CN115577247B - 基于堆叠反馈残差网络的地震噪声去除方法及装置 - Google Patents
基于堆叠反馈残差网络的地震噪声去除方法及装置 Download PDFInfo
- Publication number
- CN115577247B CN115577247B CN202211577872.5A CN202211577872A CN115577247B CN 115577247 B CN115577247 B CN 115577247B CN 202211577872 A CN202211577872 A CN 202211577872A CN 115577247 B CN115577247 B CN 115577247B
- Authority
- CN
- China
- Prior art keywords
- denoising
- operator
- denoising operator
- input
- ith
- 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 52
- 238000012549 training Methods 0.000 claims abstract description 81
- 238000012545 processing Methods 0.000 claims abstract description 36
- 238000004891 communication Methods 0.000 claims description 16
- 230000006870 function Effects 0.000 claims description 15
- 230000008569 process Effects 0.000 claims description 14
- 230000004913 activation Effects 0.000 claims description 11
- 238000010606 normalization Methods 0.000 claims description 9
- 238000005457 optimization Methods 0.000 claims description 7
- 238000010586 diagram Methods 0.000 description 21
- 238000013135 deep learning Methods 0.000 description 17
- 238000013527 convolutional neural network Methods 0.000 description 16
- 230000000694 effects Effects 0.000 description 6
- 230000009471 action Effects 0.000 description 5
- 238000013528 artificial neural network Methods 0.000 description 5
- 230000008901 benefit Effects 0.000 description 3
- 238000010276 construction Methods 0.000 description 3
- 238000007689 inspection Methods 0.000 description 3
- 238000004590 computer program Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 239000011159 matrix material Substances 0.000 description 2
- 238000011176 pooling Methods 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 238000004088 simulation Methods 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000002349 favourable effect Effects 0.000 description 1
- 238000013178 mathematical model Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000011022 operating instruction Methods 0.000 description 1
- 238000013139 quantization Methods 0.000 description 1
- 238000011084 recovery Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
- 238000001228 spectrum Methods 0.000 description 1
- 230000001629 suppression Effects 0.000 description 1
- 238000012360 testing method 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
- G06N3/08—Learning methods
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T90/00—Enabling technologies or technologies with a potential or indirect contribution to GHG emissions mitigation
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Computing Systems (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Molecular Biology (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Measurement Of Mechanical Vibrations Or Ultrasonic Waves (AREA)
