[发明专利]一种深度学习与预测滤波结合的地震数据反假频插值方法

说明书

本发明提供一种深度学习与预测滤波结合的地震数据反假频插值方法，包括：根据仿真地震数据构造训练样本集和测试样本集；构建预测误差滤波器网络，所述预测误差滤波器网络包括深度学习以及预测滤波，其中，深度学习利用训练数据学习缺失的地震数据与非平稳预测滤波器之间的映射关系，预测滤波利用学习得到的非平稳预测滤波器对缺失的地震数据进行预测；利用训练样本集对预测误差滤波器网络进行训练，并利用测试样本集评估预测误差滤波器网络的性能；利用训练完成后的预测误差滤波器网络对地震数据进行反假频插值。本发明的有益效果：集成了深度学习和传统滤波两类方法的优点，具有更高的计算效率和更少的人工工作量。

技术领域

本发明涉及地震信号处理技术领域，尤其涉及一种深度学习与预测滤波结合的地震数据反假频插值方法。

背景技术

物理或经济上的限制使采集的地震信号通常存在地震道缺失或空间采样间隔过大的问题，这将会影响后续的偏移成像、反演和解释。地震差值问题分为不规则缺失插值和规则缺失插值，其中，规则缺失插值对数据进行上采样，是昂贵的密集空间采样的替代方法，可以去除过大的空间采样间隔导致的频率混叠现象。

预测滤波是一类重要的地震数据反假频插值方法，例如f-x域反假频插值方法将地震记录视为线性同相轴的叠加，从低频f估计的预测误差滤波器(PEF)可用于对高频2f的数据进行插值，后来该方法被推广至t-x域、f-x-y域等。然而该方法基于线性同相轴假设，而地震数据同相轴大多是非线性的，因此实际应用时要考虑加窗技术，以保证分析窗口中的数据近似线性。非平稳的滤波器是另一种处理非线性同相轴数据的插值方法，非平稳滤波器将滤波器系数的求解建模为欠定问题，通常需要引入正则化项来约束滤波器平滑变化。

近年来，机器学习和深度学习技术为插值问题提供了新的思路，利用大数据的优势可突破先验假设的限制，自动从数据中挖掘特征，极大地减少了人工工作量。例如，利用支持向量回归(SVR)从训练数据中学习连续回归超平面，用以表示缺失数据与输出完整数据之间的关系。深度学习是机器学习的子类，深层神经网络相比于SVR可以非线性地提取数据更高层的特征，已有的研究包括使用残差网络对规则缺失数据插值、生成对抗网络对叠后gap缺失数据插值、U-net网络对随机缺失数据插值等，这些方法构建不同的网络结构，从大量的训练数据中学习退化数据(缺失或预插值)到完整数据的映射，训练好的网络能够直接用于相似数据的插值，但难以学到一个对不同数据具有普适性的映射，同时由于深度网络本身的不可解释性，这些方法的插值原理难以解释，插值效果也难以预估。

发明内容

有鉴于此，本发明提供了一种深度学习与预测滤波结合的地震数据反假频插值方法，考虑t-x域中的非平稳预测误差滤波器(Prediction Error Filter，PEF)，设计网络学习退化数据和滤波器之间的关系，输入为缺失数据，输出为滤波器系数，然后使用该滤波器重建缺失的地震道，本发明同时集成了深度学习和预测滤波方法的优点，能够有效地提取地震数据的局部倾角特征，训练好的网络对不同类型的数据具有较好的适应性，计算效率更高且测试阶段不需要人工调参。

本发明提供一种深度学习和预测滤波结合的地震数据反假频插值方法，包括以下步骤：

S1、对仿真地震数据进行不同尺度的空间下采样以扩充样本集，并从扩充后的样本集中随机截取若干M×N大小的数据块，然后将所述数据块分为训练样本集和测试样本集，M表示数据块的行数，N表示数据块的列数；

S2、构建预测误差滤波器网络，所述预测误差滤波器网络包括深度学习以及预测滤波，其中，所述深度学习由残差网络实现，所述残差网络利用训练数据学习缺失的地震数据与非平稳预测滤波器之间的映射关系；所述预测滤波利用学习得到的非平稳预测滤波器对缺失的地震数据进行预测；

S3、利用步骤S1中得到的训练样本集对预测误差滤波器网络进行训练，并利用测试样本集评估所述预测误差滤波器网络的性能；利用训练完成后的预测误差滤波器网络对地震数据进行反假频插值。