CN118295009A - 速度谱处理方法、装置、设备及存储介质 - Google Patents

Abstract

本发明公开了一种速度谱处理方法、装置、设备及存储介质。该方法包括：获取原始速度谱，确定所述原始速度谱中的一次波的速度谱极值信息；基于所述速度谱极值信息生成所述一次波的速度散点信息，基于所述速度散点信息生成所述一次波的速度体趋势；根据所述速度体趋势将所述原始速度谱上多次波的能量团剔除，得到目标速度谱。通过在速度谱上对多次波能量团进行精准识别和剔除，提高了速度谱数据的质量。

Description

速度谱处理方法、装置、设备及存储介质

技术领域

本发明涉及速度谱处理技术领域，尤其涉及一种速度谱处理方法、装置、设备及存储介质。

背景技术

在地震勘探中，速度谱是按照相等的速度间隔对，例如共中心点(Common MiddlePoint，CMP)、共同深度点(Common Depth Point，CDP)或成像道集进行能量或相似系数扫描生成的。从速度谱中可以获取地下介质速度结构信息，如从叠加速度谱中拾取均方根速度，从偏移速度谱中拾取偏移速度，从成像道集剩余速度谱中拾取速度曲率等。

实际道集数据往往包含各种噪声，如多次反射和多次折射等多次波，在道集上多次波的曲率跟有效波曲率相近，因此生成的速度谱中多次波能量团会严重干扰有效波能量团的有效识别和拾取。当道集上含有多次波时，传统速度谱解释需要在生成速度谱前对全部道集进行多次波压制，而多次波难以有效压制且费时费力，且仍存在残留的多次波，造成速度谱质量较差。

发明内容

本发明提供了一种速度谱处理方法、装置、设备及存储介质，以解决多次波能量团干扰，导致速度谱质量较差的问题。

根据本发明的一方面，提供了一种速度谱处理方法，该方法包括：

获取原始速度谱，确定所述原始速度谱中的一次波的速度谱极值信息；

基于所述速度谱极值信息生成所述一次波的速度散点信息，基于所述速度散点信息生成所述一次波的速度体趋势；

根据所述速度体趋势将所述原始速度谱上多次波的能量团剔除，得到目标速度谱。

根据本发明的另一方面，提供了一种速度谱处理装置，该装置包括：

极值信息确定模块，用于获取原始速度谱，确定所述原始速度谱中的一次波的速度谱极值信息；

速度体趋势确定模块，用于基于所述速度谱极值信息生成所述一次波的速度散点信息，基于所述速度散点信息生成所述一次波的速度体趋势；

目标速度谱获得模块，用于根据所述速度体趋势将所述原始速度谱上多次波的能量团剔除，得到目标速度谱。

根据本发明的另一方面，提供了一种电子设备，所述电子设备包括：

至少一个处理器；以及

与所述至少一个处理器通信连接的存储器；其中，

所述存储器存储有可被所述至少一个处理器执行的计算机程序，所述计算机程序被所述至少一个处理器执行，以使所述至少一个处理器能够执行本发明任一实施例所述的速度谱处理方法。

根据本发明的另一方面，提供了一种计算机可读存储介质，所述计算机可读存储介质存储有计算机指令，所述计算机指令用于使处理器执行时实现本发明任一实施例所述的速度谱处理方法。

本发明实施例的技术方案，通过获取原始速度谱，确定所述原始速度谱中的一次波的速度谱极值信息；基于所述速度谱极值信息生成所述一次波的速度散点信息，基于所述速度散点信息生成所述一次波的速度体趋势；根据所述速度体趋势将所述原始速度谱上多次波的能量团剔除，得到目标速度谱，解决了多次波能量团的干扰，导致速度谱质量较差的问题，取到了有效识别和剔除速度谱图像中的多次波，提高了速度谱数据的质量的有益效果。

应当理解，本部分所描述的内容并非旨在标识本发明的实施例的关键或重要特征，也不用于限制本发明的范围。本发明的其它特征将通过以下的说明书而变得容易理解。

附图说明

为了更清楚地说明本发明实施例中的技术方案，下面将对实施例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是根据本发明实施例一提供的一种速度谱处理方法的流程示意图；