- Feedback Control In General (AREA)
Abstract
本发明公开了一种基于堆叠反馈残差网络的地震噪声去除方法及装置，其中基于堆叠反馈残差网络的地震噪声去除方法包括：利用地震噪声训练数据集对残差网络进行训练，得到去噪算子；利用多级去噪算子对地震噪声输入信号进行逐级迭代去噪处理，其中，第i级去噪算子的输入信号是根据第i‑1级去噪算子的输入信号和输出信号而得到，i大于1；当满足迭代结束条件时，输出去除地震噪声的输出信号。本发明使用深度残差网络作为去噪算子，并利用去噪算子对地震噪声进行迭代去噪处理，有效去除了地震信号中的强随机噪声。
Description
技术领域
本发明涉及地震信号处理技术领域，具体涉及一种基于堆叠反馈残差网络的地震噪声去除方法及装置、计算设备及计算机存储介质。
背景技术
地震资料处理中无论是常规水平地震还是垂直地震，噪声压制是不可缺少的一个部分。随机噪声因其在时空域、频率域和波数域中都具有随机性而导致很难被完全去除，强随机噪声是指随机噪声在能量上高于地震信号的一类随机信号。造成强随机噪声的情况有很多，主要是近年来油气勘探逐渐向地下深层区域转移，由于深层或者由复杂地质结构造成的地震信号很容易被噪声淹没，导致地震信号中的强随机噪声，常常使得地震资料质量变得非常差，难以提取丰富地震反射信息以形成清晰的地震图像并获取有效的地球物理信息。因此，研究如何从强随机噪声中恢复有效的地震信号是地震资料处理发展的必要环节。
传统的去噪方法通常假设信号能用一组正交的基组合表示，而噪声不能被表示，从而将信号变换到另一个稀疏域进行去噪处理，常见的变换有f-x域和小波变换等。这些方法能够有效去除与有效信号有明显特征区分的噪声，如地震面波，但是无法有效去除与有效信号无明显特征区分的噪声，例如与信号能量和频率处于同一范围的噪声。对于强随机噪声来说，频率的随机性表明其在频谱上必定与有效信号存在重叠，能量的随机性表明其在能量上也与有效信号有同幅现象。
得益于高性能计算机硬件技术的发展，深度学习（Deep Learning，简称为DL）在计算机视觉研究中发展迅猛，深度学习分为监督式学习（Supervised DL）和非监督式学习（Unsupervised DL）两种，其中，监督式学习在数据集中需要用到与输入对应的标签，而非监督式学习则不用。深度学习网络由不同的网络层（Layer）组成，这些网络层根据功能分为卷积层、池化层、激活层和全连接层等。不同结构组合的网络层适应不同的功能需求，例如去噪深度学习网络要求输入与输出的大小尺寸相同。由于深度学习具有高度抽象的学习能力，在地震勘探处理中用处广泛。研究表明，虽然深度学习中的卷积运算能提取输入信息的结构等特征表达等信息，相对于传统方法提高了去噪精度，但是对于强随机噪声的去除效果并不突出，原因在于训练监督式学习网络的强噪声训练数据难以匹配实际数据，导致实际应用时仍然难以分辨强噪声与有效信号，而非监督式学习仅能依靠“编码-解码”式网络结构处理能量弱于信号的随机噪声。除此之外，过拟合等问题甚至可能会导致结果出现假反射同相轴，现有使用深度学习去除强随机噪声的效果较差。
发明内容
鉴于上述问题，提出了本发明以便提供一种克服上述地震噪声去除效果较差问题的基于堆叠反馈残差网络的地震噪声去除方法及装置、计算设备及计算机存储介质。
根据本发明的一个方面，提供了一种基于堆叠反馈残差网络的地震噪声去除方法，包括：
利用地震噪声训练数据集对残差网络进行训练，得到去噪算子；
利用多级去噪算子对地震噪声输入信号进行逐级迭代去噪处理，其中，第i级去噪算子的输入信号是根据第i-1级去噪算子的输入信号和输出信号而得到，i大于1；
当满足迭代结束条件时，输出去除地震噪声的输出信号。
在一种可选的方式中，所述方法还包括：预先设置反馈增益因子；
所述第i级去噪算子的输入信号是根据所述反馈增益因子、第i-1级去噪算子的输入信号和输出信号而得到。
在一种可选的方式中，利用如下公式得到所述第i级去噪算子的输入信号：
inputi = outputi-1 × (1-λ) + inputi-1 × λ
其中，inputi为第i级去噪算子的输入信号，λ为预先设置的反馈增益因子，inputi-1为第i-1级去噪算子的输入信号，outputi-1为第i-1级去噪算子的输出信号。
在一种可选的方式中，所述当满足迭代结束条件时，输出去除地震噪声的输出信号进一步包括：
针对任一第i级去噪算子，判断经第i级去噪算子去除的地震噪声振幅是否满足正态分布，若是，则确定满足迭代结束条件，输出经第i级去噪算子去除地震噪声的输出信号。
在一种可选的方式中，在所述利用地震噪声训练数据集对残差网络进行训练，得到去噪算子之前，所述方法还包括：
根据不同的速度模型正演生成预设数量的训练数据；
将所述预设数量的训练数据进行加噪处理，得到地震噪声训练数据集。
在一种可选的方式中，所述残差网络的训练过程表示为：
其中，Ɗ表示去噪算子；θ*和θ分别表示优化前和优化后的参数集；Noisy和Clean分别表示网络输入和标签；Φ(θ)和λ'表示正则化函数和正则化参数； || . ||2表示L2范数。
在一种可选的方式中，所述残差网络由至少一个模块构成，其中每个模块包含一个卷积层、一个批标准化层、两个非线性激活层和一个短连接。
根据本发明的另一方面，提供了一种基于堆叠反馈残差网络的地震噪声去除装置，包括：
残差网络训练模块，用于利用地震噪声训练数据集对残差网络进行训练，得到去噪算子；
堆叠反馈模块，用于利用多级去噪算子对地震噪声输入信号进行逐级迭代去噪处理，其中，第i级去噪算子的输入信号是根据第i-1级去噪算子的输入信号和输出信号而得到，i大于1；
输出模块，用于当满足迭代结束条件时，输出去除地震噪声的输出信号。
根据本发明的又一方面，提供了一种计算设备，包括：处理器、存储器、通信接口和通信总线，所述处理器、所述存储器和所述通信接口通过所述通信总线完成相互间的通信；
所述存储器用于存放至少一可执行指令，所述可执行指令使所述处理器执行上述基于堆叠反馈残差网络的地震噪声去除方法对应的操作。
根据本发明的再一方面，提供了一种计算机存储介质，所述存储介质中存储有至少一可执行指令，所述可执行指令使处理器执行如上述基于堆叠反馈残差网络的地震噪声去除方法对应的操作。
根据本发明提供的方案，利用地震噪声训练数据集对残差网络进行训练，得到去噪算子；利用多级去噪算子对地震噪声输入信号进行逐级迭代去噪处理，其中，第i级去噪算子的输入信号是根据第i-1级去噪算子的输入信号和输出信号而得到，i大于1；当满足迭代结束条件时，输出去除地震噪声的输出信号。本发明使用深度残差网络作为去噪算子，并利用去噪算子对地震噪声进行迭代去噪处理，有效去除了地震信号中的强随机噪声。
