高频信号的标签设为1。通过训练判别网络,尽可能地区分真假高频信号。训练好判别网络后,固定判别网络模型,开始训练生成网络。通过不断训练,使生成网络的输出逼近于真高频信号,并且利用判别网络判断生成高频信号的逼真度。总共20000个训练样本,每次取32个样本送到网络里,进行训练,每轮迭代625次。总共训练了400轮,每10轮,网络训练交替一次。
S6、测试:网络模型训练稳定后保存下来,进行测试时,输入一个低频信号,生成网络模型输出一个高频信号;输入一个高频信号,生成网络模型输出一个更高频信号。
以上所述仅是本发明的优选实施方式,应当指出,对于本技术领域的普通技术人员来说,在不脱离本发明技术原理的前提下,还可以做出若干改进和变形,这些改进和变形也应视为本发明的保护范围。
Claims (8)
1.一种基于低频能谱数据驱动的高分辨率能量场重建方法,其特征在于,包括以下步骤:
S1、通过设置在地表的等间距震动传感器阵列采集震源产生的震动信号;
S2、通过信号预处理模块对震动信号中的噪声进行预处理并剔除传感器阵列中的无效数据;
S3、获取所有传感器的共有主频范围及不同频段的波形;
S4、获取多谱能量场序列图;
S5、设计生成对抗网络模型,对抗网络模型由生成网络、判别网络、全局空间池化层、全连接层、二分类层组成;首先,将多谱能量场序列图中的低频信号输入至生成网络中,通过三维卷积和三维反卷积,生成伪高频信号,同时与真高频信号一起输入到判别网络;通过判别网络提取有效的时空特征图,并通过全局空间池化层对时空特征图压缩,压缩后的特征输入到全连接层和二分类层,判别该高频信号的真假;
S6、测试:网络模型训练稳定后保存下来,进行测试时,输入一个信号,生成网络模型将输出一个比其频率更高的信号。
2.根据权利要求1所述的一种基于低频能谱数据驱动的高分辨率能量场重建方法,其特征在于,S3中,对每个传感器节点数据进行FFT变换,得到其功率谱,在功率谱中,以谱峰值的倍获取该传感器节点对应的主频段范围;分析获取所有传感器的共有主频范围,将其等分为32份,分别通过窄带滤波器,得到对应的频段波形。
3.根据权利要求2所述的一种基于低频能谱数据驱动的高分辨率能量场重建方法,其特征在于,分别进行干涉成像得到多组多谱能量场序列图。
4.根据权利要求1所述的一种基于低频能谱数据驱动的高分辨率能量场重建方法,其特征在于,对多谱能量场序列图中的每一个低频信号,进行线性插值。
5.根据权利要求1所述的一种基于低频能谱数据驱动的高分辨率能量场重建方法,其特征在于,生成网络由5个三维卷积层和5个三维反卷积层依次设置组成,低频信号依次经过5个三维卷积层提取深度时空特征,然后依次经过5个三维反卷积层将提取的深度时空特征进行重建,得到与低频信号尺寸一致的伪高频信号。
6.根据权利要求1所述的一种基于低频能谱数据驱动的高分辨率能量场重建方法,其特征在于,判别网络包括主分支和软掩码分支,主分支包括3个三维卷积层,三个卷积操作均采用同卷积,即输入和输出的大小相同,主分支输出的三维特征图记为T;软掩码分支中,先经过下采样和上采样,然后在两个连续的1×1×1卷积层之后,sigmoid激活层将输出准化为[0,1],记为M,则判别网络的输出H表示为:
Hi,c(x)=(1+Mi,c(x))*Ti,c(x)
i和c分别是特征图的长度和宽度。
7.根据权利要求1所述的一种基于低频能谱数据驱动的高分辨率能量场重建方法,其特征在于,判别网络的输出通过空间的全局池化,生成了一个权重矩阵,并展开以全连接的方式将这个全局池化层连接到二分类层,输出真假。
8.根据权利要求1所述的一种基于低频能谱数据驱动的高分辨率能量场重建方法,其特征在于,进行网络训练时,首先训练判别网络,样本包括伪高频信号和真高频信号,伪高频信号的标签设为0,真高频信号的标签设为1;通过训练判别网络,区分真假高频信号;训练好判别网络后,固定判别网络模型,开始训练生成网络;通过不断训练,使生成网络的输出逼近于真高频信号,并且利用判别网络判断生成高频信号的逼真度,网络模型训练稳定后保存下来。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110724731.0A CN113484906B (zh) | 2021-06-29 | 2021-06-29 | 一种基于低频能谱数据驱动的高分辨率能量场重建方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110724731.0A CN113484906B (zh) | 2021-06-29 | 2021-06-29 | 一种基于低频能谱数据驱动的高分辨率能量场重建方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113484906A CN113484906A (zh) | 2021-10-08 |
CN113484906B true CN113484906B (zh) | 2023-11-03 |
Family
ID=77936225
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110724731.0A Active CN113484906B (zh) | 2021-06-29 | 2021-06-29 | 一种基于低频能谱数据驱动的高分辨率能量场重建方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113484906B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114092520B (zh) * | 2021-11-19 | 2023-12-26 | 电子科技大学长三角研究院(湖州) | 基于生成对抗网络的地面运动目标重聚焦方法及系统 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2015118409A2 (en) * | 2014-02-10 | 2015-08-13 | Cgg Services Sa | System and method for seismic data processing of seismic data sets with different spatial sampling and temporal bandwidths |
WO2015143195A1 (en) * | 2014-03-20 | 2015-09-24 | Schlumberger Canada Limited | Reconstructing impulsive source seismic data from time distributed firing airgun array data |
CN109782340A (zh) * | 2019-01-14 | 2019-05-21 | 西安交通大学 | 一种基于分角度处理的叠前地震数据频谱拓展方法 |
CN110261902A (zh) * | 2019-06-10 | 2019-09-20 | 中北大学 | 一种基于多谱能量合成的地下浅层震源定位方法 |
CN110516650A (zh) * | 2019-09-02 | 2019-11-29 | 中北大学 | 一种基于震动传感器阵列的浅层盲空间震源定位系统 |
CN110570353A (zh) * | 2019-08-27 | 2019-12-13 | 天津大学 | 密集连接生成对抗网络单幅图像超分辨率重建方法 |
