CN113570041A - 一种神经网络以及利用该神经网络压制海上光纤拖缆地震数据噪声的方法 - Google Patents
一种神经网络以及利用该神经网络压制海上光纤拖缆地震数据噪声的方法 Download PDFInfo
- Publication number
- CN113570041A CN113570041A CN202110864838.5A CN202110864838A CN113570041A CN 113570041 A CN113570041 A CN 113570041A CN 202110864838 A CN202110864838 A CN 202110864838A CN 113570041 A CN113570041 A CN 113570041A
- Authority
- CN
- China
- Prior art keywords
- layer
- network
- data
- neural network
- output
- 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
- 238000000034 method Methods 0.000 title claims abstract description 38
- 238000013528 artificial neural network Methods 0.000 title claims abstract description 29
- 239000013307 optical fiber Substances 0.000 title abstract description 30
- 238000012549 training Methods 0.000 claims abstract description 34
- 238000012360 testing method Methods 0.000 claims abstract description 6
- 230000004913 activation Effects 0.000 claims description 30
- 238000013527 convolutional neural network Methods 0.000 claims description 26
- 230000008569 process Effects 0.000 claims description 19
- 210000002569 neuron Anatomy 0.000 claims description 18
- 238000004364 calculation method Methods 0.000 claims description 16
- 238000010606 normalization Methods 0.000 claims description 14
- 238000011478 gradient descent method Methods 0.000 claims description 8
- 239000000835 fiber Substances 0.000 claims description 7
- 230000000644 propagated effect Effects 0.000 claims description 4
- 230000008901 benefit Effects 0.000 abstract description 4
- 230000006870 function Effects 0.000 description 48
- 238000011176 pooling Methods 0.000 description 13
- 238000010586 diagram Methods 0.000 description 8
- 238000012545 processing Methods 0.000 description 8
- 238000005070 sampling Methods 0.000 description 6
- 230000005284 excitation Effects 0.000 description 5
- 230000007547 defect Effects 0.000 description 4
- VNWKTOKETHGBQD-UHFFFAOYSA-N methane Natural products C VNWKTOKETHGBQD-UHFFFAOYSA-N 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 238000013473 artificial intelligence Methods 0.000 description 2
- 230000001427 coherent effect Effects 0.000 description 2
- 238000005034 decoration Methods 0.000 description 2
- 238000013135 deep learning Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 239000003345 natural gas Substances 0.000 description 2