上述说明仅是本发明技术方案的概述，为了能够更清楚了解本发明的技术手段，而可依照说明书的内容予以实施，并且为了让本发明的上述和其它目的、特征和优点能够更明显易懂，以下特举本发明的具体实施方式。
附图说明
通过阅读下文优选实施方式的详细描述，各种其他的优点和益处对于本领域普通技术人员将变得清楚明了。附图仅用于示出优选实施方式的目的，而并不认为是对本发明的限制。而且在整个附图中，用相同的参考符号表示相同的部件。在附图中：
图1示出了本发明实施例的基于堆叠反馈残差网络的地震噪声去除方法的流程示意图；
图2示出了本发明另一个实施例的基于堆叠反馈残差网络的地震噪声去除方法的流程示意图；
图3示出了本发明实施例的堆叠反馈残差网络的流程示意图；
图4示出了现有技术中残差结构示意图；
图5示出了本发明实施例的CNN模块结构示意图；
图6示出了本发明实施例的残差网络模块结构示意图；
图7示出了本发明实施例的残差网络结构示意图；
图8示出了本发明实施例的实际叠后剖面一的示意图；
图9示出了本发明实施例的实际叠后剖面一的去噪结果示意图；
图10示出了本发明实施例的实际叠后剖面一被去除的噪声剖面示意图；
图11示出了本发明实施例的实际叠前数据二的示意图；
图12示出了本发明实施例的实际叠前数据二的去噪结果示意图；
图13示出了本发明实施例的实际叠前数据二被去除的噪声剖面示意图；
图14示出了本发明实施例的实际垂直地震上行P波数据三的示意图；
图15示出了本发明实施例的实际垂直地震上行P波数据三的去噪结果示意图；
图16示出了本发明实施例的实际垂直地震上行P波数据三被去除的噪声剖面示意图；
图17示出了本发明实施例的基于堆叠反馈残差网络的地震噪声去除装置的结构示意图；
图18示出了本发明实施例的计算设备的结构示意图。
具体实施方式
下面将参照附图更详细地描述本发明的示例性实施例。虽然附图中显示了本发明的示例性实施例，然而应当理解，可以以各种形式实现本发明而不应被这里阐述的实施例所限制。相反，提供这些实施例是为了能够更透彻地理解本发明，并且能够将本发明的范围完整的传达给本领域的技术人员。
图1示出了本发明实施例的基于堆叠反馈残差网络的地震噪声去除方法的流程示意图。本方法将残差网络作为去噪算子，利用多级去噪算子对地震噪声输入信号进行逐级迭代去噪处理，输出去除地震噪声的输出信号。具体地，如图1所示，包括以下步骤：
步骤S101，利用地震噪声训练数据集对残差网络进行训练，得到去噪算子。
为更清楚的描述本实施例中图7所示的残差网络结构，首先描述残差学习的基本思想、残差结构和CNN网络构建的残差网络结构。
其中，关于残差学习的基本思想描述如下：
假设原始信号y的组成为：
y = x + n （1-1）
残差学习（Residual Learning）的主要思想是拟合残差信号n而不是目标信号x ，残差学习的实现机制为短连接，短连接将前面学习到的信号与目前学习到的信号做差得到残差（Residual）信号，从而搭建起一个残差模块。一个残差网络中可以有几十个、上百个残差模块，然后在一个训练历元（Training Epoch）完成残差模块的残差拟合，减轻了深度学习网络对目标信号的学习压力，因为在训练深度学习网络过程中，学习符合随机（高斯）分布的随机噪声信号的误差要比学习具有特定结构信息信号的误差较为容易。有短连接网络的误差曲面（Loss Surface）比无短连接网络的误差曲面更光滑，局部极值更少，因此，残差网络更容易达到全局最优。
关于残差结构的描述如下：
图4示出了现有技术中残差结构示意图，残差结构的表达式为：
Ri(z) = Fi(z) – z （2-1）
其中，z代表残差结构的输入；Ri(z)和Fi(z)分别代表网络中第i个残差结构中拟合的残差信号和目标信号。
由公式（2-1）可知，残差结构通过将学习到的目标信号Fi(z)与输入z作减法，得到更容易拟合的残差信号Ri(z)，从而使得误差曲面更加平滑，降低了网络陷入局部最优的可能性。
残差网络的训练过程可以表示为：
其中，θ表示残差网络的网络参数集；N表示训练数据的总数；xi表示训练数据(xi,yi)的输入向量，yi表示训练数据(xi,yi)的输出向量；|| . ||2表示L2范数。
在使用梯度下降算法优化网络的情况下，训练误差在误差曲面中逐步下降并更新θ，直到达到极值而停止下降。
关于CNN网络构建的残差网络结构的描述如下：
一个卷积神经网络（Convolutional Neural Networks ，简称为CNN或CNN网络）模块通常可以由卷积层（Conv(•)），批量标准化层（BN(•)）和一种非线性激活函数（ReLU(•)）堆叠组成，可以表示为：
f(xi) = ReLU(BN(Conv(xi))) （3-1）
其中，f(xi)是第i层的输出层，xi是第i-1层的输出。
公式（3-1）中的CNN模块结构如图5所示，通过CNN网络将输入数据依次送入卷积层Conv、批量标准化层BN、非线性激活函数（或层）ReLU，得到输出结果。对于CNN模块结构中的参数，如卷积核的大小、卷积核的数量、执行卷积时的步幅等可以根据不同的学习任务进行调整。
基于公式（3-1），一个简单的卷积神经网络模型可以表示为：
y = F(x|θ) = fn (⋯f2 (f1 (x))) （3-2）
其中， x和y分别为CNN网络的输入和输出；fi表示公式（3-1），θ表示CNN网络的参数集（包括权重矩阵和偏置矩阵），θ在网络训练中被调整。
CNN的训练过程（即最优化过程）表示为：
参数θ通过误差函数L进行优化，Φ(θ)和λ'分别为正则化函数与正则化参数，误差函数L描述的是真实值y与卷积神经网络的输出值F (x|θ)之间的量化误差，常用的误差函数L为L2范数：
其中， N代表小批量(Mini-Batch)的大小；L2范数可以理解为计算欧几里得空间中两点的距离，用于计算拟合值与真实值之间的误差大小。
本实施例中，基于上述残差学习的基本思想、残差结构和CNN网络构建的残差网络结构，构建的残差网络（残差模块）如图6所示，包括卷积层、批量标准化层（批标准化层）、非线性激活层和短连接。
由残差模块组成的整体残差网络结构如图7所示，给定输入数据（如输入图像尺寸为：64×64×64），首先通过残差网络将输入数据依次送入卷积层、批标准化层和非线性激活层，然后将处理的结果进一步送入到多个残差模块（Block1、Block2等），再经过卷积层、批标准化层和非线性激活层，最后得到输出结果。对于该结构中的参数，如卷积核的大小、卷积核的数量、执行卷积的步幅等可以根据不同的学习任务进行调整。可选地，在残差模块之后增加池化层进行降维。