CN112114362A (zh) * | 2020-09-07 | 2020-12-22 | 中北大学 | 一种地下浅层爆炸时空场重建方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20150276955A1 (en) * | 2013-11-06 | 2015-10-01 | Robert H. Brune | Method and System for Extending Spatial Wavenumber Spectrum Of Seismic Wavefields On Land Or Water Bottom Using Rotational Motion |
-
2021
- 2021-06-29 CN CN202110724731.0A patent/CN113484906B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2015118409A2 (en) * | 2014-02-10 | 2015-08-13 | Cgg Services Sa | System and method for seismic data processing of seismic data sets with different spatial sampling and temporal bandwidths |
WO2015143195A1 (en) * | 2014-03-20 | 2015-09-24 | Schlumberger Canada Limited | Reconstructing impulsive source seismic data from time distributed firing airgun array data |
CN109782340A (zh) * | 2019-01-14 | 2019-05-21 | 西安交通大学 | 一种基于分角度处理的叠前地震数据频谱拓展方法 |
CN110261902A (zh) * | 2019-06-10 | 2019-09-20 | 中北大学 | 一种基于多谱能量合成的地下浅层震源定位方法 |
CN110570353A (zh) * | 2019-08-27 | 2019-12-13 | 天津大学 | 密集连接生成对抗网络单幅图像超分辨率重建方法 |
CN110516650A (zh) * | 2019-09-02 | 2019-11-29 | 中北大学 | 一种基于震动传感器阵列的浅层盲空间震源定位系统 |
CN112114362A (zh) * | 2020-09-07 | 2020-12-22 | 中北大学 | 一种地下浅层爆炸时空场重建方法 |
Non-Patent Citations (3)
Title |
---|
Passive-source multitaper-spectral method based low-frequency data reconstruction for active seismic sources;Zhang Pan 等;《APPLIED GEOPHYSICS》;第12卷(第4期);585-597 * |
利用微震数据对震源下方构造直接成像;葛奇鑫 等;《地球物理学报》;第62卷(第10期);3988-3999 * |
基于深度学习的地下浅层震源定位方法;辛伟瑶 等;《计算机工程》;第46卷(第9期);292-297 * |
Also Published As
Publication number | Publication date |
---|---|
CN113484906A (zh) | 2021-10-08 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111260576B (zh) | 一种基于去噪三维卷积自编码网络的高光谱解混算法 | |
Liu et al. | Seismic data reconstruction via wavelet-based residual deep learning | |
CN106772583B (zh) | 一种地震绕射波分离方法和装置 | |
Zheng et al. | Reversible data hiding for electrocardiogram signal based on wavelet transforms | |
CN103837889A (zh) | 一种地震属性多源信息融合方法 | |
Zhang et al. | Extracting dispersion curves from ambient noise correlations using deep learning | |
CN112114362B (zh) | 一种地下浅层爆炸时空场重建方法 | |
CN103399348A (zh) | 基于Shearlet变换的地震信号去噪方法 | |
CN104077749A (zh) | 一种基于轮廓波变换的地震数据去噪方法 | |
CN113484906B (zh) | 一种基于低频能谱数据驱动的高分辨率能量场重建方法 | |
CN115345790A (zh) | 基于窗口的自注意力神经网络的探地雷达图像增强方法 | |
CN114966860A (zh) | 一种基于卷积神经网络的地震数据去噪方法 | |
CN117689579A (zh) | 一种渐进式双解耦的sar辅助遥感影像厚云去除方法 | |
Gao et al. | Deep learning vertical resolution enhancement considering features of seismic data | |
CN117631028A (zh) | 一种多尺度全局信息融合神经网络地震数据低频重构方法 | |
CN116165703A (zh) | 基于流形学习算法的地震数据特征提取方法及系统 | |
CN116776734A (zh) | 基于物理约束神经网络的地震速度反演方法 | |
CN117474765B (zh) | 基于参考影像纹理转移的dem超分辨率重建系统 | |
Zhong et al. | Multiscale residual pyramid network for seismic background noise attenuation | |
CN113158830A (zh) | 一种剩余重力异常场分离方法 | |
CN117274800A (zh) | 基于深度学习的高光谱遥感图像异常检测方法 | |
Dong et al. | A potential solution to insufficient target-domain noise data: Transfer learning and noise modeling | |
CN105319594B (zh) | 一种基于最小二乘参数反演的傅里叶域地震数据重构方法 | |
CN115236733A (zh) | 基于深度学习的das-vsp数据背景噪声压制方法 | |
CN109884699A (zh) | 基于超完备子波基邻近目标函数法的滩坝储层预测方法 |
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 |