白丝美女被狂躁免费视频网站,500av导航大全精品,yw.193.cnc爆乳尤物未满,97se亚洲综合色区,аⅴ天堂中文在线网官网

首頁(yè) / 專(zhuān)利庫(kù) / 自然災(zāi)害的預(yù)防與保護(hù) / 震源譜 / 一種基于深度卷積神經(jīng)網(wǎng)絡(luò)的可控震源數(shù)據(jù)振鈴壓制方法

一種基于深度卷積神經(jīng)網(wǎng)絡(luò)的可控震源數(shù)據(jù)振鈴壓制方法

閱讀：933發(fā)布：2020-05-11

專(zhuān)利匯可以提供一種基于深度卷積神經(jīng)網(wǎng)絡(luò)的可控震源數(shù)據(jù)振鈴壓制方法專(zhuān)利檢索，專(zhuān)利查詢(xún)，專(zhuān)利分析的服務(wù)。并且本 發(fā)明 公開(kāi)了一種基于深度 卷積神經(jīng)網(wǎng)絡(luò) 的可控 震源 數(shù)據(jù)振鈴壓制方法，其特征在于，所述振鈴壓制方法包括以下步驟：步驟1：首先從實(shí)際 地震 數(shù)據(jù)中提取地震子波，并合成偽反射系數(shù)，將地震子波與偽反射系數(shù)進(jìn)行卷積，得到合成地震數(shù)據(jù)；步驟2：將偽反射系數(shù)作為要擬合的輸出，合成地震數(shù)據(jù)作為輸入，對(duì)深度卷積神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練；步驟3：將實(shí)際地震數(shù)據(jù)輸入已訓(xùn)練好的網(wǎng)絡(luò)中，在輸出端得到振鈴壓制后的結(jié)果。，下面是一種基于深度卷積神經(jīng)網(wǎng)絡(luò)的可控震源數(shù)據(jù)振鈴壓制方法專(zhuān)利的具體信息內(nèi)容。

1.一種基于深度卷積神經(jīng)網(wǎng)絡(luò)的可控震源數(shù)據(jù)振鈴壓制方法，其特征在于，所述振鈴壓制方法包括以下步驟：
步驟1：首先從實(shí)際地震數(shù)據(jù)中提取地震子波，并合成偽反射系數(shù)，將地震子波與偽反射系數(shù)進(jìn)行卷積，得到合成地震數(shù)據(jù)；
利用自相關(guān)法提取所述步驟1中的地震子波，具體包括以下步驟：實(shí)際地震道數(shù)據(jù)與地震子波的關(guān)系，如公式(1)模型：
y(t)＝r(t)*w(t)???(1)
其中y(t)表示實(shí)際地震道數(shù)據(jù)，r(t)為反射系數(shù)，w(t)為地震子波，反射系數(shù)與地震子波進(jìn)行卷積操作；
若假設(shè)反射系數(shù)是白噪聲，即自相關(guān)為脈沖函數(shù)，對(duì)于地震道數(shù)據(jù)的自相關(guān)與地震子波的自相關(guān)之間有公式(2)關(guān)系：
在共含有N道數(shù)據(jù)的地震道集中，每一道的數(shù)據(jù)yi(t)都是由反射系數(shù)ri(t)與地震子波w(t)卷積而成，其中i表示道號(hào)，即公式(3)：
yi(t)＝ri(t)*w(t)，?i＝1,2,...,N???(3)
在反射系數(shù)的均值上加漢寧窗進(jìn)行約束，如公式(4)所示：
又由維納-辛欽定理，得到地震子波的功率譜，如公式(5)所示：
其中FT表示傅里葉變換，利用地震子波功率譜得到振幅譜 并通過(guò)傅里葉反變換IFT得到提取出的地震子波，即公式(6)所示：
步驟2：將偽反射系數(shù)作為要擬合的輸出，合成地震數(shù)據(jù)作為輸入，對(duì)深度卷積神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練；
步驟3：將實(shí)際地震數(shù)據(jù)輸入已訓(xùn)練好的網(wǎng)絡(luò)中，在輸出端得到振鈴壓制后的結(jié)果。
2.根據(jù)權(quán)利要求1所述的基于深度卷積神經(jīng)網(wǎng)絡(luò)的可控震源數(shù)據(jù)振鈴壓制方法，其特征在于：所述步驟1中的偽反射系數(shù)合成采用復(fù)地震道變換方法，復(fù)地震道變換方法生成逼近實(shí)際數(shù)據(jù)的人工合成標(biāo)簽樣本，具體步驟如下：
對(duì)于典型道集中的每一道，都通過(guò)希爾伯特變換分解成包絡(luò)與相位的乘積，如公式(7)所示：
y(t)＝env(t)cosθ(t)???(7)
其中env(t)表示信號(hào)y(t)的包絡(luò)，θ(t)為瞬時(shí)相位；
對(duì)于信號(hào)的包絡(luò)，計(jì)算出其低頻部分b(t)并從信號(hào)包絡(luò)中減去低頻部分，如公式(8)所示：
g(t)＝env(t)-b(t)???(8)
完成以上操作后，將g(t)和原始地震道信號(hào)的相位θ(t)按照公式(9)所示方法重新組合，即可合成偽反射系數(shù)：