需要说明的是，本实施例中的残差网络结构处于深度神经网络内部，即网络输出层的输出对象为目标信号Fi(z)，但网络拟合的对象为残差信号Ri(z)。使用深度学习网络中的残差网络作为去噪算子，通过残差网络学习输入信号（如强随机噪声）与目标信号的残差（即噪声部分）预估有效信号，不仅能够加深网络层数、丰富多层信号特征的表达能力进而提升去噪效果，而且更有利于加速超深神经网络的训练，避免了随着网络层数增加而产生梯度消失或梯度爆炸的问题。
具体地，利用地震噪声训练数据集对残差网络进行训练，得到去噪算子。
例如，将800个地震噪声训练数据对输入至该残差网络结构进行训练，其中，训练数据集表示为{(Noisyi，Cleani)}, i∈[1,800]；Noisyi和Cleani分别表示网络输入和标签。
去噪算子的训练过程表示为：
其中，Ɗ表示去噪算子；θ*和θ分别表示优化前和优化后的参数集；Noisy和Clean分别表示网络输入和标签；Φ(θ)和λ'表示正则化函数和正则化参数； || . ||2表示L2范数。
步骤S102，利用多级去噪算子对地震噪声输入信号进行逐级迭代去噪处理，其中，第i级去噪算子的输入信号是根据第i-1级去噪算子的输入信号和输出信号而得到，i大于1。
为了去除强随机噪声（如强随机地震噪声），利用多级去噪算子逐级降低地震噪声输入信号的噪声等级，其中，第i级去噪算子的输入信号是根据第i-1级去噪算子的输入信号和输出信号而得到，i为大于1的整数。
如图3所示，使得输入信号（Input1）的噪声逐步从强噪声降低为一般噪声（Input1、Input2、Input3中的噪声等级逐步降低），比如，第2级去噪算子的输入信号（Input2）根据第1级去噪算子的输入信号（Input1）和输出信号（Output1）而得到，以此类推，将输入信号逐级降低到弱噪声，从而实现对强随机噪声的去除，同时提升了输出信噪比（SIGNAL-NOISERATIO，信噪比越大，通常说明混在信号里的噪声越小，否则相反）。
步骤S103，当满足迭代结束条件时，输出去除地震噪声的输出信号。
在去噪算子的训练过程中，当损失函数Loss（也称为代价函数Cost，为拟合值与真实值之间的均方误差）收敛时，即满足了迭代结束的条件，则停止迭代并输出去除地震噪声的输出信号。
本发明上述实施例提供的方案，利用地震噪声训练数据集对残差网络进行训练，得到去噪算子；利用多级去噪算子对地震噪声输入信号进行逐级迭代去噪处理，其中，第i级去噪算子的输入信号是根据第i-1级去噪算子的输入信号和输出信号而得到，i大于1；当满足迭代结束条件时，输出去除地震噪声的输出信号。本发明使用深度学习网络中的残差网络作为去噪算子，通过残差网络学习输入信号与目标信号的残差预估有效信号，并利用多级去噪算子对地震噪声输入信号进行逐级迭代去噪处理，进而实现对强随机噪声的去除，提升了去噪效果和输出信噪比，同时也降低了深度神经网络学习收敛的时间。
图2示出了本发明另一个实施例的基于堆叠反馈残差网络的地震噪声去除方法的流程示意图。本方法在得到去噪算子之前，根据不同的速度模型正演生成训练数据，以及，通过引入反馈增益因子构建堆叠反馈系统去除强地震噪声。具体地，如图2所示，包括以下步骤：
步骤S201，根据不同的速度模型正演生成预设数量的训练数据；将预设数量的训练数据进行加噪处理，得到地震噪声训练数据集。
实际地震噪声是由不同噪声源综合作用的结果，在时空域、频率域和波数域中都具有随机性，在对地震噪声进行训练时，由于客观条件限制仅能采集数量较少的地震噪声，有时难以匹配到实际数据，需要模拟实际的地震噪声。基于地震噪声的采集环境、特性和噪声源参数等，构造数学模型计算或合成多种噪声源共同作用下的模拟地震随机噪声，也称为地震噪声的正演模拟（forward modelling），例如，对于地震波的正演模拟，在对实际地震波分析的基础上，正演不同环境的地震波，比如从一个地震波预测出包含其特性的另一个地震波，使得模拟结果与实际资料尽可能地接近，进而使解释结果更接近客观实际，可以采用有限元法等对地震波进行正演模拟。
具体地，根据地震波不同的速度模型正演生成预设数量的地震波训练数据，将预设数量的地震波训练数据进行加噪处理，得到地震噪声训练数据集。
步骤S202，利用地震噪声训练数据集对残差网络进行训练，得到去噪算子。
在一种可选的方式中，残差网络由至少一个模块构成，其中每个模块包含一个卷积层、一个批标准化层、两个非线性激活层和一个短连接。
步骤S203，预先设置反馈增益因子，利用多级去噪算子对地震噪声输入信号进行逐级迭代去噪处理，其中，第i级去噪算子的输入信号是根据反馈增益因子、第i-1级去噪算子的输入信号和输出信号而得到。
为了更好地解决地震数据处理中的强随机噪声去除问题，在残差网络结构中引入反馈理论，根据反馈理论构建具有堆叠反馈系统的残差网络结构去除强地震噪声。反馈理论并不属于经典的深度学习理论，例如，通过反馈把信息输送出去，又把其作用结果返送回来，并对信息的再输出发生影响，起到控制作用，以达到预定目的。其中，使作用结果越来越大的反馈称为正反馈，使作用结果越来越收敛的反馈称为负反馈，引入反馈理论使残差网络结构处理信息更加灵敏和准确。
具体地，预先设置反馈增益因子，利用多级去噪算子对地震噪声输入信号进行逐级迭代去噪处理，其中，第i级去噪算子的输入信号根据反馈增益因子、第i-1级去噪算子的输入信号和输出信号而得到。如图3所示，第2级去噪算子的输入信号根据反馈增益因子λ、第1级去噪算子的输入信号和输出信号而得到。
在一种可选的方式中，利用如下公式得到所述第i级去噪算子的输入信号：
inputi = outputi-1×(1-λ) + inputi-1×λ（5-1）
其中，inputi为第i级去噪算子的输入信号；λ为预先设置的反馈增益因子，其作用是降低下次输入的噪声等级，λ∈[0,1]；inputi-1为第i-1级去噪算子的输入信号；outputi-1为第i-1级去噪算子的输出信号；i为去噪算子的级数，也表示反馈迭代的次数。
如图3所示，例如，第一次去噪：Ɗ(input1)= output1，并产生第2次迭代的输出input2：
input2 = output1 × (1-λ) + input1 × λ
步骤S204，针对任一第i级去噪算子，判断经第i级去噪算子去除的地震噪声振幅是否满足正态分布。
以迭代的模式去除地震强随机噪声需要一个迭代停止条件，具体地，根据地震随机噪声振幅分布是否符合高斯分布（Normal Distribution，也称为正态分布或“常态分布”，自然界、社会活动中大量现象均按正态形式分布），即是否满足高斯分布的假设，并使用分布检验方法检验去除的地震噪声振幅分布是否符合高斯分布，若是，则迭代停止，执行步骤S205；否则，执行步骤S203。
