[发明专利]一种基于深度神经网络的自适应异常振幅压制方法

说明书

本发明公开了一种基于深度神经网络的自适应异常振幅压制技术，所述技术包括以下步骤：步骤1：利用深度神经网络提取异常振幅的位置信息和宽度信息；步骤2：利用步骤一提取的数据自适应地设计异常振幅区域的异常振幅衰减算法的参数。本发明利用深度神经网络的方法，使用网络来确定异常振幅的位置信息和宽度信息。然后再将这些信息用于后续的AAA去噪的过程中，从而使得AAA算法能够自适应地作用于不同的异常振幅，更好地压制噪声和保留有效信号。

技术领域

本发明涉及地震数据噪声压制技术领域，特别是涉及基于深度神经网络的自适应异常振幅压制方法。

背景技术

原始的地震数据通常含有大量噪声，其中异常振幅噪声是十分常见的一种噪声。为了后续的地震反演和解释等相关处理，通常需要对这些异常振幅噪声进行压制。

目前处理异常振幅噪声的常用方法是Anomalous Amplitude Attenuation(AAA)法。该方法首先将原始的时空域(t-x域)地震数据通过快速傅里叶变换转换到频率波数域(f-k域)，然后在f-k域中对待处理信号进行分频带处理。在每个频带内，记待处理的原始的信号为f(x),设定的能量阈值为thre，E(x)表示信号能量,Median(x)表示中值滤波器得到的中值，f_p(x)为处理后的结果,其表达式如公式(1)所示：

该方法首先对于待处理的f-k域数据进行分频带分窗处理，以需要处理的道为中心开一个窗口，计算每个频带内待处理道的能量和窗内待处理频带的能量的中值，然后将两者比值和预设的阈值进行比较，如果小于该阈值，则认为待处理道的这个频带的能量正常，不存在异常振幅，不进行处理；反之，若两者比值大于阈值，则认为待处理道在这个频带的能量异常，属于异常振幅，故需要对其进行压制，则将其能量压制到窗口内该频带能量的中值大小。

该方法目前广泛应用于实际的生产中，包括OMEGA等商用软件中也使用该方法来压制异常振幅噪声。但是该方法存在对异常振幅压制的效果受分窗时的窗宽影响过大的问题。在实际使用中，由于地震数据的总量一般较大，所以使用的窗宽参数一般是固定值或者是根据少数几个控制点处的窗宽值进行线性插值得到的。由于异常振幅噪声在数据中的宽度和大小都是变化很大的，因此使用固定的参数难以很好地在保护有效信号的情况下滤除异常振幅噪声。当设置的窗宽较小的时候，对于宽度较大的异常振幅信号则无法去除干净；当设置的窗宽较大的时候，对于部分有效信号损伤又会比较严重。因此，需要一个能够自适应地设计窗宽的方法来提升去噪的效果。

卷积神经网络从2012年在ImageNet中取得了很好的成绩后，在越来越多的领域也都取得了很好的效果。全卷积神经网络在2015年提出，由于其能够输出端到端的像素级分类结果，使得其在分割问题中有很好的效果。而深度神经网络近些年也越来越多地应用于地球物理的相关问题中。

因此希望有一种基于深度神经网络的自适应异常振幅压制方法能够解决现有技术中存在的问题。

发明内容

本发明公开了一种基于深度神经网络的自适应异常振幅压制方法,所述方法包括以下步骤：

步骤1：利用深度神经网络提取异常振幅的位置信息和宽度信息；

步骤2：利用步骤1提取的数据自适应地设计异常振幅区域的异常振幅衰减算法的参数。

优选地，所述步骤1包括以下步骤：

步骤1.1：数据生成，通过异常振幅衰减算法进行数据生成，生成训练数据对应的标签；

步骤1.2：进行训练，利用全卷积神经网络，将原始数据和步骤1.1生成的标签进行训练；

步骤1.3：进行测试，将待处理数据输入步骤1.2训练好的网络，得到网络预测输出；