- 230000000737 periodic effect Effects 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 230000035945 sensitivity Effects 0.000 description 2
- 241000272517 Anseriformes Species 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000015572 biosynthetic process Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 238000007418 data mining Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 230000008034 disappearance Effects 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 239000007789 gas Substances 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 230000001788 irregular Effects 0.000 description 1
- 238000000691 measurement method Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- -1 natural gas hydrates Chemical class 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 230000008447 perception Effects 0.000 description 1
- 238000011946 reduction process Methods 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 238000010183 spectrum analysis Methods 0.000 description 1
- 230000001629 suppression Effects 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- 238000013519 translation Methods 0.000 description 1
Images
Classifications
-
- 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
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- 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
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- 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
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- 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)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Computational Linguistics (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Remote Sensing (AREA)
- Environmental & Geological Engineering (AREA)
- Acoustics & Sound (AREA)
- Geology (AREA)
- General Life Sciences & Earth Sciences (AREA)
- Geophysics (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Measurement Of Mechanical Vibrations Or Ultrasonic Waves (AREA)
- Geophysics And Detection Of Objects (AREA)
Abstract
本发明提供了一种神经网络以及利用该神经网络压制海上光纤拖缆地震数据噪声的方法，本发明构建卷积神经网络，包括输入层、隐藏层、输出层，所述隐藏层包括卷积层、归一化层、激活层，所述卷积层、归一化层、激活层多个交替构成所述隐藏层。针对于海上光纤拖缆地震数据去噪，该网络使用的层数少，所需要训练的参数少，训练精度高，并且在对实际海上地震光纤数据噪声去除时有着良好的表现，对各类噪声进行了很有效的去除。经过试验还发现，若地震资料规律、质量高，则可以减少训练集数目，从而减少机器训练压力。
Description
技术领域
本发明涉及基于人工智能的方法对海上光纤拖缆地震数据进行去噪的技术领域，具体而言，涉及一种神经网络以及利用该神经网络压制海上光纤拖缆地震数据噪声的方法。
