多震源高效采集波场分离方法、分离系统及计算机设备

摘要

本发明属于海底地震勘探技术领域，公开了多震源高效采集波场分离方法、分离系统及计算机设备。所述基于去噪神经网络的海底地震勘探多震源高效采集波场分离方法包括：获得混采数据、地震数据预处理、小尺寸地震数据的制作、训练集的归一化、神经网络模型的搭建以及训练以及海底地震勘探多震源采集波场分离的测试，得到去混叠噪音后的共炮集记录。本发明使用经过训练好的网络模型在海底地震勘探多震源高效采集波场分离中进行混采分离，运算速度快，人为干预少，使得海底地震勘探多震源分离效果好。本发明在海底地震勘探多震源高效采集波场分离中人力资源投入小，成本低。

权利要求

1.多震源高效采集波场分离方法，其特征在于，所述多震源高效采集波场分离方法包括以下步骤：模拟获得或野外采集获得非混采记录，非混采记录包括主震源和辅震源，采用随机时间延迟对主震源和辅震源相加获得混采数据；

基于获得的非混采记录数据和混采数据进行地震数据预处理；

基于预处理后的地震数据进行小尺寸地震数据的制作；

对制作的小尺寸地震数据进行训练集的归一化处理；

利用归一化的训练集进行神经网络模型的搭建以及训练；

利用训练后的神经网络模型进行海底地震勘探多震源采集波场分离的测试，得到去混叠噪音后的共炮集记录；

在小尺寸地震数据的制作中，对地震数据进行纵向和横向抽稀采样，每个样本都包含记录的全局信息，通过包含全局信息的样本训练出m×n个小矩阵；

所述抽稀采样方法为：首先判断共检波点集数据矩阵的行数和列数，如果原矩阵的行数不足500，则在下方补零至500行，如果原矩阵的列数不足100列，则在右侧补零至100列；

如果行数不是500的整数倍或列数不是100的整数倍，则最后一行向下补零至500的整数倍或最后一列向右补零至100的整数倍，然后等间隔抽出500×100的小矩阵；对于行数是500的n倍、列数是100的m倍的矩阵，通过抽稀采样之后得到m×n个小矩阵；对制作出的小尺寸数据，选取50％作为训练集，另外50％作为验证集；

在进行训练集的归一化处理中，对于一个样本和标签组成的数据对矩阵S1和矩阵L1，制作归一化训练集方式如下：maxvalue1＝max(abs(S1))   (1)

maxvalue2＝max(abs(L1))   (2)

对矩阵S1和矩阵L1，分别求其中元素绝对值的最大值，然后取这两个最大值中更大的一个：maxvalue＝max{maxvalue1，maxvalue2}   (3)然后把矩阵S1和矩阵L1中所有元素都除该最大值：

S1′＝S1/maxvalue   (4)

L1′＝L1/maxvalue   (5)

对所有的样本和标签组成的数据对，都进行式(1)至式(5)的操作，完成训练集的归一化；

在神经网络模型的搭建中，所搭建的神经网络模型共包含17层，其中第1层为一个二维卷积层加一个nn.PReLU()激活层，其中卷积层的参数为image_channels＝1，n_channels＝64，kernel_size＝3，stride＝1，padding＝1，bias＝True；第 2 至第16层为一个二维卷积层加一个BN层以及一个nn.PReLU()激活层，其中卷积层的参数为image_channels＝1，n_channels＝64，kernel_size＝3，stride＝1，padding＝1，bias＝False；网络的第17层为无BN层的卷积层；

在神经网络模型的训练中，经网络的训练参数为batch_size＝64，每一次训练使用64个样本，训练轮数epoch＝500，学习了lr＝1e‑3至1e‑6之间变化，样本的高度为500，宽度为

100，损失函数使用均方误差，均方误差函数的定义为：

式(6)中，X和Y分别为神经网络的输出和标签，N为X和Y中元素的个数，优化器使用Adam优化器，训练完成后保存模型参数到磁盘上。

2.根据权利要求1所述的多震源高效采集波场分离方法，其特征在于，在获得混采数据中，非混采记录中每两炮互为主震源和辅震源，采用±1s的随机时间延迟，对主震源和辅震源相加获得混采数据。

3.根据权利要求1所述的多震源高效采集波场分离方法，其特征在于，在地震数据预处理中，先把地震数据由共炮集抽取到共检波点集，然后对混采记录和非混采记录用同一个切除曲线进行顶切，把初至波之上的记录振幅值置为0。