图2是根据本发明实施例二提供的一种速度谱处理方法的流程示意图；

图3a是根据本发明实施例二提供的一种速度谱处理方法的可选实例的速度谱的样本示意图；

图3b是根据本发明实施例二提供的一种速度谱处理方法的可选实例的全卷积神经网络的结构示意图；

图3c是根据本发明实施例二提供的一种速度谱处理方法的可选实例的速度谱散点信息和速度体趋势的样本示意图；

图3d是根据本发明实施例二提供的一种速度谱处理方法的可选实例的样本速度谱与目标速度谱的样本示意图；

图3e是根据本发明实施例二提供的一种速度谱处理方法的可选实例的标签数据的样本示意图；

图4是根据本发明实施例三提供的一种速度谱处理装置的结构示意图；

图5是实现本发明实施例的速度谱处理方法的电子设备的结构示意图。

具体实施方式

为了使本技术领域的人员更好地理解本发明方案，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分的实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都应当属于本发明保护的范围。

需要说明的是，本发明的说明书和权利要求书及上述附图中的术语“原始”、“目标”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本发明的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。

实施例一

图1为本发明实施例一提供了一种速度谱处理方法的流程图，本实施例可适用于速度谱处理情况，该方法可以由速度谱处理装置来执行，该速度谱处理装置可以采用硬件和/或软件的形式实现，该速度谱处理装置可配置于电子设备中。如图1所示，该方法包括：

S110、获取原始速度谱，确定所述原始速度谱中的一次波的速度谱极值信息。

其中，速度谱可以理解为地震波能量相对于波速的变化关系的曲线。原始速度谱可以理解为待测试的速度谱。一次波可以理解为反射一次的地震波，极值信息可以理解为速度谱中的极大值和/或极小值对应的数据信息。

具体的，在某一时刻，用由小到大的一系列速度值逐个地对道集接收的记录进行动校正、叠加计算后，将叠加能量与速度的关系制成一条曲线，称为速度谱线。通过检查谱线上叠加能量的大小选取速度值正确的速度，通过改变速度值可以得到对应的不同速度值对应的谱线，将各个速度值对应的谱线组合后得到速度谱。在本发明实施例中，可以通过选取工区内少量控制点上的道集，制作成相应的速度谱，作为原始速度谱，确定速度谱对应的极大值和/或极小值，将极值点对应的数据信息作为速度的极值信息。其中，道集可以理解为多个地震道的集合，地震道可以理解为地震检波器的接收记录。

可选地，通过传统的图像处理算法或者人工智能算法确定所述原始速度谱中的一次波的速度谱极值信息。

S120、基于所述速度谱极值信息生成所述一次波的速度散点信息，基于所述速度散点信息生成所述一次波的速度体趋势。

其中，速度散点可以理解为不同速度值能量团在速度谱图像中对应的速度点。速度散点信息可以理解为速度时间散点信息。速度体趋势可以理解为速度体的运动趋势，速度体趋势可以根据速度散点信息，对速度散点信息进行处理后获得。

具体的，所述速度谱极值信息包括所述一次波的速度谱极值点的时间信息和速度信息。

可选的，所述基于所述速度谱极值信息生成所述一次波的速度散点信息，包括：基于所述一次波的速度谱极值点的时间信息和速度信息，生成以所述速度谱极值点的标识信息为横坐标，以所述速度谱极值点的时间信息为纵坐标，以所述速度谱极值点的速度信息为颜色值的速度散点信息。

其中，速度谱极值点的标识信息可以为标识速度谱极值点位置的信息。典型地，可以采用速度谱极值点的编号作为速度谱极值点的标识信息。颜色值可以理解为色彩值，可以通过颜色值在图像中区分速度信息。

具体的，基于一次波的速度谱极值点的时间信息和速度信息，生成速度谱的坐标系，横轴可以代表速度谱极值点的标识信息，竖轴代表速度谱极值点的时间信息，将速度散点信息按照不同颜色对不同的速度值进行标识。

本发明实施例，通过一次波的速度谱极值点的时间信息和标识信息确定速度谱极值点的位置，并以颜色值标识速度谱极值点的速度，得到速度散点信息，便于获取速度谱体趋势，便于后续生成更加精准完整的速度谱体趋势。

可选的，所述基于所述速度散点信息生成所述一次波的速度体趋势，包括：

对所述速度散点信息中的异常点进行剔除，得到目标散点信息；

对所述目标散点信息进行插值通过插值处理，得到一次波的速度体趋势。

其中，异常点可以理解为异常的速度点，目标散点信息可以理解为剔除异常点后剩余的速度散点的信息，即正常的速度点。插值可以理解为填充速度点之间的空隙，插值处理可以理解为在离散数据的基础上补插连续函数，使得这条连续曲线通过全部给定的离散数据点，例如：在速度谱的制作的场景下，在确定有限个速度点速度值的情况下，可以通过插值处理，估算出在速度曲线上其他点处的近似值。

