[发明专利]一种基于深度学习的地震速度谱人工智能拾取方法

权利要求书

1.一种基于深度学习的地震速度谱人工智能拾取方法，其特征在于：基于速度谱具有图像的特点，通过卷积神经网络提取速度谱中能量团的特征，并从提取到的特征中计算出速度谱中能量团所对应的时间-速度对序列的预测结果；再基于速度谱的时间序列特征，利用循环神经网络提取所述预测结果的时间与速度的关系特征，根据这些关系特征对所述预测结果进行修正，最终得到准确的时间-速度对序列；

包括如下细化步骤：

A1：将预处理过的原始速度谱及其对应的时间-速度对序列的人工提取值作为训练样本，训练所述卷积神经网络，获得能够预测所述预测结果的卷积神经网络训练模型；

步骤A1的细化步骤包括：

A1.1：对原始速度谱进行白化预处理，得到速度谱，所述速度谱及其相应的时间-速度对序列构成卷积神经网络的训练数据集；

A1.2：对所述卷积神经网络的训练数据集进行随机洗牌，将该训练集中的数据分组，每组中数据的数量一致，并将各组依次输入所述卷积神经网络中，每组数据依次经过多个所述卷积层；

A1.3：使用滑动窗口，对一所述卷积层上的特征进行提取与融合，得到该卷积层上的卷积特征图，每一所述卷积特征图和与之对应的卷积层的权值相关；

A1.4：所述卷积特征图被输入到与之相邻的后续的池化层，所述池化层采用最大池化算法，得到池化特征图，该池化特征图进入与之相邻的后续的另一所述卷积层；

A1.5：重复步骤A1.3和A1.4，直至数据进入最后一所述卷积层，最后一所述卷积层内插有Dropout层，所述Dropout层用于随机的让经过所述Dropout层的池化特征图的值为零，以减轻网络过拟合现象，然后该卷积层生成最后一卷积特征图，该卷积特征图最终被最后一所述池化层池化而生成池化特征图；

A1.6：基于不同池化层的池化特征图对速度谱的能量团的区域位置进行多次分类识别，筛选出真正的所述能量团的位置，并利用全连接层对能量团的峰值进行多次检测和推断，得到的能量团峰值的实际位置，即是速度谱的时间-速度对序列的预测结果；

A1.7：计算卷积神经网络的代价函数，判断最后一所述全连接层的代价函数是否收敛，若收敛则完成卷积神经网络的训练，并将时间-速度对序列的预测结果输出，否则进行下一步；

A1.8：利用反向传导算法，计算卷积神经网络中各层代价函数的梯度值，利用基于动量的随机梯度下降算法，根据得到的各层梯度来计算卷积神经网络各层的误差灵敏度，用每一层的误差灵敏度更新该层的权值；

A1.9：返回步骤1.2。

2.如权利要求1所述的基于深度学习的地震速度谱人工智能拾取方法，其特征在于：还包括如下细化步骤：

A2：将所述预测结果及原始速度谱的时间-速度对序列的人工提取值作为新的训练样本集，训练所述循环神经网络，获得能够得到准确的时间-速度对序列的循环神经网络训练模型；

A3：将原始速度谱依次输入到所述卷积神经网络训练模型和所述循环神经网络训练模型，得到准确的时间-速度对序列。

3.如权利要求2所述的基于深度学习的地震速度谱人工智能拾取方法，其特征在于：所述卷积神经网络包括多个卷积层和与所述多个卷积层交叉设置的多个池化层，每一所述池化层位于与之对应的所述卷积层的后面，所述循环神经网络还包括位于最后一个所述池化层后面的多个全连接层，所述多个全连接层前后设置，最后一所述全连接层对应所述神经网络的输出。

4.如权利要求3所述的基于深度学习的地震速度谱人工智能拾取方法，其特征在于：所述循环神经网络包括输入层、输出层和位于所述输入层和所述输出层之间的隐藏层，所述输入层对应所述卷积神经网络的输出。