[发明专利]一种基于变分自编码器的地震数据扩充方法

说明书

本发明公开一种基于变分自编码器的地震数据扩充方法，应用于地球物理勘探解释技术及深度学习领域，为了解决现有的人工获取稳定、可靠的某类地震数据要花费大量的人力物力的问题，本发明先利用无标签的数据去训练整个VAE网络模型，对于某一类想要扩充样本的标签数据，将其输入到训练好的VAE网络中，通过编码器得到一个二维的隐变量数据，再利用高斯混合模型得到此二维隐变量的具体分布；在已知隐变量分布的情况下，可以采样得到同分布的更多的隐变量数据，将这些隐变量数据输入到训练好的VAE网络模型的解码器中，就可以得到大量的接近某一类标签数据的样本，以此达到一个实现扩充地震数据的目的。

技术领域

本发明属于地球物理勘探解释技术及深度学习领域，特别涉及一种地震数据处理技术。

背景技术

近年来，在深度学习领域，无监督学习模型受到越来越多的关注，尤其是在深度生成模型方面，取得了突破性的进展。其中，变分自编码器(Variational Auto-Encoders,VAE)和生成对抗网络(Generative Adversarial Networks,GAN)被视为无监督学习领域最具有研究价值的方法之一，在深度生成模型领域得到越来越多的应用。变分自编码器(VAE)作为深度生成模型的一种形式，是由Kingma等人于2014年提出的基于变分贝叶斯(Variational Bayes，VB)推断的生成式网络结构。变分自编码器作为特殊形式的自编码器模型，一经提出就迅速成为深度生成模型领域最受关注的形式之一，VAE是一种深度隐空间生成模型，在数据生成方面表现出巨大的应用价值，尤其是在图像生成方面，得到了非常广泛的应用。

变分自编码器(VAE)模型是一个数学逻辑性极强的数据生成模型，结合深度学习和统计学习构造了一套逻辑自洽的数据生成流程，VAE采取了弱监督的学习方式，是对自编码器的一种拓展，不使用人工标记而是样本本身作为训练标签，其目的不再是提取原始样本的隐藏变量，而是生成全新的样本数据。VAE有两大核心点，一是以自编码器为核心搭建的神经网络，二是以变分推断为核心构造的损失函数，VAE使用自编码器获取隐藏变量的信息，通过假设隐藏变量服从标准正态分布进而获取到变分推断需要的先验概率分布，因此VAE是个显式数据生成模型。

目前，作为在深度生成模型领域最具有价值的方法之一的变分自编码器这种无监督的数据生成方法在地质领域的应用基本上很少，尤其是在地震数据生成方面还是一个空白。而在实际中要人工获取稳定、可靠的某类地震数据要花费大量的人力物力。

发明内容

为解决上述技术问题，本发明提出一种基于变分自编码器的地震数据扩充方法，通过利用变分自编码器(Variational Auto-Encoders,VAE)，在某类地震样本数据数量不足的情况下生成大量分布接近此类样本的数据；从而实现了以数据驱动方式就扩充地震数据的目的。

本发明采用的技术方案为：一种基于变分自编码器的地震数据扩充方法，包括：

S1、将不同类型的无标签地震数据作为训练集，

S2、采用步骤S1的训练集对VAE网络进行训练，得到训练好的VAE网络模型；

S3、将待扩充样本的标签数据输入步骤S2训练好的VAE网络模型，得到新的样本数据。

步骤S3具体为：

S31、将待扩充样本的标签数据作为VAE网络模型的编码器的输入；

S32、VAE网络模型的编码器输出隐变量；

S32、通过高斯混合模型拟合出隐变量的分布；

S33、根据拟合的分布，从该分布中采样得到大量隐变量；

S34、将步骤S33获得的大量的隐变量输入VAE网络模型的解码器，得到新样本数据。