本发明实施例通过对目标散点信息进行插值，通过插值处理，可预测出速度曲线上其他点处的近似值，从而补全一次波趋势中缺失的部分，形成连续的一次波的速度体趋势。

可选的，所述对所述速度散点信息中的异常点进行剔除，包括：

利用无监督机器学习技术对所述速度散点信息中的异常点进行剔除，其中，所述无监督机器学习技术包括基于密度的聚类算法、局部异常因子以及支持向量机异常检测器中的至少一种。

其中，无监督机器学习技术可以理解为未标记输入数据且无法确定输出结果的机器学习方法。无监督机器学习技术可以包括聚类算法，例如：DBSCAN(Density—BasedSpatial Clustering ofApplication withNoise)聚类算法就是一种典型的无监督机器学习技术。

具体的，利用无监督机器学习技术，剔除速度散点信息中的异常点，插值外推法预测一次波外的异常点范围，生成一次波速度体趋势，根据一次波速度体趋势将原始速度谱图像上的异常能量团进行剔除，仅保留一次波的能量团。

S130、根据所述速度体趋势将所述原始速度谱上多次波的能量团剔除，得到目标速度谱。

其中，多次波可以理解为干扰波，多次波可以由地表或底下反射系数较大的反射界面使一次反射波重新折回地下形成的，多次波可以包括多次反射波和多次折射波等。

具体的，根据一次波的速度体趋势，在原始速度谱上，参考一次波的速度体趋势对一次波以外的多次波的能量团进行剔除，得到仅包含一次波能量团的速度谱图像，将仅包含一次波能量团的速度谱图像作为目标速度谱。

本实施例的技术方案，通过获取原始速度谱，确定所述原始速度谱中的一次波的速度谱极值信息；基于所述速度谱极值信息生成所述一次波的速度散点信息，基于所述速度散点信息生成所述一次波的速度体趋势；根据所述速度体趋势将所述原始速度谱上多次波的能量团剔除，得到目标速度谱，解决了多次波能量团的干扰，导致速度谱质量较差的技术问题，取到了有效识别和剔除速度谱图像中的多次波，提高了速度谱质量的有益效果。

实施例二

图2为本发明实施例二提供的一种速度谱处理方法的流程示意图，本实施例与上述实施例对上述实施例如何确定所述原始速度谱中一次波的速度谱极值信息进行进一步的细化。可选的，所述确定所述原始速度谱中一次波的速度谱极值信息，包括：基于预先训练的极值信息提取模型确定所述原始速度谱中一次波的速度谱极值信息，其中，所述极值信息提取模型基于所述样本速度谱图像以及与所述样本速度谱图像对应的标签数据训练得到，所述标签数据用于指示所述样本速度谱中的一次波的速度谱极值信息。具体实施方式可以参见本实施例的说明。其中，与前述实施例相同或相似的技术特征在此不再赘述。

如图2所示，该方法包括：

S210、获取原始速度谱，基于预先训练的极值信息提取模型确定所述原始速度谱中一次波的速度谱极值信息，其中，所述极值信息提取模型基于所述样本速度谱图像以及与所述样本速度谱图像对应的标签数据训练得到，所述标签数据用于指示所述样本速度谱中的一次波的速度谱极值信息。

其中，样本速度谱可以理解为训练极值信息提取模型输入的速度谱。样本速度谱可以为速度谱中被选取进行训练的速度谱。

具体的，可以基于工区内成像道集为基础数据，选择任意个数控制点上的成像道集制作样本速度谱图像，然后，基于样本速度谱图像对极值信息提取模型进行预先训练。可选的，可以按照速度谱解释网格的预设间隔或随机选取预设个数的成像道集制作成样本速度谱图像。

可选的，所述极值信息提取模型通过如下方式训练得到：

获取样本速度谱，确定所述样本速度谱中的一次波和多次波的分界线，基于所述分界线将所述多次波一侧的速度谱进行置零处理，得到初始标签；

对所述初始标签进行预处理得到与所述样本速度谱图像对应的标签数据，其中，所述预处理包括归一化处理和独热编码处理；

基于所述样本速度谱图像以及与所述样本速度谱图像对应的标签数据对预先建立的全卷积网络进行训练，以得到所述极值信息提取模型。

其中，初始标签可以理解为多次波一侧被置零处理后的速度谱。

具体的，获取样本速度谱，对控制点上速度谱进行人工识别，通过人工精细识别多次波，划分出一次波和多次波的分界线，将分界线一侧的多次波速度谱置零，只保留一次波能量团的速度谱，得到初始标签。