背景技术
随着勘探技术的发展，油气勘探的重点逐渐从陆上转向对海洋天然气水合物的勘探。海洋光纤拖缆地震数据噪声种类繁多，常规的地震数据去噪方法比较繁琐，去噪是整个数据处理中最为关键并且困难的一步，去噪效果直接决定了地震数据的信噪比、分辨率、保真度以及能否正确成像。遂利用计算机数据处理的方式，基于人工智能的方法对海洋光纤拖缆数据进行去噪研究。
水听器是海上地震勘探主要利用的测量方法。水听器分为压电水听器与光纤水听器，以往海洋地震勘探通常使用压电水听器，但是压电水听器存在灵敏度低、动态范围小和抗干扰能力差的缺点，所以近些年来，光纤缆技术迅速发展。光纤水听器具有良好的信号分辨率、信号动态范围以及信号保真，并且其可以快速以及大量地传输地震数据，并且具有宽频带、高灵敏度以及高频响应的特点，这些特点大大提高了海洋地震数据的质量。早在2000年，美国就研制出应用于天然气勘探的96基元全光光纤水听器系统。并在此基础上，英国的QinetiQ公司在海底布放水听器以及在陆上埋设光缆和光纤加速器。2002年，我国在渤海进行了23基元的光纤水听器阵列的海上试验，为光纤水听器走向打下了良好的基础。2017年，广州海洋地质调查局在南海北部海域将光纤水听器阵列探测系统用于海上地震勘探，并得到了数据，并与压电水听器进行对比，得到了光纤水听器能够满足海洋地震勘探的性能要求的结论。
噪声压制是处理海洋地震数据中非常关键的步骤。通常情况下海洋地震勘探中的噪声可分为相干噪声和随机噪声，相干噪声是存在一定规律的噪声，其中包括水鸟产生的噪声、船体产生的噪声等等。而像海上的风、涌浪产生的没有规律的噪声则称为随机噪声。研究噪声的发育特征，分析噪声的形成机理，也有助于我们对噪声进行消除或者压制。
如图2所示，a、b、c分别表示不同海水深度的单炮记录，a最浅，c最深。可以发现不同深度处噪音的特点是不同的，不同的单炮记录噪音的特点也是不同的。
如图3所示，可观察到每隔16道会出现空间上的周期噪声，其特点是很有规律，间距相等。推测是光纤缆连接处所造成的，一条长的光纤缆是由多个短缆组成，所以在连接处会产生规律的噪声。
海上地震勘探另一种常见的噪声是涌浪噪声，涌浪噪声其频率低，能量强并且具有随机性。常规涌浪噪声中，涌的主频在3Hz，浪的主频在8Hz。如图4所示，对涌浪噪声进行频谱分析，其主频在4Hz 左右，并且在8Hz左右也有个峰值，速度约为34m/s。
对数据继续进行分析，发现从激发端至接收端和接收端至激发端分别出现了线性噪声，如图5的a、b所示，a为船体震动产生的线性噪声；b为尾部浮标震动产生的线性噪声。该两种线性噪声在形态上保持一致，比较有规律，速度相近，速度约为1080m/s，仅仅在方向上存在差异。所以推测该两种线性噪声分别由船体本身震动和尾部浮标震动造成的。船体在行驶的过程中会产生震动，带动船尾的浮标一起震动，这些震动都是比较有规律的。船体产生的震动导致了激发端至接收端的线性噪声，反之浮标的震动导致了接收端至激发端的线性噪声。
综上，海上光纤拖缆地震数据的噪声主要有四种，船体本身的噪声、涌浪噪声、随机噪声和仪器所产生的噪声。并且每炮与每炮之间的噪声都不尽相同，所以在处理光纤拖缆资料的时候，对噪声的去除比较重要，也是最具难度的过程。常规地震数据处理需要针对每种噪声进行去除，比较繁琐。
有鉴于此，特提出本发明，提高去噪效率。
发明内容
本发明要解决的技术问题在于克服现有技术的不足，提供一种神经网络以及利用该神经网络压制海上光纤拖缆地震数据噪声的方法。
为解决上述技术问题，本发明采用技术方案的基本构思是：
构建一种神经网络，为卷积神经网络，包括输入层、隐藏层、输出层，所述隐藏层包括卷积层、归一化层、激活层，所述卷积层、归一化层、激活层多个交替构成所述隐藏层。
进一步地，所述卷积层运用在地震数据中时，将待处理的二维数据作为输入，然后用可学习的卷积核与其进行卷积运算，获得局部信息特征，卷积操作的计算公式如下：
在上式中，x表示输入的二维数据；ω表示卷积核，其大小为p ×q；b代表偏置项；f(x)表示激活函数；y表示最终的输出结果。
进一步地，所述激活层激活函数采用ReLU函数，当输入信号小于0时，经过ReLU函数后其输出值为0，使得网络具有一定的稀疏性；当输入信号大于0时，其输出为其本身。
进一步地，所述归一化层保证每一层的输入保持相同的分布，使得梯度下降过程更加稳定。
进一步地，所述卷积神经网络的传播算法包括前向传播算法与反向传播算法。
进一步地，所述前向传播算法是将数据按照已建立好的网络结构，从输入层依次流入隐藏层，最后从输出层中输出，计算公式如下：
其中，
代表第m层的第i个神经元与第m+1层的第j个神经元连接的权重；
代表第m+1层第j个神经元的偏置；f(x)代表激活函数。
进一步地，所述反向传播算法是进行完前向传播后，输出层得到输出结果，需要和真实标签进行比较，当输出结果和真实标签有差异的时候，计算两者之间的误差，可以引入损失函数来描述该误差，损失函数可以定义为：
其中，yi表示前向传播算法中第i个数据的输出；yi表示第i个数据所对应的标签数据；n是输入数据的个数。损失函数越小说明模型训练的越好，网络的训练过程就可以看成是求损失函数的最小极值点的过程，在求最小点的过程中用到了所述反向传播算法。
进一步地，反向传播的目的是求取网络的总误差对各个权重参数的梯度，从而利用梯度下降法来更新权重。以输入层、隐藏层、输出层组成的3层简单的网络为例，该网络有两个输出，总误差
权重的梯度的求取方式如下：
其中参数的命名方式与前向传播中相同。
求取
的梯度时，因两个输出y1与y2都对其产生了影响，所以需要分别求：