說(shuō)明書(shū)全文

一種基于深度卷積神經(jīng)網(wǎng)絡(luò)的可控震源數(shù)據(jù)振鈴壓制方法

技術(shù)領(lǐng)域

[0001] 本發(fā)明涉及物理勘探技術(shù)領(lǐng)域，特別是涉及基于深度卷積神經(jīng)網(wǎng)絡(luò)的可控震源數(shù)據(jù)振鈴壓制方法。

背景技術(shù)

[0002] 在地球物理勘探中，可控震源作業(yè)是一種常見(jiàn)的高效、安全的地震資料獲取方式?？煽卣鹪纯碧降姆椒ㄊ峭ㄟ^(guò)將人工設(shè)計(jì)激發(fā)信號(hào)作為掃描信號(hào)激發(fā)地下介質(zhì)振動(dòng)并接收。
由于掃描信號(hào)的頻帶有限，因此接收到的地震數(shù)據(jù)中往往存在較為明顯的振鈴效應(yīng)，導(dǎo)致初至波的信噪比較低，單炮初至起跳不干脆，從而影響了初至拾取的精度以及后續(xù)的處理過(guò)程。地震數(shù)據(jù)的振鈴現(xiàn)象實(shí)際上是掃描信號(hào)對(duì)地層的脈沖響應(yīng)進(jìn)行頻譜截?cái)鄰亩a(chǎn)生的頻譜缺失在時(shí)空域的表現(xiàn)。因此振鈴壓制問(wèn)題的難點(diǎn)在于通過(guò)一定手段將缺失的頻譜進(jìn)行一定程度的恢復(fù)，從而拓寬信號(hào)頻譜，減弱振鈴影響，為后續(xù)的初至拾取做準(zhǔn)備。
[0003] 目前對(duì)振鈴壓制從而提高初至拾取精度的方法主要是從對(duì)可控震源地震信號(hào)的形成方式進(jìn)行建模，并利用傳統(tǒng)信號(hào)處理的方法進(jìn)行的，如反褶積的方法、小波變換的方法。反褶積的目的是提高分辨率和從由子波卷積得到的地震數(shù)據(jù)中恢復(fù)反射系數(shù)，在實(shí)際應(yīng)用中有各種方法來(lái)實(shí)現(xiàn)，如基于重加權(quán)的反褶積方法，基于統(tǒng)計(jì)蒙特卡洛馬爾科夫鏈(MCMC)的方法，以及多通道半盲反褶積(MSBD)方法，以及互相關(guān)記錄反褶積、振動(dòng)信號(hào)反褶積。小波變換由于可以表征信號(hào)局部特征，因此可以對(duì)帶噪聲的地震信號(hào)進(jìn)行整形作用，從而突出起跳位置，便于初至拾取。但是現(xiàn)有方法多數(shù)是通過(guò)較強(qiáng)的假設(shè)和先驗(yàn)條件進(jìn)行建模，需要人工設(shè)置參數(shù)，且對(duì)不同數(shù)據(jù)，尤其是與模型假設(shè)差異較大的數(shù)據(jù)，泛化能力較為受限。
[0004] 因此希望有一種基于深度卷積神經(jīng)網(wǎng)絡(luò)的可控震源數(shù)據(jù)振鈴壓制方法，以解決現(xiàn)有技術(shù)中存在的問(wèn)題。