步骤S205，确定满足迭代结束条件，输出经第i级去噪算子去除地震噪声的输出信号。
本实施例中，如图3所示，将残差网络学习所有的网络层都看作一个层，将去噪算子看作控制系统中的一个处理器，然后使用反馈将处理器的输入与输出相连接，构建一个基本的堆叠反馈去噪系统，通过该系统去除强随机噪声的详细流程如下：
步骤一：初始化残差网络Ɗ(•) ，包括初始化残差模块(ResNet)的个数、每个残差模块(ResNet)的组成（例如，卷积层的个数、批标准化的个数、非线性激活层的个数、短连接的个数）、卷积核的大小、卷积核的数量、执行卷积时的步幅等。
步骤二：根据不同的速度模型正演生成N个训练数据{(Noisyi，Cleani)}，i∈[1,N]，训练残差网络Ɗ(•)得到去噪算子。
步骤三：设置反馈增益因子λ的值。
步骤四：进行第i级去噪，Ɗ（inputi）= outputi，产生第i+1次迭代的输入inputi+1, i=1,2，…n，n为满足迭代条件时所使用的残差网络(ResNet)的个数。
例如，第一次去噪：Ɗ（iutput1）= output1，并产生第2次迭代的输入input2：
input2 = output1 × (1-λ) + input1 × λ
步骤五：进行正态分布检验，判断检验结果的真假，若结果为假，则执行步骤四；若为真，则执行步骤六。
步骤六：输出结果outputn。
需要说明的是，本实施例中，能够对水平地震叠后数据、叠前数据进行去噪处理，有利于建立地震速度反演的低频趋势，同时在对垂直地震上行P波进行处理获得高质量的垂直地震上行P波反射场。如图8至图16分别展示了水平地震叠后数据、叠前数据和垂直地震上行P波的去噪结果，结果表明能够有效去除地震强随机噪声。
本发明上述实施例提供的方案，根据不同的速度模型正演生成训练数据集并进行加噪处理，使得模拟结果与实际资料尽可能地接近，有效扩展了地震随机噪声数据集的规模。通过引入反馈增益因子构建具有堆叠反馈系统的残差网络结构，增强了残差网络结构的灵敏性和准确度。根据地震随机噪声振幅分布是否符合高斯分布的假设检验，确定满足迭代结束的条件，进一步提升了残差网络结构的准确度。由于强噪声会不可避免地破坏一些有效地震信号，本发明通过利用监督学习的“推理”功能，可以在地震噪声强度降低的同时更好地推理出被噪声破坏的有效地震信号，从而便于恢复，而这些信号在传统的算法中几乎不可能被恢复。并且，基于堆叠反馈结构与残差网络有效去除了水平地震或垂直地震强随机噪声。
图17示出了本发明实施例的基于堆叠反馈残差网络的地震噪声去除装置的结构示意图。基于堆叠反馈残差网络的地震噪声去除装置包括：残差网络训练模块1710、堆叠反馈模块1720和输出模块1730。
所述残差网络训练模块1710，用于利用地震噪声训练数据集对残差网络进行训练，得到去噪算子；
所述堆叠反馈模块1720，用于利用多级去噪算子对地震噪声输入信号进行逐级迭代去噪处理，其中，第i级去噪算子的输入信号是根据第i-1级去噪算子的输入信号和输出信号而得到，i大于1；
所述输出模块1730，用于当满足迭代结束条件时，输出去除地震噪声的输出信号。
在一种可选的方式中，所述堆叠反馈模块1720进一步用于：
预先设置反馈增益因子；
所述第i级去噪算子的输入信号是根据所述反馈增益因子、第i-1级去噪算子的输入信号和输出信号而得到。
在一种可选的方式中，所述堆叠反馈模块1720进一步用于：
利用如下公式得到所述第i级去噪算子的输入信号：
inputi = outputi-1 × (1-λ) + inputi-1 × λ
其中，inputi为第i级去噪算子的输入信号，λ为预先设置的反馈增益因子，inputi-1为第i-1级去噪算子的输入信号，outputi-1为第i-1级去噪算子的输出信号。
在一种可选的方式中，所述输出模块1730进一步用于：
针对任一第i级去噪算子，判断经第i级去噪算子去除的地震噪声振幅是否满足正态分布，若是，则确定满足迭代结束条件，输出经第i级去噪算子去除地震噪声的输出信号。
在一种可选的方式中，所述残差网络训练模块1710进一步用于：
根据不同的速度模型正演生成预设数量的训练数据；
将所述预设数量的训练数据进行加噪处理，得到地震噪声训练数据集。
在一种可选的方式中，所述残差网络训练模块1710进一步用于：
所述残差网络的训练过程表示为：
其中，Ɗ表示去噪算子；θ*和θ分别表示优化前和优化后的参数集；Noisy和Clean分别表示网络输入和标签；Φ(θ)和λ'表示正则化函数和正则化参数； || . ||2表示L2范数。
在一种可选的方式中，所述残差网络训练模块1710进一步用于：
所述残差网络由至少一个模块构成，其中每个模块包含一个卷积层、一个批标准化层、两个非线性激活层和一个短连接。
本发明上述实施例提供的方案，利用地震噪声训练数据集对残差网络进行训练，得到去噪算子；利用多级去噪算子对地震噪声输入信号进行逐级迭代去噪处理，其中，第i级去噪算子的输入信号是根据第i-1级去噪算子的输入信号和输出信号而得到，i大于1；当满足迭代结束条件时，输出去除地震噪声的输出信号。本发明使用深度学习网络中的残差网络作为去噪算子，通过残差网络学习输入信号与目标信号的残差预估有效信号，并利用多级去噪算子对地震噪声输入信号进行逐级迭代去噪处理，进而实现对强随机噪声的去除，提升了去噪效果和输出信噪比，同时也降低了深度神经网络学习收敛的时间。
图18示出了本发明计算设备实施例的结构示意图，本发明具体实施例并不对计算设备的具体实现做限定。
如图18所示，该计算设备可以包括：处理器1802、通信接口1804、存储器1806、以及通信总线1808。
其中：处理器1802、通信接口1804、以及存储器1806通过通信总线1808完成相互间的通信。通信接口1804，用于与其它设备比如客户端或其它服务器等的网元通信。处理器1802，用于执行程序1810，具体可以执行上述基于堆叠反馈残差网络的地震噪声去除方法实施例中的相关步骤。
具体地，程序1810可以包括程序代码，该程序代码包括计算机操作指令。
处理器1802可能是中央处理器CPU，或者是特定集成电路ASIC，或者是被配置成实施本发明实施例的一个或多个集成电路。计算设备包括的一个或多个处理器，可以是同一类型的处理器，如一个或多个CPU；也可以是不同类型的处理器，如一个或多个CPU以及一个或多个ASIC。
存储器1806，用于存放程序1810。存储器1806可能包含高速RAM存储器，也可能还包括非易失性存储器，例如至少一个磁盘存储器。