进一步地，可将只保留一次波能量团的速度谱进行归一化处理凸显一次波，再进行独热编码处理转换成统一数据格式，将处理后的速度谱图像作为样本速度谱的标签数据。

在本发明实施例中，通过独热编码将速度谱图像中一次波上的各个速度极值点标记为1，其余各个点标记为0，从而得到突出一次波速度谱极值点的图像。具体地，可以基于预设的能量阈值确定一次波上的各个速度极值点。示例性地，可以将速度谱图像中能量值达到预设的能量阈值得到点标记为1，其余各个点标记为0。

在基于样本速度谱图像及其对应的标签数据对预先建立的全卷积网络进行训练的过程中，可通过预设的损失函数计算输入端的速度谱图像的标签数据与输出端实际输出的速度谱图像的损失，基于所述损失调整所述全卷积网络的网络参数。可选地，在所述损失函数收敛的情况下，结束训练，得到极值信息提取模型。可保存损失值最低点的网络参数用于后续预测。将原始的速度谱输入到训练好的极值信息提取模型中，输出只包含一次波能量极值的预测结果。

可选的，基于样本速度谱图像及其对应的标签数据对预先建立的全卷积网络继续进行训练，可以在训练次数达到预设次数阈值的情况下，结束训练，得到极值信息提取模型。

本发明实施例的技术方案，通过在少数控制点速度谱上引入人工经验识别和剔除多次波能量团作为初始标签，通过对初始标签进行归一化处理和独热编码处理得到样本速度谱图像对应的标签数据，可凸显一次波能量团，便于去除多次波，基于样本速度谱图像以及与所述样本速度谱图像对应的标签数据对预先建立的全卷积网络进行训练，得到极值信息提取模型，准确识别和剔除多次波能量团，避免多次波对速度谱的干扰，提高了极值信息提取模型的可靠性。

可选的，所述获取样本速度谱，包括：基于预设算法生成样本速度谱，其中，所述预设算法包括能量极值法、相关系数法以及特征值法中的至少一种。示例性地，可以选取少量控制点上的道集，基于预设算法生成样本速度谱。

可选的，所述获取样本速度谱，包括：获取历史数据中的样本速度谱，或者，从授权使用的第三方数据空间中获取样本速度谱等。

S220、基于所述速度谱极值信息生成所述一次波的速度散点信息，基于所述速度散点信息生成所述一次波的速度体趋势。

S230、基于所述速度谱极值信息生成所述一次波的速度散点信息，基于所述速度散点信息生成所述一次波的速度体趋势。

本实施例的技术方案，通过基于预设算法生成样本速度谱，获取样本速度谱，确定所述样本速度谱中的一次波和多次波的分界线，基于所述分界线将所述多次波一侧的速度谱进行置零处理，得到初始标签；对所述初始标签进行预处理得到与所述样本速度谱图像对应的标签数据，其中，所述预处理包括归一化处理和独热编码处理；基于所述样本速度谱图像以及与所述样本速度谱图像对应的标签数据对预先建立的全卷积网络进行训练，以得到所述极值信息提取模型，基于预先训练的极值信息提取模型确定所述原始速度谱中一次波的速度谱极值信息，准确剔除速度谱中多次波的能量团，取到了有效识别和剔除速度谱图像中的多次波，提高了速度谱质量的有益效果。

图3a提供了一种速度谱处理方法的可选实例的速度谱的样本示意图。如图3a所示，左图为样本速度谱图像，中图为样本速度谱的一次波谱极值，右图为原始速度谱。该速度谱处理方法，在速度谱上对多次波能量团进行识别和剔除，获取不含多次波能量团的速度谱，为速度谱解释提供高质量的基础数据。首先在少数控制点速度谱上进行人工解释，识别和剔除多次波能量团，制作成样本速度谱；然后通过监督式的深度学习技术将含多次波的速度谱映射到一次波谱上；最后利用无监督技术优化预测的一次波速度信息，依据一次波速度体趋势剔除原始速度谱上的多次波能量团，获得无多次波影响的速度谱。主要实现步骤如下：

一、样本速度谱的制作：

1、制作样本速度谱：

1)样本速度谱输入端：

选取少量控制点上的道集，制作成相应的速度谱，作为样本速度谱的输入端。速度谱可以由能量极值法、相关系数法、特征值法等生成。

2)样本速度谱输出端：

对控制点上速度谱进行人工精细识别多次波，划分出多次波和一次波的分界线，将分界线一侧的多次波速度谱置零。然后对只保留一次波能量团的速度谱进行预处理后作为训练样本的输入端。预处理首先进行横向归一化处理，然后进行独热编码处理。