發(fā)明內(nèi)容

[0005] 本發(fā)明的目的在于提供一種基于深度卷積神經(jīng)網(wǎng)絡(luò)的可控震源數(shù)據(jù)振鈴壓制方法，該方法利用深度卷積神經(jīng)網(wǎng)絡(luò)對(duì)二維地震道集進(jìn)行去振鈴處理，并通過(guò)神經(jīng)網(wǎng)絡(luò)的前向傳播輸出振鈴壓制后的處理結(jié)果。
[0006] 本發(fā)明提供一種基于深度卷積神經(jīng)網(wǎng)絡(luò)的可控震源數(shù)據(jù)振鈴壓制方法，所述振鈴壓制方法包括以下步驟：
[0007] 步驟1：首先從實(shí)際地震數(shù)據(jù)中提取地震子波，并合成偽反射系數(shù)，將地震子波與偽反射系數(shù)進(jìn)行卷積，得到合成地震數(shù)據(jù)；
[0008] 步驟2：將偽反射系數(shù)作為要擬合的輸出，合成地震數(shù)據(jù)作為輸入，對(duì)深度卷積神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練；
[0009] 步驟3：將實(shí)際地震數(shù)據(jù)輸入已訓(xùn)練好的網(wǎng)絡(luò)中，在輸出端得到振鈴壓制后的結(jié)果。
[0010] 優(yōu)選地，利用自相關(guān)法提取所述步驟1中的地震子波，具體包括以下步驟：實(shí)際地震道數(shù)據(jù)與地震子波的關(guān)系，如公式(1)模型：
[0011] y(t)＝r(t)*w(t)???(1)
[0012] 其中y(t)表示實(shí)際地震道數(shù)據(jù)，r(t)為反射系數(shù)，w(t)為地震子波，反射系數(shù)與地震子波進(jìn)行卷積操作；
[0013] 若假設(shè)反射系數(shù)是白噪聲，即自相關(guān)為脈沖函數(shù)，對(duì)于地震道數(shù)據(jù)的自相關(guān)與地震子波的自相關(guān)之間有公式(2)關(guān)系：
[0014]
[0015] 在共含有N道數(shù)據(jù)的地震道集中，每一道的數(shù)據(jù)yi(t)都是由反射系數(shù)ri(t)與地震子波w(t)卷積而成，其中i表示道號(hào)，即公式(3)：
[0016] yi(t)＝ri(t)*w(t)，i＝1,2,...,N???(3)
[0017] 在反射系數(shù)的均值上加漢寧窗進(jìn)行約束，如公式(4)所示：
[0018]
[0019] 又由維納-辛欽定理定理，得到地震子波的功率譜，如公式(5)所示：
[0020]
[0021] 其中FT表示傅里葉變換，利用地震子波功率譜得到振幅譜 并通過(guò)傅里葉反變換IFT得到提取出的地震子波，即公式(6)所示：
[0022]
[0023] 優(yōu)選地，所述步驟1中的偽反射系數(shù)合成采用復(fù)地震道變換方法，復(fù)地震道變換方法生成逼近實(shí)際數(shù)據(jù)的人工合成標(biāo)簽樣本，具體步驟如下：
[0024] 對(duì)于典型道集中的每一道，都通過(guò)希爾伯特變換分解成包絡(luò)與相位的乘積，如公式(7)所示：
[0025] y(t)＝env(t)cosθ(t)???(7)
[0026] 其中env(t)表示信號(hào)y(t)的包絡(luò)，θ(t)為瞬時(shí)相位；
[0027] 對(duì)于信號(hào)的包絡(luò)，計(jì)算出其低頻部分b(t)并從信號(hào)包絡(luò)中減去低頻部分，如公式(8)所示：
[0028] g(t)＝env(t)-b(t)???(8)
[0029] 完成以上操作后，將g(t)和原始地震道信號(hào)的相位θ(t)按照公式(9)所示方法重新組合，即可合成偽反射系數(shù)：
[0030]
[0031] 優(yōu)選地，所述步驟2中的深度卷積神經(jīng)網(wǎng)絡(luò)的網(wǎng)絡(luò)層數(shù)為9層，所述深度卷積神經(jīng)網(wǎng)絡(luò)由卷積層、批規(guī)范化層和激活層組成。