程序1810具体可以用于使得处理器1802执行以下操作：
利用地震噪声训练数据集对残差网络进行训练，得到去噪算子；
利用多级去噪算子对地震噪声输入信号进行逐级迭代去噪处理，其中，第i级去噪算子的输入信号是根据第i-1级去噪算子的输入信号和输出信号而得到，i大于1；
当满足迭代结束条件时，输出去除地震噪声的输出信号。
在一种可选的方式中，所述程序1810使所述处理器执行以下操作：
预先设置反馈增益因子；
所述第i级去噪算子的输入信号是根据所述反馈增益因子、第i-1级去噪算子的输入信号和输出信号而得到。
在一种可选的方式中，所述程序1810使所述处理器执行以下操作：
利用如下公式得到所述第i级去噪算子的输入信号：
inputi = outputi-1 × (1-λ) + inputi-1 × λ
其中，inputi为第i级去噪算子的输入信号，λ为预先设置的反馈增益因子，inputi-1为第i-1级去噪算子的输入信号，outputi-1为第i-1级去噪算子的输出信号。
在一种可选的方式中，所述程序1810使所述处理器执行以下操作：
针对任一第i级去噪算子，判断经第i级去噪算子去除的地震噪声振幅是否满足正态分布，若是，则确定满足迭代结束条件，输出经第i级去噪算子去除地震噪声的输出信号。
在一种可选的方式中，在所述利用地震噪声训练数据集对残差网络进行训练，得到去噪算子之前，所述程序1810使所述处理器执行以下操作：
根据不同的速度模型正演生成预设数量的训练数据；
将所述预设数量的训练数据进行加噪处理，得到地震噪声训练数据集。
在一种可选的方式中，所述残差网络的训练过程表示为：
其中，Ɗ表示去噪算子；θ*和θ分别表示优化前和优化后的参数集；Noisy和Clean分别表示网络输入和标签；Φ(θ)和λ'表示正则化函数和正则化参数； || . ||2表示L2范数。
在一种可选的方式中，所述残差网络由至少一个模块构成，其中每个模块包含一个卷积层、一个批标准化层、两个非线性激活层和一个短连接。
本发明上述实施例提供的方案，利用地震噪声训练数据集对残差网络进行训练，得到去噪算子；利用多级去噪算子对地震噪声输入信号进行逐级迭代去噪处理，其中，第i级去噪算子的输入信号是根据第i-1级去噪算子的输入信号和输出信号而得到，i大于1；当满足迭代结束条件时，输出去除地震噪声的输出信号。本发明使用深度学习网络中的残差网络作为去噪算子，通过残差网络学习输入信号与目标信号的残差预估有效信号，并利用多级去噪算子对地震噪声输入信号进行逐级迭代去噪处理，进而实现对强随机噪声的去除，提升了去噪效果和输出信噪比，同时也降低了深度神经网络学习收敛的时间。
本发明实施例提供了一种非易失性计算机存储介质，所述计算机存储介质存储有至少一可执行指令，该计算机可执行指令可执行上述任意方法实施例中的基于堆叠反馈残差网络的地震噪声去除方法。
在此提供的算法或显示不与任何特定计算机、虚拟系统或者其它设备固有相关。各种通用系统也可以与基于在此的示教一起使用。根据上面的描述，构造这类系统所要求的结构是显而易见的。此外，本发明实施例也不针对任何特定编程语言。应当明白，可以利用各种编程语言实现在此描述的本发明的内容，并且上面对特定语言所做的描述是为了披露本发明的最佳实施方式。
在此处所提供的说明书中，说明了大量具体细节。然而，能够理解，本发明的实施例可以在没有这些具体细节的情况下实践。在一些实例中，并未详细示出公知的方法、结构和技术，以便不模糊对本说明书的理解。
类似地，应当理解，为了精简本发明并帮助理解各个发明方面中的一个或多个，在上面对本发明的示例性实施例的描述中，本发明实施例的各个特征有时被一起分组到单个实施例、图、或者对其的描述中。然而，并不应将该公开的方法解释成反映如下意图：即所要求保护的本发明要求比在每个权利要求中所明确记载的特征更多的特征。更确切地说，如下面的权利要求书所反映的那样，发明方面在于少于前面公开的单个实施例的所有特征。因此，遵循具体实施方式的权利要求书由此明确地并入该具体实施方式，其中每个权利要求本身都作为本发明的单独实施例。
本领域那些技术人员可以理解，可以对实施例中的设备中的模块进行自适应性地改变并且把它们设置在与该实施例不同的一个或多个设备中。可以把实施例中的模块或单元或组件组合成一个模块或单元或组件，以及此外可以把它们分成多个子模块或子单元或子组件。除了这样的特征和/或过程或者单元中的至少一些是相互排斥之外，可以采用任何组合对本说明书（包括伴随的权利要求、摘要和附图）中公开的所有特征以及如此公开的任何方法或者设备的所有过程或单元进行组合。除非另外明确陈述，本说明书（包括伴随的权利要求、摘要和附图）中公开的每个特征可以由提供相同、等同或相似目的的替代特征来代替。
此外，本领域的技术人员能够理解，尽管在此的一些实施例包括其它实施例中所包括的某些特征而不是其它特征，但是不同实施例的特征的组合意味着处于本发明的范围之内并且形成不同的实施例。例如，在下面的权利要求书中，所要求保护的实施例的任意之一都可以以任意的组合方式来使用。
本发明的各个部件实施例可以以硬件实现，或者以在一个或者多个处理器上运行的软件模块实现，或者以它们的组合实现。本领域的技术人员应当理解，可以在实践中使用微处理器或者数字信号处理器（DSP）来实现根据本发明实施例的一些或者全部部件的一些或者全部功能。本发明还可以实现为用于执行这里所描述的方法的一部分或者全部的设备或者装置程序（例如，计算机程序和计算机程序产品）。这样的实现本发明的程序可以存储在计算机可读介质上，或者可以具有一个或者多个信号的形式。这样的信号可以从因特网网站上下载得到，或者在载体信号上提供，或者以任何其他形式提供。
应该注意的是上述实施例对本发明进行说明而不是对本发明进行限制，并且本领域技术人员在不脱离所附权利要求的范围的情况下可设计出替换实施例。在权利要求中，不应将位于括号之间的任何参考符号构造成对权利要求的限制。单词“包含”不排除存在未列在权利要求中的元件或步骤。位于元件之前的单词“一”或“一个”不排除存在多个这样的元件。本发明可以借助于包括有若干不同元件的硬件以及借助于适当编程的计算机来实现。在列举了若干装置的单元权利要求中，这些装置中的若干个可以是通过同一个硬件项来具体体现。单词第一、第二、以及第三等的使用不表示任何顺序。可将这些单词解释为名称。上述实施例中的步骤，除有特殊说明外，不应理解为对执行顺序的限定。
Claims (6)
1.一种基于堆叠反馈残差网络的地震噪声去除方法，其特征在于，包括：利用地震噪声训练数据集对残差网络进行训练，得到去噪算子；所述残差网络的训练过程表示为：
其中，