2、独热编码处理的制作：

将工区内需要进行速度谱解释的道集制作成速度谱，作为测试样本。速度谱制作方式跟样本速度谱输入端保持一致。

二、网络构建、训练和预测：

图3b提供了一种速度谱处理方法的可选实例的全卷积神经网络的结构示意图。如图3b所示，由于样本速度谱的输入端和输出端都是二维数据，因此设计一个二维的全卷积神经网络。以二维的Unet网络为例，对二维全卷积神经网络Unet进行训练，当验证样本的损失值不在下降时停止训练，保存损失值最低点的网络参数用于后续预测。

将样本速度谱输入到训练好的全卷积神经网络中，输出只包含一次波速度谱能量极值的预测结果。

三、多次波谱的剔除：

图3c提供了一种速度谱处理方法的可选实例的速度谱散点信息和速度体趋势的样本示意图。如图3c所示，对全卷积网络预测的结果提取极值点对应的时间和速度，生成二维或三维的一次波速度散点信息。利用无监督机器学习技术剔除异常点，插值外推生成一次波速度体趋势，根据一次波速度体趋势将原始速度谱上多次波能量团剔除，保留一次波能量团。

本申请可适用于叠加速度谱、时间偏移道集速度谱和深度偏移成像道集剩余速度谱等速度谱上的多次波能量团的识别和剔除等应用场景下。以在成像道集上剩余速度谱的多次波剔除应用场景为例说明实施例的技术流程。

图3d提供了一种速度谱处理方法的可选实例的样本速度谱与目标速度谱的样本示意图。如图3d所示，图中为某3个预测样本速度谱(左图)及其最终的仅包含一次波能量团的目标速度谱(右图)。图3e提供了一种速度谱处理方法的可选实例的标签数据的样本示意图。如图3e所示，在实例数据上分别利用48个样本速度谱、8个样本速度谱及4个样本速度谱，获得一次波速度谱体趋势，可以明显得出，本实例不依赖于样本速度谱的数量，利用较少的样本速度谱也能获得较多的样本速度谱的相当的预测效果。

从某工区一条测线上叠前深度偏移成像道集为基础数据，其成像道集共有1900个，选择4个控制点上成像道集制作训练样本，如图3a中左图和中图所示，按速度谱解释网格(如间隔20)选择96个成像道集制作成样本速度谱，如图3a右图所示。按照图3b全卷积神经网络对样本速度谱进行全卷积网络训练，获得训练好的极值信息提取模型，对全部预测数据进行预测，获得一次波速度谱极值信息。对所有一次波速度谱极值提取速度时间散点信息(图3c左图)，利用机器学习技术对散点数据进行优化和插值获得一次波速度趋势(图3c右图)。利用一次波速度趋势对原始速度谱(图3d左图)进行多次波能量团剔除，获得一次波能量团速度谱(图3d右图)，完成速度谱上多次波能量团识别和剔除。

本实施例的技术方案，通过训练样本训练的得到极值信息提取模型，通过极值信息提取模型确定所述原始速度谱中一次波的速度谱极值信息，对所有一次波速度谱极值提取速度时间散点信息，利用机器学习技术对散点数据进行优化和插值获得一次波速度趋势，利用一次波速度趋势对原始预测样本进行多次波能量团剔除，获得一次波能量团速度谱，完成速度谱上多次波能量团识别和剔除，解决了多次波能量团的干扰，导致速度谱质量较差的技术问题，取到了有效识别和剔除速度谱图像中的多次波，提高了速度谱质量的有益效果。

实施例三

图4为本发明实施例三提供的一种速度谱处理装置的结构示意图。如图4所示，该装置包括：极值信息确定模块410、速度体趋势确定模块420以及目标速度谱获得模块430。

其中，极值信息确定模块410，用于获取原始速度谱，确定所述原始速度谱中的一次波的速度谱极值信息；速度体趋势确定模块420，用于基于所述速度谱极值信息生成所述一次波的速度散点信息，基于所述速度散点信息生成所述一次波的速度体趋势；目标速度谱获得模块430，用于根据所述速度体趋势将所述原始速度谱上多次波的能量团剔除，得到目标速度谱。