同理可得
综上，
若网络越深，反向传播时计算越复杂，但是万变不离其宗，原理相同。求得了权重的梯度后，便可利用梯度下降法来更新权重：
其中，η表示步长，一般步长可以在模型训练伊始选择大一点，之后逐渐减小。至此，网络就完成了一次前向传播与反向传播，权重也完成了一次更新。
进一步地，利用所述神经网络压制海上光纤拖缆地震数据噪声的方法，对现有光纤拖缆实际单炮数据进行处理，原始单炮数据为每炮256道，每道28000采样点，为了减轻训练压力，将其重采样为每道3500个采样点，选取训练样本50炮，训练完成后将模型保存，将测试集输入到训练好的模型，进行去噪。
采用上述技术方案后，本发明与现有技术相比具有以下有益效果：
1、因海上光纤拖缆地震数据噪音种类繁多，目前用于光纤拖缆数据的常规去噪方法只能一种噪声一种噪声去除，比较繁琐。而利用本发明进行去噪时，训练好的网络可有效识别各种噪声，一次性进行去除，比较方便。
2、目前对光纤拖缆的常规滤波方法对频率混叠在一起的有效信号与噪声不容易分离，将噪声滤除的同时会对有效信号有所破坏。利用本发明可以将噪声与有效信号良好的分离。
3、利用本发明卷积神经网络去噪时，将新数据输入至训练好的网络中，其去噪速度快、效率高。
4、本发明卷积神经网络相较于其它的卷积神经网络层数少、参数更少、训练时间更快。
附图说明
为了更清楚地说明本发明实施方式的技术方案，下面将对实施方式中所需要使用的附图作简单地介绍，应当理解，以下附图仅示出了本发明的某些实施例，因此不应被看作是对范围的限定，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相关的附图。
图1是本发明构建的卷积神经网络结构示意图；
图2是三个不同海水深度的单炮记录图；
图3是空间周期性噪声图；
图4是涌浪噪声图；
图5是船体震动和尾部浮标震动产生的线性噪声图；
图6是传统网络连接方式示意图；
图7是卷积神经网络稀疏连接方式示意图；
图8是卷积操作示意图；
图9是Sigmoid函数图；
图10是Sigmoid函数导数图；
图11是ReLU函数图；
图12是简易神经网络模型；
图13是原始光纤地震数据；
图14是本发明构建网络的去噪结果。
图中：1-卷积层；2-激活层；3-归一化层。
具体实施方式
下面结合附图和具体实施例，对本发明作进一步说明，以助于理解本发明的内容。
如图1所示，本发明构建的神经网络为卷积神经网络。卷积神经网络是深度学习中最为经典的神经网络，已被广泛应用于语音识别、图像分类、数据挖掘、多媒体学习等各个领域。卷积神经网络之所以这么受欢迎并且有着较高的适用性，主要是因为其有两个重要的特点：稀疏连接与参数共享。
(1)稀疏连接
稀疏连接相当于多个局部感知器，实现对输入数据的局部连接。即神经元与神经元之间可以不一一连接，减少连接数目，降低网络复杂度，提高计算效率。传统神经网络是利用全连接的方式，将相邻两层的神经元两两相连，其缺陷明显：随着网络深度的增加，神经元数量增加，计算量呈指数型的增长，导致网络训练及其缓慢甚至无法训练。稀疏连接有效的减少了权重的数量，降低了网络的复杂度，提高了计算效率。如图6所示，x为输入单元，y为输出单元，其不具有稀疏连接，采用的是全连接的方式。图7具有稀疏连接的特征接收域仅对局部的输入产生影响。
(2)权值共享
权值共享是指在同一个卷积层中，不同的神经元与前一层网络不同位置相连的权重均相等。因此在同一特征通道上的神经元具有相同的权值，使网络实现并行学习，降低参数的数量级。权值共享的特点在于减少网络存储需求量、平移层不变性、降低训练复杂度、提高网络效率。该特性有利于对地震数据进行去噪。
卷积神经网络的这两个特性都主要是通过卷积操作来实现的。
卷积神经网络不同于传统人工神经网络，卷积神经网络在处理复杂问题时，运用其精确而简单的框架，能够很好地解决问题。这也是卷积神经网络在深度学习中广为应用的原因。卷积神经网络通常由输入层、隐藏层、输出层构成，其中隐藏层中包含卷积层、归一化层、激活层等。并且卷积层、池化层、归一化层及激活层可以是多个交替构成隐藏层。本发明针对于海洋光纤拖缆地震数据去噪所构建的卷积神经网络结构如图1所示，每层的具体参数见表1。
表1本发明构建的卷积神经网络结构参数
卷积层是卷积神经网络的核心，卷积层又叫特征提取层，其依靠的是卷积操作。卷积运用在图像处理中是用一个可学习的卷积核和一幅图像进行卷积，对于图像上的一个点，让卷积核的原点和该点重合，然后卷积核上的点和图像上对应的点相乘，然后各点的积相加，就得到了该点的卷积值，对图像上的每个点都这样处理。运用在地震数据中时，将待处理的二维数据作为输入，然后用可学习的卷积核与其进行卷积运算，获得局部信息特征，卷积操作的计算公式如下：
在上式中，x表示输入的二维数据；ω表示卷积核，其大小为 p×q；b代表偏置项；f(x)表示激活函数；y表示最终的输出结果。
卷积层是通过每个神经元输入到上一层的局部感受野，来构成一个可以学习的滤波器。通过卷积核在滤波器的感知学习域中进行卷积学习训练来提取数据的局部特征。图8为卷积操作示意图，可以更好的理解卷积操作。
经过了多次的卷积操作之后，因为每一个卷积核都会生成一个特征映射图，随着特征映射图数量的增加，容易产生过拟合的现象，所以引入池化层。