表示去噪算子；θ *和θ分别表示优化前和优化后的参数集；Noisy和Clean分别表示网络输入和标签；Φ(θ)和λ´表示正则化函数和正则化参数； ||.||2表示L2范数；
预先设置反馈增益因子，利用多级去噪算子对地震噪声输入信号进行逐级迭代去噪处理，其中，第i级去噪算子的输入信号是根据所述反馈增益因子、第i-1级去噪算子的输入信号和输出信号而得到，i大于1；具体地，利用如下公式得到所述第i级去噪算子的输入信号：
inputi = outputi-1 ×（1-λ） + inputi-1×λ；其中，inputi为第i级去噪算子的输入信号，λ为预先设置的反馈增益因子，inputi-1为第i-1级去噪算子的输入信号，outputi-1为第i-1级去噪算子的输出信号；
针对任一第i级去噪算子，判断经第i级去噪算子去除的地震噪声振幅是否满足正态分布，若是，则确定满足迭代结束条件，输出经第i级去噪算子去除地震噪声的输出信号。
2.根据权利要求1所述的基于堆叠反馈残差网络的地震噪声去除方法，其特征在于，在所述利用地震噪声训练数据集对残差网络进行训练，得到去噪算子之前，所述方法还包括：
根据不同的速度模型正演生成预设数量的训练数据；
将所述预设数量的训练数据进行加噪处理，得到地震噪声训练数据集。
3.根据权利要求1所述的基于堆叠反馈残差网络的地震噪声去除方法，其特征在于，所述残差网络由至少一个模块构成，其中每个模块包含一个卷积层、一个批标准化层、两个非线性激活层和一个短连接。
4.一种基于堆叠反馈残差网络的地震噪声去除装置，其特征在于，包括：
残差网络训练模块，用于利用地震噪声训练数据集对残差网络进行训练，得到去噪算子；所述残差网络的训练过程表示为：
堆叠反馈模块，预先设置反馈增益因子，用于利用多级去噪算子对地震噪声输入信号进行逐级迭代去噪处理，其中，第i级去噪算子的输入信号是根据所述反馈增益因子、第i-1级去噪算子的输入信号和输出信号而得到，i大于1；具体地，利用如下公式得到所述第i级去噪算子的输入信号：inputi = outputi-1 ×（1-λ） + inputi-1×λ；
其中，inputi为第i级去噪算子的输入信号，λ为预先设置的反馈增益因子，inputi-1为第i-1级去噪算子的输入信号，outputi-1为第i-1级去噪算子的输出信号；
输出模块，用于针对任一第i级去噪算子，判断经第i级去噪算子去除的地震噪声振幅是否满足正态分布，若是，则确定满足迭代结束条件，输出经第i级去噪算子去除地震噪声的输出信号。
5.一种计算设备，包括：处理器、存储器、通信接口和通信总线，所述处理器、所述存储器和所述通信接口通过所述通信总线完成相互间的通信；
所述存储器用于存放至少一个可执行指令，所述可执行指令使所述处理器执行如权利要求1-3中任一项所述的基于堆叠反馈残差网络的地震噪声去除方法对应的操作。
6. 一种计算机存储介质，所述存储介质中存储有至少一个可执行指令， 所述可执行指令使处理器执行如权利要求1-3中任一项所述的基于堆叠反馈残差网络的地震噪声去除方法对应的操作。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211577872.5A CN115577247B (zh) | 2022-12-09 | 2022-12-09 | 基于堆叠反馈残差网络的地震噪声去除方法及装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211577872.5A CN115577247B (zh) | 2022-12-09 | 2022-12-09 | 基于堆叠反馈残差网络的地震噪声去除方法及装置 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN115577247A CN115577247A (zh) | 2023-01-06 |
| CN115577247B true CN115577247B (zh) | 2023-07-11 |
Family
ID=84590330
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202211577872.5A Active CN115577247B (zh) | 2022-12-09 | 2022-12-09 | 基于堆叠反馈残差网络的地震噪声去除方法及装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN115577247B (zh) |
Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113962244A (zh) * | 2020-07-03 | 2022-01-21 | 中国石油化工股份有限公司 | 瑞雷波地震数据噪声去除方法、存储介质及电子设备 |
| CN114325821A (zh) * | 2021-12-23 | 2022-04-12 | 西安交通大学 | 基于3d-snacnn网络的叠前地震资料中强散射噪声压制方法及系统 |
Family Cites Families (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110007347B (zh) * | 2019-04-09 | 2020-06-30 | 西南石油大学 | 一种深度学习地震资料去噪方法 |
| CN110045419B (zh) * | 2019-05-21 | 2020-10-16 | 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 |
| US11947061B2 (en) * | 2019-10-18 | 2024-04-02 | Korea University Research And Business Foundation | Earthquake event classification method using attention-based convolutional neural network, recording medium and device for performing the method |
| CN111190227B (zh) * | 2020-01-09 | 2021-06-04 | 吉林大学 | 基于残差卷积生成对抗模型的低信噪比地震数据消噪方法 |
| CN112083482B (zh) * | 2020-08-06 | 2021-11-19 | 西安交通大学 | 基于模型驱动深度学习的地震超分辨反演方法 |