4.根据权利要求1所述的多震源高效采集波场分离方法，其特征在于，在测试中，把训练好的神经网络模型应用于实际混采或人工合成的混采记录；首先从磁盘上加载训练好的网络模型，然后逐个加载测试集中的数据；对于每个500×100的矩阵S2，首先进行归一化处理：maxvalue＝max(abs(S2))   (7)

S2′＝S2/maxvalue   (8)

即先求取矩阵中元素绝对值的最大值，然后矩阵中的每一个元素都除该最大值；对矩阵S2通过神经网络进行输出，得到S2″，最后把S2″反归一化：S2″′＝S2″*maxvalue   (9)

对测试集中的每个元素都进行式(7)至式(9)的操作，然后将每个做了去混叠噪音的小矩阵充填回大矩阵的对应位置，最后把数据由共检波点集抽回共炮集即可得到最终去混叠噪音后的共炮集记录。

5.一种实施权利要求1‑4任意一项所述多震源高效采集波场分离方法的分离系统，其特征在于，所述分离系统包括：混采数据获取模块(1)，用于由模拟获得或野外采集获得非混采记录，即单一震源记录，非混采记录中每两炮互为主震源和辅震源，采用±1s的随机时间延迟，记录的主震源和辅震源相加获得混采数据；

地震数据预处理模块(2)，用于把地震数据由共炮集抽取到共检波点集，然后对混采记录和非混采记录用同一个切除曲线进行顶切，把初至波之上的记录振幅值置为0；

小尺寸地震数据制作模块(3)，用于对大尺寸地震数据需要制作成小尺寸数据；

归一化训练集模块(4)，用于对于一个样本和标签组成的数据对矩阵S1和矩阵L1，制作归一化训练集，对矩阵S1和矩阵L1，分别求其中元素绝对值的最大值，然后取这两个最大值中更大的一个；然后把矩阵S1和矩阵L1中所有元素都除该最大值；对所有的样本和标签组成的数据对，都进行矩阵S1和矩阵L1归一化训练至矩阵S1和矩阵L1中所有元素都除该最大值的操作步骤，完成训练集的归一化；

搭建网络模型模块(5)，用于搭建神经网络模型；

神经网络训练模块(6)，用于神经网络模型的训练、优化以及保存神经网络模型参数到磁盘上；

测试集测试模块(7)，用于把训练好的神经网络模型应用于实际混采或人工合成的混采记录。

6.一种计算机设备，其特征在于，所述计算机设备包括存储器和处理器，所述存储器存储有计算机程序，所述计算机程序被所述处理器执行时，使得所述处理器执行权利要求1‑4任意一项所述的多震源高效采集波场分离方法。

说明书

多震源高效采集波场分离方法、分离系统及计算机设备

技术领域

[0001] 本发明属于海底地震勘探技术领域，尤其涉及多震源高效采集波场分离方法、分离系统及计算机设备。

背景技术

[0002] 海洋地震勘探是进行海洋油气勘探，地质灾害预警以及海洋地质科学研究的基础资料。通常采用气枪作为震源，用包含等间隔排列检波器的拖缆进行接收，根据勘探深度和勘探目的，设计一定的采样率和记录长度，比如1毫秒采样率记录6秒，则每个检波器在震源激发后以1毫秒的间隔记录6000个采样点，然后在室内处理阶段用采集到的数据进行地下成像，以支持后续研究。在常规作业模式下，为了使相邻两炮产生的波场互不干扰，气枪放炮间隔通常会大于一个记录周期，而地震勘探的数据采集密度非常大，这将导致一个勘探工区需要花费几个月甚至几年的时间进行野外施工，野外数据采集成本巨大。为了节约勘探成本、加快生产周期，行业内提出了多震源混合采集的需求，即用两个或多个震源同时进行放炮，产生存在相互混叠的波场记录，然后用一定的数据处理手段分离出单震源波场。随着海洋油气勘探的深入发展，海洋地震勘探逐渐由传统的拖缆采集转向海底地震采集的模式，后者在信号的信噪比、方位角以及最终成像质量方面有一定的优势。此外，海底地震勘探和传统拖缆采集不同，震源和检波器都是相对独立的，在施工方式上有非常高的灵活性，这为多震源混合采集提供了便利。