[0032] 優(yōu)選地，所述深度卷積神經(jīng)網(wǎng)絡(luò)的第二深度卷積神經(jīng)網(wǎng)絡(luò)層至第八深度卷積神經(jīng)網(wǎng)絡(luò)層的外結(jié)構(gòu)相同，卷積核的數(shù)量不同；第一深度卷積神經(jīng)網(wǎng)絡(luò)層得到的輸出結(jié)果利用跳線傳至網(wǎng)絡(luò)中間與第四和第六深度卷積神經(jīng)網(wǎng)絡(luò)層的輸出共同作為下一層的輸入，以提高訓(xùn)練效率，并保護(hù)圖像細(xì)節(jié)；
[0033] 其中，所述卷積層利用卷積核k對(duì)輸入圖像進(jìn)行卷積操作，并加入偏置b后送到下一層；使用所述批規(guī)范化層解決深度網(wǎng)絡(luò)訓(xùn)練中的內(nèi)部協(xié)方差偏移；所述激活層中間采用ReLU函數(shù)，激活層的操作如公式(10)：
[0034] ReLU(x)＝max(0,x)???(10)
[0035] 第九深度卷積神經(jīng)網(wǎng)絡(luò)層采用tanh激活函數(shù)，tanh激活函數(shù)的操作如公式(11)：
[0036]
[0037] 因此，作為操作層的第一深度卷積神經(jīng)網(wǎng)絡(luò)層表示為公式(12)：
[0038] o1,c＝ReLU(k1,c*x+b1,c)，c＝1,...,C1???(12)
[0039] 其中，x為輸入圖像，k1,c為第1層中卷積層的第c個(gè)卷積核，b1,c為第1層的第c個(gè)偏置，o1,c表示第1層的輸出中對(duì)應(yīng)于第c個(gè)卷積核和偏置的特征映射，C1為第一層卷積核的總數(shù)，即輸出的特征映射的數(shù)量；
[0040] 同理，中間層的操作可以表示為公式(13)：
[0041] oj,c＝ReLU(BN(kj,c*nj+bj,c)),j＝2,...,L-1；c＝1,...,Cj???(13)[0042] 其中，nj為第j層的輸入，kj,c為第j層中卷積層的第c個(gè)卷積核，bj,c為第j層的第c個(gè)偏置，oj,c表示第j層的輸出中對(duì)應(yīng)于第c個(gè)卷積核和偏置的特征映射，Cj為第j層卷積核的總數(shù)，L為網(wǎng)絡(luò)總層數(shù)；
[0043] 輸出層的操作為公式(14)：
[0044]
[0045] 其中 為網(wǎng)絡(luò)的輸出，即振鈴壓制后的結(jié)果。
[0046] 本發(fā)明公開(kāi)的一種基于深度卷積神經(jīng)網(wǎng)絡(luò)的可控震源數(shù)據(jù)振鈴壓制方法，通過(guò)較少的樣本訓(xùn)練得到的網(wǎng)絡(luò)即可應(yīng)用于較多炮集并取得較好效果，提高了處理效率；訓(xùn)練樣本通過(guò)實(shí)際數(shù)據(jù)合成得到，無(wú)需額外收集有監(jiān)督學(xué)習(xí)所需要的輸入和參考圖像；可以適應(yīng)差異較大的地震數(shù)據(jù)，對(duì)于一批新的數(shù)據(jù)，只需對(duì)地震數(shù)據(jù)中抽取少量典型炮集進(jìn)行輸入和參考的合成即可完成訓(xùn)練并應(yīng)用于該數(shù)據(jù)，從而提高了處理效率。附圖說(shuō)明
[0047] 圖1是基于深度卷積神經(jīng)網(wǎng)絡(luò)的可控震源數(shù)據(jù)振鈴壓制方法的流程圖。
[0048] 圖2是去振鈴深度卷積神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)示意圖。
[0049] 圖3是合成數(shù)據(jù)去振鈴前后對(duì)比圖，其中圖(a)為輸入含振鈴合成地震數(shù)據(jù)，圖(b)為深度卷積神經(jīng)網(wǎng)絡(luò)輸出結(jié)果。
[0050] 圖4是合成地震數(shù)據(jù)實(shí)驗(yàn)結(jié)果的f-K域?qū)Ρ葓D，其中圖(a)為輸入的經(jīng)理想濾波后的含振鈴合成地震數(shù)據(jù)的f-K譜，圖(b)為神經(jīng)網(wǎng)絡(luò)去振鈴結(jié)果的f-k譜，圖(c)為原始合成數(shù)據(jù)(理想濾波前)的f-K譜，其中圖(d)是原始合成數(shù)據(jù)與神經(jīng)網(wǎng)絡(luò)去振鈴后的數(shù)據(jù)之差的f-K譜。
[0051] 圖5是實(shí)際可控震源數(shù)據(jù)去振鈴前后結(jié)果對(duì)比圖，其中圖(a)為原始數(shù)據(jù)，圖(b)為本模型處理后的結(jié)果。

