一种基于特征增强去噪网络的地震资料沙漠噪声抑制方法转让专利
申请号 : CN202011115922.9
文献号 : CN112213785B
文献日 : 2021-08-13
发明人 : 李娟 , 安然 , 李月 , 赵玉星 , 卢长刚 , 乔乔 , 刘颖
申请人 : 吉林大学
摘要 :
权利要求 :
1.一种基于特征增强去噪网络的地震资料沙漠噪声抑制方法,其特征在于,包括以下步骤:
步骤一、构建初始特征增强去噪网络;
其中,所述初始特征增强去噪网络的第1‑3层和第9‑12层均由卷积、批标准化和线性整流单元组成,第4‑8层由扩张卷积、批标准化和线性整流单元组成,第13层为级联操作,所述级联操作是对输入噪声记录与第3层、第6层、第9层和第12层的特征信息映射混合,所述级联操作中的第3层、第6层、第9层和第12层的路径中具有扩展卷积层,第14层为激活函数,第
15层由卷积组成;
所述第4层的膨胀因子为2,所述第5层的膨胀因子为3,所述第6层的膨胀因子为4,所述第7层的膨胀因子为3,所述第8层的膨胀因子为2,所述第1层的卷积滤波器的尺寸设置为3×3×1×128,所述第2‑12层的卷积滤波器的尺寸设置为3×3×128×128,第15层的卷积滤波器的尺寸设置3×3×5×1,所述扩展卷积层的卷积滤波器的尺寸设置为3×3×128×1;
步骤二、将所述初始特征增强去噪网络进行残差学习得到理想特征增强去噪网络;
其中,所述残差学习包括如下步骤:步骤1、基于退化方程y=x+v对所述初始特征增强去噪网络进行训练,输出为残差映射:
n≈R(y;Θ);
式中,y为原始带噪地震信号,x为去噪的地震信号,v为沙漠噪声,n为残差映射,Θ为网络参数;
步骤2、最佳网络参数通过最小化损失函数获得,所述损失函数满足:式中, 代表S对带噪‑纯净训练集对, 代表Frobenius范数;
步骤3、将最佳网络参数代入到初始特征增强去噪网络得到理想特征增强去噪网络;
步骤三、将原始带噪记录输入到所述理想特征增强去噪网络中,输出去噪的地震信号。
2.根据权利要求1所述的基于特征增强去噪网络的地震资料沙漠噪声抑制方法,其特征在于,所述训练集包括信号集和噪声集。
3.根据权利要求2所述的基于特征增强去噪网络的地震资料沙漠噪声抑制方法,其特征在于,所述信号集为不同的主频和弯度的Ricker波,生成大小为1250×100的34幅记录,然后对所述Ricker波进行切割得到大小为50×50的训练块,切割步长为10。
4.根据权利要求2所述的基于特征增强去噪网络的地震资料沙漠噪声抑制方法,其特征在于,所述噪声集包括沙漠噪声和面波,所述沙漠噪声记录包含2300道数,每道有30000个采样点;所述面波记录包含800道数,每道有1200个采样点;然后将所述沙漠噪声记录或面波记录裁剪为50×50的噪声块,切割步长为25。
5.根据权利要求4所述的基于特征增强去噪网络的地震资料沙漠噪声抑制方法,其特征在于,所述训练集的信噪比的改变通过在[0.1,1]范围内随机选择一个随机系数乘以噪声块。
6.根据权利要求5所述的基于特征增强去噪网络的地震资料沙漠噪声抑制方法,其特征在于,所述激活函数为双曲正切函数。
说明书 :
一种基于特征增强去噪网络的地震资料沙漠噪声抑制方法
技术领域
背景技术
断减少,地震勘探的环境也愈加复杂,在获取地震资 料的同时往往会引大量的噪声。因此,
在处理地震信号时首要任务就是压制 地震勘探资料中的噪声,从而提高地震资料的质量,
为后续的处理和解释工 作做准备。然而,在沙漠地区,由于特殊的自然条件和人类活动等
因素,沙 漠地震记录噪声具有复杂的特征。沙漠噪声给去噪工作带来了很大的困难: 沙漠
噪声的幅值大、非平稳、非线性、能量高等特点,大多数算法在噪声抑 制过程中对有效信号
严重衰减;沙漠噪声具有低频特性,这使得噪声和有效 信号在频域内严重重叠。因此,很多
时频域滤波方法在抑制噪声的同时不能 完全恢复有效地震信号;除高斯噪声外,沙漠噪声
中也含有大量的非高斯噪 声,但许多沙漠地震数据的去噪方法只能去除高斯部分,这使得
最终的去噪 效果不是很理想。因此,抑制沙漠噪声具有很大的挑战性。
X反褶积(Canales,1984)到地震信号的去噪任务, 并有许多相应的改进算法(Gulunay,
1986;Hornbostel,1991)相继提出。 F‑X反褶积已成为地震信号去噪领域的常用算法。2014