池化(Pooling)是通过对数据局部区域进行缩放来降低参数的一种操作，对卷积操作后输出的不同位置的特征映射图重新计算结果，来代替原本特征映射图上的输出。常用的池化操作有：最大池化(Max pooling)和平均池化(Mean pooling)。最大池化就是选取池中所有值的最大值作为新的值。平均池化就是计算出池中所有值的平均值作为池化后的值。池化操作既有其优点，肯定也有其不足的地方。其缺陷是，在进行池化降维的过程中，会对地震数据造成有效信号的丢失，以及计算复杂度高等问题。所以在利用卷积神经网络对地震数据进行去噪的过程中，可以选择不使用池化层，本发明构建的网络即未使用池化层。
激活层中存在激活函数，神经网络中的激活函数可以解决一些非线性的问题。使得网络可以解决更加复杂的问题。常用到的激活函数有Sigmoid函数、双曲正切Tanh函数、线性修正单元ReLU函数等。Sigmoid函数可以将输入的数据映射到(0，1)的范围内。但是当输入过大或者过小时，其梯度接近于0，容易产生梯度消失，导致训练出问题。图9与图10是Sigmoid函数及其导数图。
通过Sigmoid函数改进后得到的一种新的激活函数是双曲正切 Tanh函数。与Sigmoid函数相比，Tanh函数的优点在于它输出的均值为0，但是同Sigmoid函数相同，其仍存在梯度消失的问题，并且图像与Sigmoid函数类似。
与Sigmoid函数以及Tanh函数相比，ReLU是没有任何指数级运算的。其对复杂网络的计算速度快。ReLU函数表达式为：
y(x)＝max(0，x)
当输入信号小于0时，经过ReLU函数后其输出值为0，使得网络具有一定的稀疏性；当输入信号大于0时，其输出为其本身。ReLU 函数是目前卷积神经网络中最常用的激活函数。其图像如图11。
通过曲线对比发现，Sigmoid函数值在接近0或1时，对应的导数值接近于0，使得其梯度变化很小。又因涉及指数运算，使之计算量相对较大，易出现过拟合和梯度消失现象。从而无法完成对神经网络的训练，该激活函数不适合用于地震数据去噪。Tanh函数与Sigmoid函数形状类似，问题相同。观察ReLU函数具有一定稀疏性，而这种稀疏表示也正是研究地震数据处理所追求的。通过信号的输入，将小于0的数据，经过函数的变换以0的形式作为输出。这种稀疏性不仅能减少参数之间相互依存的关系，而且还缓解网络过拟合现象的发生，从而加速了网络的收敛。所以本发明地震数据去噪选用的是ReLU激活函数。
总结如下：卷积层(Conv)，利用卷积核提取输入数据的特征；归一化层(BatchNormalization)为批标准化，保证每一层的输入保持相同的分布，使得梯度下降过程更加稳定；ReLU为激活函数，引入非线性因素，增强网络的复杂度。
此外，卷积神经网络的传播算法主要包括前向传播算法(Forward propagation)与反向传播算法(Back propagation)。
前向传播算法就是将数据按照已建立好的网络结构，从输入层依次流入隐藏层，最后从输出层中输出。以图6为例：
其中，
代表第m层的第i个神经元与第m+1层的第j个神经元连接的权重；
代表第m+1层第j个神经元的偏置；f(x)代表激活函数。这两个参数都是网络需要学习的参数。
反向传播算法是进行完前向传播后，输出层得到输出结果，但是这个输出结果并不一定是正确的，它需要和真实标签进行比较，当输出和标签有差异的时候，计算两者之间的误差。可以引入损失函数来描述该误差。损失函数可以定义为：
其中，yi表示前向传播算法中第i个数据的输出；yi表示第i个数据所对应的标签数据；n是输入数据的个数。损失函数越小说明模型训练的越好，网络的训练过程就可以看成是求损失函数的最小极值点的过程。在求最小点的过程中就用到了反向传播算法。
反向传播的目的是求取网络的总误差对各个权重参数的梯度，从而利用梯度下降法来更新权重。以输入层、隐藏层、输出层组成的 3层简单的网络为例，见图12，该网络有两个输出，总误差
权重的梯度的求取方式(以
和
为例)如下：
其中参数的命名方式与前向传播中相同。
求取
的梯度时，因两个输出y1与y2都对其产生了影响，所以需要分别求。
同理可得
综上，
因式子过长，上式中已有展开，此处就不展开赘述。若网络越深，反向传播时计算越复杂，但是万变不离其宗，原理相同。求得了权重的梯度后，便可利用梯度下降法来更新权重：
其中，η表示步长，一般步长可以在模型训练伊始选择大一点，之后逐渐减小。
至此，网络就完成了一次前向传播与反向传播，权重也完成了一次更新。
本发明使用的资料为2017年采集的部分光纤资料。激发方式为气枪震源，炮点间距为25米，震源深度为5米；接收电缆总长800米，有256个接收道，道间距为3.125米，电缆深度也为5米；采样间隔 0.25毫秒，采集总长度为7秒。
对现有光纤缆实际单炮数据进行处理，原始单炮数据为每炮256 道，每道28000采样点。为了减轻训练压力，将其重采样为每道3500 个采样点。选取训练样本50炮，训练完成后将模型保存，将测试集输入到训练好的模型，去噪前后的数据如图13与图14所示。
本发明创建了针对于海上光纤拖缆地震数据去噪的卷积神经网络，该网络使用的层数少，所需要训练的参数少，训练精度高，并且在对实际海上地震光纤数据噪声去除时有着良好的表现，对各类噪声进行了很有效的去除。经过试验还发现，若地震资料规律、质量高，则可以减少训练集数目，从而减少机器训练压力。
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，在不脱离本发明原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。
Claims (10)
1.一种神经网络，为卷积神经网络，包括输入层、隐藏层、输出层，其特征在于，所述隐藏层包括卷积层、归一化层、激活层，所述卷积层、归一化层、激活层多个交替构成所述隐藏层。