具體實(shí)施方式

[0052] 為使本發(fā)明實(shí)施的目的、技術(shù)方案和優(yōu)點(diǎn)更加清楚，下面將結(jié)合本發(fā)明實(shí)施例中的附圖，對(duì)本發(fā)明實(shí)施例中的技術(shù)方案進(jìn)行更加詳細(xì)的描述。在附圖中，自始至終相同或類(lèi)似的標(biāo)號(hào)表示相同或類(lèi)似的元件或具有相同或類(lèi)似功能的元件。所描述的實(shí)施例是本發(fā)明一部分實(shí)施例，而不是全部的實(shí)施例。下面通過(guò)參考附圖描述的實(shí)施例是示例性的，旨在用于解釋本發(fā)明，而不能理解為對(duì)本發(fā)明的限制?；诒景l(fā)明中的實(shí)施例，本領(lǐng)域普通技術(shù)人員在沒(méi)有作出創(chuàng)造性勞動(dòng)前提下所獲得的所有其他實(shí)施例，都屬于本發(fā)明保護(hù)的范圍。
[0053] 如圖1所示，基于深度卷積神經(jīng)網(wǎng)絡(luò)的可控震源數(shù)據(jù)振鈴壓制方法的具體步驟：
[0054] (1)首先利用自相關(guān)法提取地震子波并合成偽反射系數(shù)。
[0055] 地震子波的提取利用的是自相關(guān)法，具體說(shuō)明如下：
[0056] 對(duì)于實(shí)際地震道數(shù)據(jù)與地震子波的關(guān)系，可以用以下模型表示：
[0057] y(t)＝r(t)*w(t)???(1)
[0058] 其中y(t)表示實(shí)際觀察到的地震道數(shù)據(jù)，r(t)為反射系數(shù)，w(t)為地震子波。其中*表示卷積操作。若假設(shè)反射系數(shù)是白噪聲，即自相關(guān)為脈沖函數(shù)，那么對(duì)于地震道數(shù)據(jù)的自相關(guān)與地震子波的自相關(guān)之間有如下關(guān)系：
[0059] Ryy(t)＝y(tǒng)(t)*y(-t)
[0060] ＝r(t)*w(t)*r(-t)*w(-t)
[0061] ＝w(t)*w(-t)
[0062] ＝Rww(t)???(2)
[0063] 在共含有N道數(shù)據(jù)的地震道集中，每一道的數(shù)據(jù)yi(t)(i表示道號(hào))都可以看作是由反射系數(shù)ri(t)與地震子波w(t)卷積而成，即：
[0064] yi(t)＝ri(t)*w(t)，i＝1,2,...,N???(3)
[0065] 根據(jù)式(2)，考慮對(duì)觀測(cè)到的每一道地震數(shù)據(jù)分別做自相關(guān)，并對(duì)所有道的結(jié)果求取平均，從而使得反射系數(shù)更符合白噪聲的假設(shè)。同時(shí)，考慮到地震子波具有有限的支撐，因此在反射系數(shù)的均值上加漢寧窗進(jìn)行約束(在實(shí)驗(yàn)中選取的漢寧窗窗長(zhǎng)為1201個(gè)采樣點(diǎn))。如下式所示：
[0066]
[0067] 又由維納-辛欽定理定理，可以得到地震子波的功率譜：
[0068]
[0069] 其中FT表示傅里葉變換。從而可以利用地震子波功率譜得到振幅譜 并通過(guò)傅里葉反變換IFT得到提取出的地震子波，即：