年,Chen等人提出基 于经验模式分解(EMD)(Chen等,2014)地震数据噪声去除方法。EMD根
据不同的频率分量,将输入信号分解成多个模态,以去除噪声。此外,还有 其他优秀经典的
地震数据去噪方法,如带通滤波器(Ma等,2019)、时频峰 值滤波(Liu等,2020)和小波变换
(Mousavi等,2016)。上述方法虽然能 在一定程度上提高信噪比,但往往受到限制。例如,噪
声需要符合某些特性 (如线性、平稳性)和服从特定分布(如高斯分布)、输入信噪比不能太
低等, 而且这些方法大多面临着手工选择参数和复杂优化算法的问题。特别是对于 复杂
的沙漠噪声,通常需要花费更多的精力和时间来获得最佳的降噪效果。
CNN已成功地处理了不同的任务,如目标检测 (Lee等,2020)、图像去噪(Zhang等,2016)、图
像分类(Lee等,2017) 和动作识别(Cheron等.,2015)。近年来,CNNs在地震勘探中也得到了
广泛 的应用,如地震数据插值(Wang等,2019)、地震断层探测(Xiang等,2018)、 地震反演
(Das等,2018)等。此外,CNN在地震资料去噪方面也有许多成 功的应用(Wu等,2019;Zhao
等,2019),为解决地震资料去噪任务开辟了 一条新途径,但随着深度的增加,浅层对整个
网络尤其是深层的影响逐渐减 弱,不利于复杂沙漠噪声的抑制。
发明内容
强噪声信息和不同层的特征信息,增加了网络的宽度, 获得更好的降噪效果。
作,所述级联操作是对输入噪声记录与第3层、第6层、第9层和第12层的特征信息映射混合,
所述级联操作中的第3层、第 6层、第9层和第12层的路径中具有扩展卷积层,第14层为激活
函数,第 15层由卷积组成;
设置为3×3×1×128,所述第2‑12层的卷积滤波 器的尺寸设置为3×3×128×128,第15层
的卷积滤波器的尺寸设置3×3×5×1, 所述扩展卷积层的卷积滤波器的尺寸设置为3×3
×128×1;
漠噪声记录或面波记录裁剪为50×50的噪声块,切割 步长为25。
噪声特征。
更好的性能。
附图说明
具体实施方式
卷积网络中,当每层的膨胀因子为2时,其感受野大小 为(4n+1)×(4n+1),其中n表示深度。
例如,当n=8时,感受野大小为33×33, 这相当于一个16层带有滤波器大小为3×3的传统
CNN的感受野大小。
积核由3×3扩展到5×5,虽然该区域有25个信号点, 但仅使用9个信号点进行计算,通过采
用几乎对称的混合膨胀因子设置,使 得每一层具有不同的膨胀因子,解决了网格伪影的问
题。
第4‑8层Dilated Conv+BN+ReLU,所述第 4层的膨胀因子为2,所述第5层的膨胀因子为3,所
述第6层的膨胀因子为 4,所述第7层的膨胀因子为3,所述第8层的膨胀因子为2,所述第1层
的 卷积滤波器的尺寸设置为3×3×1×128,所述第2‑12层的卷积滤波器的尺寸设 置为3
×3×128×128,因此,所述初始特征增强去噪网络前12层的感受野与21 层传统网络(感受
野大小为43)具有相同的感受野大小,降低了初始特征增 强去噪网络的深度,从而提高了
网络训练的效率。
初始特征增强去噪网络采用多条路径设计了一种特征 增强技术,不仅选择原始的带噪输
入,而且还选取不同层的特征信息作为网 络的补充,第13层为级联操作,所述级联操作是
对输入噪声记录与第3层、 第6层、第9层和第12层的特征信息映射混合,这提高了网络的宽
度,有助 于网络获得更多有用的噪声特征,为了保持与输入噪声记录有相同的大小,所 述
级联操作中的第3层、第6层、第9层和第12层的路径中具有扩展卷积层, 所述扩展卷积层的
卷积滤波器的尺寸设置为3×3×128×1;第14层的“Tanh” 代表双曲正切函数,为激活函
数;第15层由卷积组成,第15层的卷积滤波 器的尺寸设置3×3×5×1,用于重构残差记录,
最终输出为去噪的信号。
失,残差学习的应用解决了这一问题。
声集。
录,然后对其进行切割得到大小为50×50的训练块, 切割步长为10。
施例中,使用的沙漠噪声数据来自中国塔里木盆地的 沙漠地区,噪音记录中的道数是
2300,每道有30000个采样点;面波记录是 从中国西部沙漠地区的实际地震资料中采集的,
噪声记录包含800道和每道 有1200个采样点,以25为步长,将记录裁剪为50×50的训练块。
水平的去噪任务。
批数量 128
迭代数 50
‑3 ‑5
学习率范围 [10 ‑10 ]