2.根据权利要求1所述的一种神经网络，其特征在于，所述卷积层运用在地震数据中时，将待处理的二维数据作为输入，然后用可学习的卷积核与其进行卷积运算，获得局部信息特征，卷积操作的计算公式如下：
在上式中，x表示输入的二维数据；ω表示卷积核，其大小为p×q；b代表偏置项；f(x)表示激活函数；y表示最终的输出结果。
3.根据权利要求2所述的一种神经网络，其特征在于，所述激活层激活函数采用ReLU函数，当输入信号小于0时，经过ReLU函数后其输出值为0，使得网络具有一定的稀疏性；当输入信号大于0时，其输出为其本身。
4.根据权利要求3所述的一种神经网络，其特征在于，所述归一化层保证每一层的输入保持相同的分布，使得梯度下降过程更加稳定。
5.根据权利要求1-4任一所述的一种神经网络，其特征在于，所述卷积神经网络的传播算法包括前向传播算法与反向传播算法。
6.根据权利要求5所述的一种神经网络，其特征在于，所述前向传播算法是将数据按照已建立好的网络结构，从输入层依次流入隐藏层，最后从输出层中输出，计算公式如下：
其中，
代表第m层的第i个神经元与第m+1层的第j个神经元连接的权重；
代表第m+1层第j个神经元的偏置；f(x)代表激活函数。
7.根据权利要求6所述的一种神经网络，其特征在于，所述反向传播算法是进行完前向传播后，输出层得到输出结果，需要和真实标签进行比较，当输出结果和真实标签有差异的时候，计算两者之间的误差，可以引入损失函数来描述该误差，损失函数可以定义为：
其中，yi表示前向传播算法中第i个数据的输出；y′i表示第i个数据所对应的标签数据；n是输入数据的个数。损失函数越小说明模型训练的越好，网络的训练过程就可以看成是求损失函数的最小极值点的过程，在求最小点的过程中用到了所述反向传播算法。
8.根据权利要求7所述的一种神经网络，其特征在于，反向传播的目的是求取网络的总误差对各个权重参数的梯度，从而利用梯度下降法来更新权重。以输入层、隐藏层、输出层组成的3层简单的网络为例，该网络有两个输出，总误差
权重的梯度的求取方式如下：
其中参数的命名方式与前向传播中相同。
求取
的梯度时，因两个输出y1与y2都对其产生了影响，所以需要分别求：
同理可得
综上，
若网络越深，反向传播时计算越复杂，但是万变不离其宗，原理相同。求得了权重的梯度后，便可利用梯度下降法来更新权重：
其中，η表示步长，一般步长可以在模型训练伊始选择大一点，之后逐渐减小。至此，网络就完成了一次前向传播与反向传播，权重也完成了一次更新。
9.利用权利要求1所述的神经网络压制海上光纤拖缆地震数据噪声的方法，其特征在于，
A)构建卷积神经网络，包括输入层、隐藏层、输出层，所述隐藏层包括卷积层、归一化层、激活层，所述卷积层、归一化层、激活层多个交替构成所述隐藏层。
B)所述卷积层运用在地震数据中时，将待处理的二维数据作为输入，然后用可学习的卷积核与其进行卷积运算，获得局部信息特征，卷积操作的计算公式如下：
在上式中，x表示输入的二维数据；ω表示卷积核，其大小为p×q；b代表偏置项；f(x)表示激活函数；y表示最终的输出结果。
C)所述激活层激活函数采用ReLU函数，当输入信号小于0时，经过ReLU函数后其输出值为0，使得网络具有一定的稀疏性；当输入信号大于0时，其输出为其本身。
D)所述归一化层保证每一层的输入保持相同的分布，使得梯度下降过程更加稳定。
E)所述卷积神经网络的传播算法包括前向传播算法与反向传播算法。
F)所述前向传播算法是将数据按照已建立好的网络结构，从输入层依次流入隐藏层，最后从输出层中输出，计算公式如下：
其中，
代表第m层的第i个神经元与第m+1层的第j个神经元连接的权重；
代表第m+1层第j个神经元的偏置；f(x)代表激活函数。
G)所述反向传播算法是进行完前向传播后，输出层得到输出结果，需要和真实标签进行比较，当输出结果和真实标签有差异的时候，计算两者之间的误差，可以引入损失函数来描述该误差，损失函数可以定义为：
其中，yi表示前向传播算法中第i个数据的输出；y′i表示第i个数据所对应的标签数据；n是输入数据的个数。损失函数越小说明模型训练的越好，网络的训练过程就可以看成是求损失函数的最小极值点的过程，在求最小点的过程中用到了所述反向传播算法。
反向传播的目的是求取网络的总误差对各个权重参数的梯度，从而利用梯度下降法来更新权重。以输入层、隐藏层、输出层组成的3层简单的网络为例，该网络有两个输出，总误差
权重的梯度的求取方式如下：
其中参数的命名方式与前向传播中相同。
求取
的梯度时，因两个输出y1与y2都对其产生了影响，所以需要分别求：
同理可得
综上，
若网络越深，反向传播时计算越复杂，但是万变不离其宗，原理相同。求得了权重的梯度后，便可利用梯度下降法来更新权重：
其中，η表示步长，一般步长可以在模型训练伊始选择大一点，之后逐渐减小。至此，网络就完成了一次前向传播与反向传播，权重也完成了一次更新。