[0070]
[0071] 偽反射系數(shù)合成采用復(fù)地震道變換(complex-trace?transform，CTT)方法，該方法可以提高地震數(shù)據(jù)的分辨率，并壓制隨機(jī)噪聲。因此本發(fā)明采用該方法生成逼近實(shí)際數(shù)據(jù)的人工合成標(biāo)簽樣本。CTT方法的實(shí)現(xiàn)過(guò)程如下：
[0072] 對(duì)于典型道集中的每一道，都可以通過(guò)希爾伯特變換分解成成包絡(luò)與相位的乘積：
[0073] y(t)＝env(t)cosθ(t)???(7)
[0074] 其中env(t)表示信號(hào)y(t)的包絡(luò)，θ(t)為瞬時(shí)相位。對(duì)于信號(hào)的包絡(luò)，計(jì)算出其低頻部分b(t)并從信號(hào)包絡(luò)中減去低頻部分：
[0075] g(t)＝env(t)-b(t)???(8)
[0076] 完成以上操作后，將g(t)和原始地震道信號(hào)的相位θ(t)按照如下方法重新組合，即可合成偽反射系數(shù)：
[0077]
[0078] 將合成地震數(shù)據(jù)與偽反射系數(shù)分別作為網(wǎng)絡(luò)的輸入和參考輸出，對(duì)神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練。深度卷積神經(jīng)網(wǎng)絡(luò)的一個(gè)示意圖如圖2所示?？梢钥闯?，該網(wǎng)絡(luò)共有9層，由卷積層(conv)，批規(guī)范化層(BN)，以及激活層(ReLU、tanh)組成。除第一層與最后一層外，中間各層除了卷積核的數(shù)量以外結(jié)構(gòu)相同。另外，本網(wǎng)絡(luò)將第一層網(wǎng)絡(luò)得到的輸出結(jié)果利用跳線傳至網(wǎng)絡(luò)中間，并和第4層、第6層的輸出共同作為下一層的輸入，以提高訓(xùn)練效率，并保護(hù)圖像細(xì)節(jié)。
[0079] 其中，卷積層利用卷積核k對(duì)輸入圖像進(jìn)行卷積操作，并加入偏置b后送到下一層；批規(guī)范化層是深層神經(jīng)網(wǎng)絡(luò)的一個(gè)常用策略，可以解決深度網(wǎng)絡(luò)訓(xùn)練中的內(nèi)部協(xié)方差偏移現(xiàn)象；激活層中間采用ReLU函數(shù)，ReLU層的操作如下：
[0080] ReLU(x)＝max(0,x)???(10)
[0081] 最后一層采用tanh激活函數(shù)，tanh激活函數(shù)的操作如下：
[0082]
[0083] 因此，深度卷積神經(jīng)網(wǎng)絡(luò)的第1層，即輸入層的操作可以表示為：
[0084] o1,c＝ReLU(k1,c*x+b1,c)，c＝1,...,C1???(12)
[0085] 其中，x為輸入圖像，k1,c為第1層中卷積層的第c個(gè)卷積核，b1,c為第1層的第c個(gè)偏置，o1,c表示第1層的輸出中對(duì)應(yīng)于第c個(gè)卷積核和偏置的特征映射(feature?map)，C1為第一層卷積核的總數(shù)，也即輸出的特征映射的數(shù)量，在圖2所示的網(wǎng)絡(luò)示意圖中，該值為32。