对于13层的卷积网络,图2中模型的感受野(感受野为45) 是传统卷积网络(感受野为27)的
1.6倍,小于膨胀因子为2的膨胀卷积网 络(感受野为53)。
声污染的合成地震记录进行对比实验。两个广泛使用的 指标被用来定量评价去噪质量:信
噪比(SNR)和均方误差(MSE)。从表2 中可以看出,当网络的扩张因子为2时,由于感受野更
大,所以信噪比高于 普通的卷积网络,这证实了感受野的重要性。并且,虽然“FEDnet
without feat enh”的感受野不是最大的,但是SNR是最高的,其中“FEDnet without feat
enh”表示图2的结构,这说明在膨胀卷积网络中,网格伪影是不可忽视的。 因此,提出本发
明所述的特征增强去噪网络。
膨胀因子=2 10.1423 0.0050
FEDnet without Feat Enh 11.5041 0.0036
网络结构中被广泛使用。第一层和最后一层的 滤波器尺寸分别设置为3×3×1×128和3×
3×128×1。对于其余层,滤波器尺寸 设置为3×3×128×128。图4使用级联操作来连接输
入的原始记录(全局特征) 和第十二层的特征信息映射(局部特征),以增强浅层的影响,在
图4中,仅 使用一个扩展层,因此,最后一层的滤波器尺寸设置为3×3×2×1。前12层的 滤
波器参数与图3相同。然而,单一的特征增强路径并不能充分发挥网络的 影响。因此,如图1
所示,本发明采用新的特征增强网络结构来挖掘更多的 特征用于去噪任务。对沙漠地震资
料进行去噪处理时,不仅选取了原始输入 的强噪声信息,而且还选择了多个网络层的特征
信息与深层的特征信息进行 互补。在本实施例中处理了与前一节相同的记录,对比实验结
果如表3所示, 这证明了FEDnet达到了优越的性能。具体地说,表3中的“Sym Skip
Connect” 和“Single Feat Enh”分别表示图3和图4的模型。
膨胀因子=1 9.2279 0.0061
膨胀因子=2 10.1423 0.0050
FEDnet without Feat Enh 11.5041 0.0036
Sym Skip Connect 12.0989 0.0032
Single Feat Enh 12.1882 0.0031
FEDnet 13.5690 0.0023
实施例中设置了不同的主频以接近真实带噪地震信号, 记录大小为200×1400;图6为沙漠
噪音,根据方程y=x+v,我们最终得到 图7所示的含噪记录,如图8所示,为FEDnet的去噪结
果,说明FEDnet能 够完全抑制噪声,有效地恢复含噪记录中的有效信号,图9是通过从输入
记 录中减去去噪结果得到的合成记录的残差结果,结果表明,FEDnet去噪后没 有信号能
量损失。如图10‑14所示,本发明绘制了频域波数谱(FK谱)。如 图12所示,很明显,有效信号
几乎淹没在强低频噪声中。从图13可以看出, 去噪结果中几乎没有沙漠噪声残留。
置为与图2中的网络相同,用以处理模拟记录和 实际记录:第一层和最后一层的滤波器尺
寸分别设置为3×3×1×128和 3×3×128×1,其余各层的滤波器尺寸设为3×3×128×
128。三种方法的去噪结果 如图15‑17所示,三种方法的单道对比结果如图18‑20所示,带通
滤波效果很 差,留下大量噪声,有效信号仍淹没在噪声中。如图16所示,DnCNN的去 噪效果
似乎还不错,但图19中的单道结果表明DnCNN不能完全抑制沙漠噪 声。相反,图20中的单道
结果表明FEDnet可以完全恢复有效信号而无噪声 残留。
采样频率为500赫兹。同样地,我们还将带通滤波器 和DnCNN应用于该记录。图22‑图24给出
了三种方法的去噪效果。
差:虽然抑制了一些噪声,但记录中仍存在大量噪 声,地震事件仍然难以识别。经DnCNN处
理后,框1和框3的地震反射波 连续性良好。但是框2地震反射波的恢复还不够好。另外,框4
中的噪声没 有被完全抑制。相比之下,FEDnet在噪声抑制和信号恢复方面优于上述方法。
特别是,在FEDnet处理后,框2中的地震有效信号恢复更好,整体去噪记录 看起来比DnCNN
更干净。
更彻底地抑制沙漠噪声。
CNN——FEDnet。它具有以下特点:
的特征增强去噪网络达到了最佳的去噪性能。
易地实现另外的修改,因此在不背离权利要求及等同范 围所限定的一般概念下,本发明并
不限于特定的细节和这里示出与描述的实 施例。