| CN112598593B (zh) * | 2020-12-25 | 2022-05-27 | 吉林大学 | 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 |
| KR102346352B1 (ko) * | 2021-05-14 | 2022-01-03 | 대한민국(기상청장) | Mems 기반 보조 지진 관측망에서 지진을 감지하는 방법, 이를 수행하기 위한 기록 매체 및 장치 |
| CN113885077B (zh) * | 2021-09-30 | 2023-07-18 | 太原理工大学 | 一种基于深度学习的多震源地震数据分离方法 |
| CN115346112A (zh) * | 2022-05-11 | 2022-11-15 | 成都理工大学 | 基于多层特征融合的地震数据抽油机噪声抑制方法 |
| CN115267911B (zh) * | 2022-08-01 | 2024-05-24 | 北京大学 | 一种基于模型与数据驱动深度学习的地震多次波压制方法 |
-
2022
- 2022-12-09 CN CN202211577872.5A patent/CN115577247B/zh active Active
Patent Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113962244A (zh) * | 2020-07-03 | 2022-01-21 | 中国石油化工股份有限公司 | 瑞雷波地震数据噪声去除方法、存储介质及电子设备 |
| CN114325821A (zh) * | 2021-12-23 | 2022-04-12 | 西安交通大学 | 基于3d-snacnn网络的叠前地震资料中强散射噪声压制方法及系统 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN115577247A (zh) | 2023-01-06 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US10311342B1 (en) | System and methods for efficiently implementing a convolutional neural network incorporating binarized filter and convolution operation for performing image classification | |
| TWI591490B (zh) | 類神經網路處理器中之向量運算單元 | |
| CN110806602B (zh) | 基于深度学习的智能化地震数据随机噪声压制方法 | |
| US11630997B2 (en) | Method and apparatus with bit-serial data processing of a neural network | |
| US11934949B2 (en) | Composite binary decomposition network | |
| US20210103820A1 (en) | Pipelined backpropagation with minibatch emulation | |
| US20200125960A1 (en) | Small-world nets for fast neural network training and execution | |
| CN115330643B (zh) | 基于卷积神经网络和视觉变换神经网络的地震去噪方法 | |
| CN112651485A (zh) | 识别图像的方法和设备以及训练神经网络的方法和设备 | |
| CN113642675B (zh) | 基于全波形反演和卷积神经网络的地下岩层分布成像获取方法、系统、终端及可读存储介质 | |
| US10747845B2 (en) | System, method and apparatus for computationally efficient data manipulation | |
| CN114429151A (zh) | 一种基于深度残差网络的大地电磁信号识别与重建方法及其系统 | |
| CN115577247B (zh) | 基于堆叠反馈残差网络的地震噪声去除方法及装置 | |
| CN114863209B (zh) | 类别比例引导的无监督领域适应建模方法、系统、设备及介质 | |
| Ren et al. | Hardware implementation of KLMS algorithm using FPGA | |
| US20190258928A1 (en) | Artificial neural network | |
| WO2021055364A1 (en) | Efficient inferencing with fast pointwise convolution | |
| Brakel et al. | Bidirectional truncated recurrent neural networks for efficient speech denoising | |
| CN117152335B (zh) | 一种用于训练体渲染模型、体渲染的方法及装置 | |
| CN116719085B (zh) | 一种地震记录高分辨率处理方法、装置、设备及存储介质 | |
| JP7000586B2 (ja) | データ処理システムおよびデータ処理方法 | |
| US20220301308A1 (en) | Method and system for semi-supervised content localization | |
| CN112446267B (zh) | 一种适合前端的人脸识别网络的设置方法 | |
| Ha | How to Boost Deep Neural Networks for Computer Vision | |
| Gowda et al. | ApproxCNN: Evaluation Of CNN With Approximated Layers Using In-Exact Multipliers |
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 |