[0086] 同理，中間層的操作可以表示為：
[0087] oj,c＝ReLU(BN(kj,c*nj+bj,c)),j＝2,...,L-1；c＝1,...,Cj???(13)[0088] 其中，nj為第j層的輸入，kj,c為第j層中卷積層的第c個(gè)卷積核，bj,c為第j層的第c個(gè)偏置，oj,c表示第j層的輸出中對(duì)應(yīng)于第c個(gè)卷積核和偏置的特征映射，Cj為第j層卷積核的總數(shù)。L為網(wǎng)絡(luò)總層數(shù)，在圖2所示的網(wǎng)絡(luò)示意圖中L的值為9。
[0089] 輸出層的操作為：
[0090]
[0091] 其中 為網(wǎng)絡(luò)的輸出，即振鈴壓制后的結(jié)果，其余符號(hào)含義同前。
[0092] 該網(wǎng)絡(luò)層數(shù)較深，因此可以更好的學(xué)習(xí)輸入與輸出之間的映射關(guān)系。另外，該網(wǎng)絡(luò)是端對(duì)端的結(jié)構(gòu)，在傳播過(guò)程中沒(méi)有池化層或步長(zhǎng)大于1的卷積層，因此保證了數(shù)據(jù)尺寸不變，從而可以更好的保護(hù)細(xì)節(jié)，減少信息丟失。
[0093] (3)神經(jīng)網(wǎng)絡(luò)訓(xùn)練完成后，將待處理的可控震源地震數(shù)據(jù)按照道集順序依次通過(guò)神經(jīng)網(wǎng)絡(luò)，在網(wǎng)絡(luò)的輸出端得到壓制振鈴后的結(jié)果。
[0094] 為了驗(yàn)證本發(fā)明的有效性與優(yōu)越性，將本發(fā)明所提出的方法分別應(yīng)用于合成地震數(shù)據(jù)以及實(shí)際地震數(shù)據(jù)，以展示本發(fā)明中深度卷積神經(jīng)網(wǎng)絡(luò)模型的振鈴壓制和頻譜拓寬的效果。
[0095] 本實(shí)驗(yàn)以Python語(yǔ)言實(shí)現(xiàn)(版本號(hào)：2.7.13)，其中的深度卷積神經(jīng)網(wǎng)絡(luò)利用TensorFlow(版本號(hào)：1.3.0)框架搭建。訓(xùn)練和測(cè)試所使用的操作系統(tǒng)為L(zhǎng)inux系統(tǒng)(Ubuntu?16.04.3?LTS，內(nèi)核版本號(hào)：4.13.0)。機(jī)器配置為：CPU型號(hào)：Intel(R)Core(TM)i7-7700K?CPU@4.20GHz；內(nèi)存大?。?6G；GPU型號(hào)：GeForce?GTX?1080。
[0096] 首先對(duì)合成地震信號(hào)進(jìn)行實(shí)驗(yàn)。實(shí)驗(yàn)中采用的合成信號(hào)參數(shù)如下：時(shí)間采樣點(diǎn)數(shù)：1000；空間采樣點(diǎn)數(shù)：600；時(shí)間采樣率：500Hz；空間采樣間隔：3.125m；速度：1301～2300m/s；子波類(lèi)型：Ricker子波，主頻60Hz；為了形成訓(xùn)練樣本對(duì)(即含有振鈴和不含振鈴數(shù)據(jù)對(duì))，利用理想帶通濾波器對(duì)合成的地震數(shù)據(jù)進(jìn)行頻率域?yàn)V波以產(chǎn)生振鈴現(xiàn)象。為模擬可控震源的頻帶范圍，采用的理想濾波器的通頻帶為6Hz～72Hz。