本实施例的技术方案，通过极值信息确定模块，确定所述原始速度谱中的一次波的速度谱极值信息；通过速度体趋势确定模块，基于所述速度谱极值信息生成所述一次波的速度散点信息，基于所述速度散点信息生成所述一次波的速度体趋势；通过目标速度谱获得模块，根据所述速度体趋势将所述原始速度谱上多次波的能量团剔除，得到目标速度谱，解决了多次波能量团的干扰，导致速度谱质量较差的技术问题，取到了有效识别和剔除速度谱图像中的多次波，提高了速度谱数据的质量的有益效果。

可选的，所述极值信息确定模块用于：

基于预先训练的极值信息提取模型确定所述原始速度谱中一次波的速度谱极值信息，其中，所述极值信息提取模型基于所述样本速度谱图像以及与所述样本速度谱图像对应的标签数据训练得到，所述标签数据用于指示所述样本速度谱中的一次波的速度谱极值信息。

可选的，所述极值信息确定模块，包括：

初始标签确定单元，用于获取样本速度谱，确定所述样本速度谱中的一次波和多次波的分界线，基于所述分界线将所述多次波一侧的速度谱进行置零处理，得到初始标签；

标签数据确定单元，用于对所述初始标签进行预处理得到与所述样本速度谱图像对应的标签数据，其中，所述预处理包括归一化处理和独热编码处理；

极值信息提取模型确定单元，基于所述样本速度谱图像以及与所述样本速度谱图像对应的标签数据对预先建立的全卷积网络进行训练，以得到所述极值信息提取模型。

可选的，所述初始标签确定单元用于：

基于预设算法生成样本速度谱，其中，所述预设算法包括能量极值法、相关系数法以及特征值法中的至少一种。

具体的，所述速度谱极值信息包括所述一次波的速度谱极值点的时间信息和速度信息；

可选的，速度体趋势确定模块用于：

基于所述一次波的速度谱极值点的时间信息和速度信息，生成以所述速度谱极值点的标识信息为横坐标，以所述速度谱极值点的时间信息为纵坐标，以所述速度谱极值点的速度信息为颜色值的速度散点信息。

可选的，所述速度体趋势确定模块，包括：

目标散点信息确定单元，用于对所述速度散点信息中的异常点进行剔除，得到目标散点信息；

速度体趋势确定单元，用于对所述目标散点信息进行插值通过插值处理，得到一次波的速度体趋势。

可选的，所述目标散点信息确定单元用于：

利用无监督机器学习技术对所述速度散点信息中的异常点进行剔除，其中，所述无监督机器学习技术包括基于密度的聚类算法、局部异常因子以及支持向量机异常检测器中的至少一种。

本发明实施例所提供的速度谱处理装置可执行本发明任意实施例所提供的速度谱处理方法，具备执行方法相应的功能模块和有益效果。

值得注意的是，上述装置所包括的各个单元和模块只是按照功能逻辑进行划分的，但并不局限于上述的划分，只要能够实现相应的功能即可；另外，各功能单元的具体名称也只是为了便于相互区分，并不用于限制本发明实施例的保护范围。

实施例四

图5示出了可以用来实施本发明的实施例的电子设备10的结构示意图。电子设备旨在表示各种形式的数字计算机，诸如，膝上型计算机、台式计算机、工作台、个人数字助理、服务器、刀片式服务器、大型计算机、和其它适合的计算机。电子设备还可以表示各种形式的移动装置，诸如，个人数字处理、蜂窝电话、智能电话、可穿戴设备(如头盔、眼镜、手表等)和其它类似的计算装置。本文所示的部件、它们的连接和关系、以及它们的功能仅仅作为示例，并且不意在限制本文中描述的和/或者要求的本发明的实现。

如图5所示，电子设备10包括至少一个处理器11，以及与至少一个处理器11通信连接的存储器，如只读存储器(ROM)12、随机访问存储器(RAM)13等，其中，存储器存储有可被至少一个处理器执行的计算机程序，处理器11可以根据存储在只读存储器(ROM)12中的计算机程序或者从存储单元18加载到随机访问存储器(RAM)13中的计算机程序，来执行各种适当的动作和处理。在RAM 13中，还可存储电子设备10操作所需的各种程序和数据。处理器11、ROM 12以及RAM 13通过总线14彼此相连。输入/输出(I/O)接口15也连接至总线14。

电子设备10中的多个部件连接至I/O接口15，包括：输入单元16，例如键盘、鼠标等；输出单元17，例如各种类型的显示器、扬声器等；存储单元18，例如磁盘、光盘等；以及通信单元19，例如网卡、调制解调器、无线通信收发机等。通信单元19允许电子设备10通过诸如因特网的计算机网络和/或各种电信网络与其他设备交换信息/数据。

