[发明专利]基于残差卷积神经网络的地震资料随机噪音压制方法

说明书

一种基于残差卷积神经网络的地震资料随机噪音压制方法，包括以下步骤：S1：建立残差卷积神经网络模型，包含有三种不同的映射层：1)、卷积层Conv+线性单元ELU；2)、卷积层Conv+批量归一化BN+线性单元ELU；3)、卷积层Conv；S2：制作带有随机噪音的地震数据和干净的地震数据，训练步骤S1中的残差卷积神经网络模型；S3：利用步骤S2训练好的残差卷积神经网络模型处理含噪地震数据，输出去噪后的地震数据。本发明中加入了残差学习和批量归一化方法，可以加速网络训练时的迭代速度，使网络收敛加快。使用的残差学习方法能有效解决传统的卷积神经网络在增加网络深度时会出现梯度消失的问题，使网络能进行更深层的训练，从而提取到更细致的噪音特征。

技术领域

本发明属于随机噪音压制，具体涉及一种基于残差卷积神经网络的地震资料随机噪音压制方法。

背景技术

在地震勘探中，地震数据采集时地震资料容易受到各种随机噪音的干扰，这在很大程度上会影响到地震数据的后期处理，例如地震资料的解释与成像。这些随机噪音通常是由于环境的干扰导致的。如何高效地从含有噪音的资料中提取出有效信号，提高地震资料的信噪比是地震资料处理领域的一个重要研究方向。

为了解决噪音的衰减问题，许多研究人员提出了多种随机噪音压制技术。传统的压制算法主要包括变换域算法、空域算法和综合类型的去噪算法。在地震勘探技术的发展过程中，应用传统的数据降噪方法已经不能满足高精度勘探的需求。尤其是，传统的去噪算法除了需要丰富的经验，还需要在地震数据处理前对噪音有充分的了解。然而，在实际勘探任务中，现场数据的随机噪音未知，因此需要反复测试不同方差的随机噪音，导致去噪的效率低下。

考虑到常规方法的不足，我们迫切需要一种更为快速和智能的地震数据降噪方法。

目前，深度学习技术在自然语言处理和语义分割中展现出优越的性能，地震随机噪音衰减从类别上可以划分到语义分割领域中。在语义分割领域，卷积神经网络(CNN)的扩展以及应用是一个重要的研究方向。目前常用的CNN去噪框架包括U-Net、卷积自编码器和DnCNN等。这些传统的卷积神经网络在增加网络深度时会出现梯度消失的现象，去噪效果不佳。

发明内容

针对上述问题，本发明提出一种基于残差卷积神经网络的地震资料随机噪音压制方法。

为实现上述目的，本发明所采用的技术方案是：

一种基于残差卷积神经网络模型的地震资料随机噪音压制方法，包括以下步骤：

S1：建立残差卷积神经网络模型；

所述残差卷积神经网络模型，包含有三种不同的映射层：

1)、卷积层Conv+线性单元ELU：设置在网络的第一层，Conv用来提取输入层的局部特征；

2)、卷积层Conv+批量归一化BN+线性单元ELU：从网络的第二层开始到倒数第二层结束，用于分离噪音；

3)、卷积层Conv:设置在网络的最后一层，在这一层输出噪音剖面；

S2：制作带有随机噪音的地震数据和干净的地震数据，训练步骤S1中的残差卷积神经网络模型；

S3：利用步骤S2训练好的残差卷积神经网络模型处理含噪地震数据，输出去噪后的地震数据。

进一步的，在卷积层中设置零填充来保持图像的尺寸。

进一步的，所述残差卷积神经网络模型中，损失函数采用均方根误差函数：