[0097] 用濾波前的合成地震圖像作為參考輸出，濾波后的含振鈴合成地震圖像作為網(wǎng)絡(luò)輸入，對(duì)網(wǎng)絡(luò)進(jìn)行訓(xùn)練。網(wǎng)絡(luò)訓(xùn)練完成后，按照前述參數(shù)重新生成與訓(xùn)練集不同的合成地震數(shù)據(jù)，并進(jìn)行帶通濾波，利用該數(shù)據(jù)作為測(cè)試樣例，得到結(jié)果如圖3所示。對(duì)輸入和輸出的結(jié)果變換至f-K域，并與無(wú)振鈴信號(hào)的f-K譜相比較，結(jié)果如圖4所示。
[0098] 結(jié)合圖3和圖4的結(jié)果可以看出，本發(fā)明提出的模型可以有效地拓寬合成地震數(shù)據(jù)的頻帶，壓制時(shí)空域的振鈴效應(yīng)。
[0099] 對(duì)實(shí)際可控震源地震數(shù)據(jù)進(jìn)行實(shí)驗(yàn)。這里將實(shí)際地震數(shù)據(jù)中的中的一個(gè)道集數(shù)據(jù)用來(lái)合成訓(xùn)練樣本，并進(jìn)行訓(xùn)練。將訓(xùn)練好的網(wǎng)絡(luò)應(yīng)用于該地震資料中的其他的可控震源道集數(shù)據(jù)，結(jié)果如圖5所示(圖5(a)是含振鈴的輸入，5(b)是網(wǎng)絡(luò)的輸出，僅展示一個(gè)道集作為示意)?？梢钥闯?，本發(fā)明可以很好地減弱可控震源地震數(shù)據(jù)的振鈴效應(yīng)，從而可以為后續(xù)的初至拾取處理提供幫助。
[0100] 最后需要指出的是：以上實(shí)施例僅用以說(shuō)明本發(fā)明的技術(shù)方案，而非對(duì)其限制。盡管參照前述實(shí)施例對(duì)本發(fā)明進(jìn)行了詳細(xì)的說(shuō)明，本領(lǐng)域的普通技術(shù)人員應(yīng)當(dāng)理解：其依然可以對(duì)前述各實(shí)施例所記載的技術(shù)方案進(jìn)行修改，或者對(duì)其中部分技術(shù)特征進(jìn)行等同替換；而這些修改或者替換，并不使相應(yīng)技術(shù)方案的本質(zhì)脫離本發(fā)明各實(shí)施例技術(shù)方案的精神和范圍。
高效檢索全球?qū)＠?/div>

專(zhuān)利匯是專(zhuān)利免費(fèi)檢索,專(zhuān)利查詢(xún),專(zhuān)利分析-國(guó)家發(fā)明專(zhuān)利查詢(xún)檢索分析平臺(tái)，是提供專(zhuān)利分析，專(zhuān)利查詢(xún)，專(zhuān)利檢索等數(shù)據(jù)服務(wù)功能的知識(shí)產(chǎn)權(quán)數(shù)據(jù)服務(wù)商。

我們的產(chǎn)品包含105個(gè)國(guó)家的1.26億組數(shù)據(jù)，免費(fèi)查、免費(fèi)專(zhuān)利分析。

申請(qǐng)?jiān)囉?/a>

QQ群二維碼
意見(jiàn)反饋