处理器11可以是各种具有处理和计算能力的通用和/或专用处理组件。处理器11的一些示例包括但不限于中央处理单元(CPU)、图形处理单元(GPU)、各种专用的人工智能(AI)计算芯片、各种运行机器学习模型算法的处理器、数字信号处理器(DSP)、以及任何适当的处理器、控制器、微控制器等。处理器11执行上文所描述的各个方法和处理，例如速度谱处理方法。

在一些实施例中，速度谱处理方法可被实现为计算机程序，其被有形地包含于计算机可读存储介质，例如存储单元18。在一些实施例中，计算机程序的部分或者全部可以经由ROM 12和/或通信单元19而被载入和/或安装到电子设备10上。当计算机程序加载到RAM13并由处理器11执行时，可以执行上文描述的速度谱处理方法的一个或多个步骤。备选地，在其他实施例中，处理器11可以通过其他任何适当的方式(例如，借助于固件)而被配置为执行速度谱处理方法。

本文中以上描述的系统和技术的各种实施方式可以在数字电子电路系统、集成电路系统、场可编程门阵列(FPGA)、专用集成电路(ASIC)、专用标准产品(ASSP)、芯片上系统的系统(SOC)、负载可编程逻辑设备(CPLD)、计算机硬件、固件、软件、和/或它们的组合中实现。这些各种实施方式可以包括：实施在一个或者多个计算机程序中，该一个或者多个计算机程序可在包括至少一个可编程处理器的可编程系统上执行和/或解释，该可编程处理器可以是专用或者通用可编程处理器，可以从存储系统、至少一个输入装置、和至少一个输出装置接收数据和指令，并且将数据和指令传输至该存储系统、该至少一个输入装置、和该至少一个输出装置。

用于实施本发明的方法的计算机程序可以采用一个或多个编程语言的任何组合来编写。这些计算机程序可以提供给通用计算机、专用计算机或其他可编程数据处理装置的处理器，使得计算机程序当由处理器执行时使流程图和/或框图中所规定的功能/操作被实施。计算机程序可以完全在机器上执行、部分地在机器上执行，作为独立软件包部分地在机器上执行且部分地在远程机器上执行或完全在远程机器或服务器上执行。

在本发明的上下文中，计算机可读存储介质可以是有形的介质，其可以包含或存储以供指令执行系统、装置或设备使用或与指令执行系统、装置或设备结合地使用的计算机程序。计算机可读存储介质可以包括但不限于电子的、磁性的、光学的、电磁的、红外的、或半导体系统、装置或设备，或者上述内容的任何合适组合。备选地，计算机可读存储介质可以是机器可读信号介质。机器可读存储介质的更具体示例会包括基于一个或多个线的电气连接、便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦除可编程只读存储器(EPROM或快闪存储器)、光纤、便捷式紧凑盘只读存储器(CD-ROM)、光学储存设备、磁储存设备、或上述内容的任何合适组合。

为了提供与用户的交互，可以在电子设备上实施此处描述的系统和技术，该电子设备具有：用于向用户显示信息的显示装置(例如，CRT(阴极射线管)或者LCD(液晶显示器)监视器)；以及键盘和指向装置(例如，鼠标或者轨迹球)，用户可以通过该键盘和该指向装置来将输入提供给电子设备。其它种类的装置还可以用于提供与用户的交互；例如，提供给用户的反馈可以是任何形式的传感反馈(例如，视觉反馈、听觉反馈、或者触觉反馈)；并且可以用任何形式(包括声输入、语音输入或者、触觉输入)来接收来自用户的输入。

可以将此处描述的系统和技术实施在包括后台部件的计算系统(例如，作为数据服务器)、或者包括中间件部件的计算系统(例如，应用服务器)、或者包括前端部件的计算系统(例如，具有图形用户界面或者网络浏览器的用户计算机，用户可以通过该图形用户界面或者该网络浏览器来与此处描述的系统和技术的实施方式交互)、或者包括这种后台部件、中间件部件、或者前端部件的任何组合的计算系统中。可以通过任何形式或者介质的数字数据通信(例如，通信网络)来将系统的部件相互连接。通信网络的示例包括：局域网(LAN)、广域网(WAN)、区块链网络和互联网。

计算系统可以包括客户端和服务器。客户端和服务器一般远离彼此并且通常通过通信网络进行交互。通过在相应的计算机上运行并且彼此具有客户端-服务器关系的计算机程序来产生客户端和服务器的关系。服务器可以是云服务器，又称为云计算服务器或云主机，是云计算服务体系中的一项主机产品，以解决了传统物理主机与VPS服务中，存在的管理难度大，业务扩展性弱的缺陷。