[0003] 目前常用的混叠波场分离方法为有去噪类方法和稀疏反演方法。去噪方法把邻炮干扰当做噪音，用中值滤波、shearlet变换等方法进行噪音压制，稀疏反演方法把混采数据波场分离转换为反演问题，通过迭代反演进行求解。这些方法存在着参数试验繁琐，需要大量人力资源，计算速度慢以及波场分离不干净等诸多问题。

[0004] 近年来，深度学习技术在地震勘探领域取得了长足的发展，如初至拾取、噪音压制、多次波衰减、速度建模、地震数据重构等多方面取得了重要进展。对于海上高效采集波场分离问题，把地震数据由共炮集变换到共检波点道集、共偏移距道集或共中心点道集等，原来主震源产生的波场仍存在一定的相干性，而辅震源产生的波场不再相干，呈现出一定的随机性，因此可以借鉴深度学习网络中去噪的方法来进行波场分离。对于训练好的网络模型，在应用于其他数据的波场分离时，不需要进行不同域的正反变换操作，且不需要人工填写参数，因此计算机计算量和人工工作量都优于传统方法，更有利于工业化应用。

[0005] 通过上述分析，现有技术存在的问题及缺陷为：

[0006] （1）现有技术在海底地震勘探多震源高效采集波场分离中由于没有进行混采分离，使得运算速度慢，使海底地震勘探多震源分离效果以及准确性差。

[0007] （2）现有技术在海底地震勘探多震源高效采集波场分离中需要大量的参数试验，人力资源投入大，成本高。

发明内容

[0008] 为克服相关技术中存在的问题，本发明公开实施例提供了一种多震源高效采集波场分离方法、分离系统及计算机设备，具体涉及一种基于去噪神经网络的海底地震勘探多震源高效采集波场分离方法。

[0009] 所述技术方案如下：该基于去噪神经网络的海底地震勘探多震源高效采集波场分离方法包括以下步骤：

[0010] 模拟获得或野外采集获得非混采记录，非混采记录包括主震源和辅震源，采用随机时间延迟对主震源和辅震源相加获得混采数据；

[0011] 基于获得的非混采记录数据和混采数据进行地震数据预处理；

[0012] 基于预处理后的地震数据进行小尺寸地震数据的制作；

[0013] 对制作的小尺寸地震数据进行训练集的归一化处理；

[0014] 利用归一化的训练集进行神经网络模型的搭建以及训练；

[0015] 利用训练后的神经网络模型进行海底地震勘探多震源采集波场分离的测试，得到去混叠噪音后的共炮集记录。

[0016] 在一个实施例中，在获得混采数据中，非混采记录中每两炮互为主震源和辅震源，采用±1s的随机时间延迟，对主震源和辅震源相加获得混采数据。

[0017] 在一个实施例中，在地震数据预处理中，先把地震数据由共炮集抽取到共检波点集，然后对混采记录和非混采记录用同一个切除曲线进行顶切，把初至波之上的记录振幅值置为0。

[0018] 在一个实施例中，在小尺寸地震数据的制作中，对地震数据进行纵向和横向抽稀采样，每个样本都包含记录的全局信息，通过包含全局信息的样本训练出m×n个小矩阵；

[0019] 所述抽稀采样方法为：首先判断共检波点集数据矩阵的行数和列数，如果原矩阵的行数不足500，则在下方补零至500行，如果原矩阵的列数不足100列，则在右侧补零至100列；如果行数不是500的整数倍或列数不是100的整数倍，则最后一行向下补零至500的整数倍或最后一列向右补零至100的整数倍，然后等间隔抽出500×100的小矩阵；对于行数是500的n倍、列数是100的m倍的矩阵，通过抽稀采样之后得到m×n个小矩阵；对制作出的小尺寸数据，选取50%作为训练集，另外50%作为验证集。