10.根据权利要求9所述的利用神经网络压制海上光纤拖缆地震数据噪声的方法，其特征在于，对现有光纤拖缆实际单炮数据进行处理，原始单炮数据为每炮256道，每道28000采样点，为了减轻训练压力，将其重采样为每道3500个采样点，选取训练样本50炮，训练完成后将模型保存，将测试集输入到训练好的模型，进行去噪。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110864838.5A CN113570041B (zh) | 2021-07-29 | 2021-07-29 | 一种神经网络以及利用该神经网络压制海上光纤拖缆地震数据噪声的方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110864838.5A CN113570041B (zh) | 2021-07-29 | 2021-07-29 | 一种神经网络以及利用该神经网络压制海上光纤拖缆地震数据噪声的方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN113570041A true CN113570041A (zh) | 2021-10-29 |
| CN113570041B CN113570041B (zh) | 2024-05-10 |
Family
ID=78169123
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110864838.5A Active CN113570041B (zh) | 2021-07-29 | 2021-07-29 | 一种神经网络以及利用该神经网络压制海上光纤拖缆地震数据噪声的方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113570041B (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114839673A (zh) * | 2022-07-01 | 2022-08-02 | 中国海洋大学 | 多震源高效采集波场分离方法、分离系统及计算机设备 |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106842324A (zh) * | 2016-12-08 | 2017-06-13 | 西安交通大学 | 一种基于时频域稀疏优化的光缆耦合噪声压制方法 |
| 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 |
| CN110210296A (zh) * | 2019-04-25 | 2019-09-06 | 长江大学 | 一种结合U-net网络和DenseNet网络的微地震有效信号检测方法 |
| CN110751073A (zh) * | 2019-10-12 | 2020-02-04 | 武汉理工大学 | 基于分布式光纤传感和深度学习的管道早期损伤模式识别方法 |
| CN111860273A (zh) * | 2020-07-14 | 2020-10-30 | 吉林大学 | 基于卷积神经网络的磁共振地下水探测噪声抑制方法 |
| CN113033823A (zh) * | 2021-04-20 | 2021-06-25 | 支付宝(杭州)信息技术有限公司 | 一种模型训练方法、系统及装置 |
-
2021
- 2021-07-29 CN CN202110864838.5A patent/CN113570041B/zh active Active
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106842324A (zh) * | 2016-12-08 | 2017-06-13 | 西安交通大学 | 一种基于时频域稀疏优化的光缆耦合噪声压制方法 |
| CN110210296A (zh) * | 2019-04-25 | 2019-09-06 | 长江大学 | 一种结合U-net网络和DenseNet网络的微地震有效信号检测方法 |
| 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 |
| CN110751073A (zh) * | 2019-10-12 | 2020-02-04 | 武汉理工大学 | 基于分布式光纤传感和深度学习的管道早期损伤模式识别方法 |
| CN111860273A (zh) * | 2020-07-14 | 2020-10-30 | 吉林大学 | 基于卷积神经网络的磁共振地下水探测噪声抑制方法 |
| CN113033823A (zh) * | 2021-04-20 | 2021-06-25 | 支付宝(杭州)信息技术有限公司 | 一种模型训练方法、系统及装置 |
Non-Patent Citations (4)
| Title |
|---|
| HONGFEI QIAN等: "Research on Noise Suppression Technology of Marine Optical Fiber Towed Streamer Seismic Data Based on ResUNet", 《ENERGIES 2022》, vol. 15, no. 9, 5 May 2022 (2022-05-05), pages 1 - 15 * |
| XINTONG DONG等: "Denoising the Optical Fiber Seismic Data by Using Convolutional Adversarial Network Based on Loss Balance", 《IEEE TRANSACTIONS ON GEOSCIENCE AND REMOTE SENSING》, vol. 59, no. 12, 16 November 2020 (2020-11-16), pages 10544 - 10554, XP011889182, DOI: 10.1109/TGRS.2020.3036065 * |