应该理解，可以使用上面所示的各种形式的流程，重新排序、增加或删除步骤。例如，本发明中记载的各步骤可以并行地执行也可以顺序地执行也可以不同的次序执行，只要能够实现本发明的技术方案所期望的结果，本文在此不进行限制。

上述具体实施方式，并不构成对本发明保护范围的限制。本领域技术人员应该明白的是，根据设计要求和其他因素，可以进行各种修改、组合、子组合和替代。任何在本发明的精神和原则之内所作的修改、等同替换和改进等，均应包含在本发明保护范围之内。

Claims (10)

1.一种速度谱处理方法，其特征在于，包括：

获取原始速度谱，确定所述原始速度谱中的一次波的速度谱极值信息；

基于所述速度谱极值信息生成所述一次波的速度散点信息，基于所述速度散点信息生成所述一次波的速度体趋势；

根据所述速度体趋势将所述原始速度谱上多次波的能量团剔除，得到目标速度谱。

2.根据权利要求1所述的速度谱处理方法，其特征在于，所述确定所述原始速度谱中一次波的速度谱极值信息，包括：

基于预先训练的极值信息提取模型确定所述原始速度谱中一次波的速度谱极值信息，其中，所述极值信息提取模型基于所述样本速度谱图像以及与所述样本速度谱图像对应的标签数据训练得到，所述标签数据用于指示所述样本速度谱中的一次波的速度谱极值信息。

3.根据权利要求2所述的速度谱处理方法，其特征在于，所述极值信息提取模型通过如下方式训练得到：

获取样本速度谱，确定所述样本速度谱中的一次波和多次波的分界线，基于所述分界线将所述多次波一侧的速度谱进行置零处理，得到初始标签；

对所述初始标签进行预处理得到与所述样本速度谱图像对应的标签数据，其中，所述预处理包括归一化处理和独热编码处理；

基于所述样本速度谱图像以及与所述样本速度谱图像对应的标签数据对预先建立的全卷积网络进行训练，以得到所述极值信息提取模型。

4.根据权利要求3所述的速度谱处理方法，其特征在于，所述获取样本速度谱，包括：

基于预设算法生成样本速度谱，其中，所述预设算法包括能量极值法、相关系数法以及特征值法中的至少一种。

5.根据权利要求1所述的速度谱处理方法，其特征在于，所述速度谱极值信息包括所述一次波的速度谱极值点的时间信息和速度信息；

所述基于所述速度谱极值信息生成所述一次波的速度散点信息，包括：

基于所述一次波的速度谱极值点的时间信息和速度信息，生成以所述速度谱极值点的标识信息为横坐标，以所述速度谱极值点的时间信息为纵坐标，以所述速度谱极值点的速度信息为颜色值的速度散点信息。

6.根据权利要求1所述的速度谱处理方法，其特征在于，所述基于所述速度散点信息生成所述一次波的速度体趋势，包括：

对所述速度散点信息中的异常点进行剔除，得到目标散点信息；

对所述目标散点信息进行插值通过插值处理，得到一次波的速度体趋势。

7.根据权利要求6所述的速度谱处理方法，其特征在于，所述对所述速度散点信息中的异常点进行剔除，包括：

利用无监督机器学习技术对所述速度散点信息中的异常点进行剔除，其中，所述无监督机器学习技术包括基于密度的聚类算法、局部异常因子以及支持向量机异常检测器中的至少一种。

8.一种速度谱处理装置，其特征在于，包括：

极值信息确定模块，用于获取原始速度谱，确定所述原始速度谱中的一次波的速度谱极值信息；

速度体趋势确定模块，用于基于所述速度谱极值信息生成所述一次波的速度散点信息，基于所述速度散点信息生成所述一次波的速度体趋势；

目标速度谱获得模块，用于根据所述速度体趋势将所述原始速度谱上多次波的能量团剔除，得到目标速度谱。

9.一种电子设备，其特征在于，所述电子设备包括：

至少一个处理器；以及

与所述至少一个处理器通信连接的存储器；其中，

所述存储器存储有可被所述至少一个处理器执行的计算机程序，所述计算机程序被所述至少一个处理器执行，以使所述至少一个处理器能够执行权利要求1-7中任一项所述的速度谱处理方法。

10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质存储有计算机指令，所述计算机指令用于使处理器执行时实现权利要求1-7中任一项所述的速度谱处理方法。