| 董新桐等: "基于卷积神经网络的井中分布式光纤传感器地震数据随机噪声压制新技术", 《地球物理学报》, vol. 64, no. 7, 7 July 2021 (2021-07-07), pages 2554 - 2565 * |
| 钱宏飞等: "基于卷积神经网络海洋光纤拖缆资料噪声压制技术研究", 《中国地球科学联合学术年会2021》, 1 November 2021 (2021-11-01), pages 676 - 678 * |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114839673A (zh) * | 2022-07-01 | 2022-08-02 | 中国海洋大学 | 多震源高效采集波场分离方法、分离系统及计算机设备 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN113570041B (zh) | 2024-05-10 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109086824B (zh) | 一种基于卷积神经网络的海底底质声呐图像分类方法 | |
| CN112285768B (zh) | 一种高频海洋声导波频散分析装置及方法 | |
| CN110895348B (zh) | 一种地震弹性阻抗低频信息提取方法、系统及存储介质 | |
| CN115114949A (zh) | 一种基于水声信号的舰船目标智能识别方法及系统 | |
| CN111551988B (zh) | 一种深度学习与预测滤波结合的地震数据反假频插值方法 | |
| CN114966860A (zh) | 一种基于卷积神经网络的地震数据去噪方法 | |
| Liu et al. | Few-shot learning with data enhancement and transfer learning for underwater target recognition | |
| CN113570041B (zh) | 一种神经网络以及利用该神经网络压制海上光纤拖缆地震数据噪声的方法 | |
| Zhang et al. | Multi-features fusion for underwater acoustic target recognition based on convolution recurrent neural networks | |
| CN114218982B (zh) | 基于改进WGAN网络和CBDNet的微地震记录去噪方法 | |
| Yang et al. | Underwater acoustic target recognition based on sub-band concatenated Mel spectrogram and multidomain attention mechanism | |
| CN112307926A (zh) | 一种基于生成对抗网络的声学被动式舰船目标分类方法 | |
| CN117310668A (zh) | 融合注意力机制与深度残差收缩网络的水声目标识别方法 | |
| Lin et al. | Passive source ranging using residual neural network with one hydrophone in shallow water | |
| CN116417011A (zh) | 基于特征融合和残差cnn的水声目标识别方法 | |
| CN115510898A (zh) | 一种基于卷积神经网络的舰船声尾流检测方法 | |
| Bach | Improving the classification of propeller ships using LOFAR and triple loss variational auto encoder | |
| Zhou et al. | A multi-feature compression and fusion strategy of vertical self-contained hydrophone array | |
| CN114818789A (zh) | 一种基于数据增强的船舶辐射噪声识别方法 | |
| CN113109795B (zh) | 一种基于深度神经网络的深海直达声区目标深度估计方法 | |
| CN113221651A (zh) | 利用声传播数据和无监督机器学习的海底沉积分类方法 | |
| Song et al. | Underwater Acoustic Signal Noise Reduction Based on a Fully Convolutional Encoder-Decoder Neural Network | |
| CN117974736B (zh) | 一种基于机器学习的水下传感器输出信号降噪方法及系统 | |
| Xiao et al. | Source Ranging Using Attention-Based Convolutional Neural Network | |
| CN117250657B (zh) | 一种地震数据重建去噪一体化方法 |
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 |