[0020] 在一个实施例中，在进行训练集的归一化处理中，对于一个样本和标签组成的数据对矩阵 和矩阵 ，制作归一化训练集方式如下：

[0021] （1）

[0022] （2）

[0023] 对矩阵 和矩阵 ，分别求其中元素绝对值的最大值，然后取这两个最大值中更大的一个：

[0024] （3）

[0025] 然后把矩阵 和矩阵 中所有元素都除该最大值：

[0026] （4）

[0027] （5）

[0028] 对所有的样本和标签组成的数据对，都进行式（1）至式（5）的操作，完成训练集的归一化。

[0029] 在一个实施例中，在神经网络模型的搭建中，所搭建的神经网络模型共包含17层，其中第1层为一个二维卷积层加一个nn.PReLU()激活层，其中卷积层的参数为image_channels=1，n_channels=64，kernel_size=3，stride=1，padding=1，bias=True；第二至第16层为一个二维卷积层加一个BN层以及一个nn.PReLU()激活层，其中卷积层的参数为image_channels=1，n_channels=64，kernel_size=3，stride=1，padding=1，bias=False；网络的第17层为无BN层的卷积层。

[0030] 在一个实施例中，在神经网络模型的训练中，经网络的训练参数为batch_size=64，每一次训练使用64个样本，训练轮数epoch=500，学习了lr=1e‑3至1e‑6之间变化，样本的高度为500，宽度为100，损失函数使用均方误差，均方误差函数的定义为：

[0031] （6）

[0032] 式（6）中，和 分别为神经网络的输出和标签，为 和 中元素的个数，优化器使用Adam优化器，训练完成后保存模型参数到磁盘上。

[0033] 在一个实施例中，在测试中，把训练好的神经网络模型应用于实际混采或人工合成的混采记录；首先从磁盘上加载训练好的网络模型，然后逐个加载测试集中的数据；对于每个500×100的矩阵 ，首先进行归一化处理：

[0034] （7）

[0035] （8）

[0036] 即先求取矩阵中元素绝对值的最大值，然后矩阵中的每一个元素都除该最大值；对矩阵 通过神经网络进行输出，得到 ，最后把 反归一化：

[0037] （9）

[0038] 对测试集中的每个元素都进行式（7）至式（9）的操作，然后将每个做了去混叠噪音的小矩阵充填回大矩阵的对应位置，最后把数据由共检波点集抽回共炮集即可得到最终去混叠噪音后的共炮集记录。

[0039] 本发明的另一目的在于提供一种实施所述分离方法的基于去噪神经网络的海底地震勘探多震源高效采集波场分离系统，所述基于去噪神经网络的海底地震勘探多震源高效采集波场分离系统包括：

[0040] 混采数据获取模块，用于由模拟获得或野外采集获得非混采记录，即单一震源记录，非混采记录中每两炮互为主震源和辅震源，采用±1s的随机时间延迟，记录的主震源和辅震源相加获得混采数据；

[0041] 地震数据预处理模块，用于把地震数据由共炮集抽取到共检波点集，然后对混采记录和非混采记录用同一个切除曲线进行顶切，把初至波之上的记录振幅值置为0；

[0042] 小尺寸地震数据制作模块，用于对大尺寸地震数据需要制作成小尺寸数据；

[0043] 归一化训练集模块，用于对于一个样本和标签组成的数据对矩阵 和矩阵 ，制作归一化训练集，对矩阵 和矩阵 ，分别求其中元素绝对值的最大值，然后取这两个个最大值中更大的一个；然后把矩阵 和矩阵 中所有元素都除该最大值；对所有的样本和标签组成的数据对，都进行矩阵 和矩阵 归一化训练至矩阵 和矩阵 中所有元素都除该最大值的操作步骤，完成训练集的归一化；

[0044] 搭建网络模型模块，用于搭建神经网络模型；

[0045] 神经网络训练模块，用于神经网络模型的训练、优化以及保存神经网络模型参数到磁盘上；

[0046] 测试集测试模块，用于把训练好的神经网络模型应用于实际混采或人工合成的混采记录。

[0047] 本发明的另一目的在于提供一种计算机设备，所述计算机设备包括存储器和处理器，所述存储器存储有计算机程序，所述计算机程序被所述处理器执行时，使得所述处理器执行所述的基于去噪神经网络的海底地震勘探多震源高效采集波场分离方法。

[0048] 结合上述的所有技术方案，本发明所具备的优点及积极效果为：

[0049] 第一、针对上述现有技术存在的技术问题以及解决该问题的难度，紧密结合本发明的所要保护的技术方案以及研发过程中结果和数据等，详细、深刻地分析本发明技术方案如何解决的技术问题，解决问题之后带来的一些具备创造性的技术效果。具体描述如下：针对海底地震勘探高效率混合采集波场分离的需求，设计了适用于混采分离的神经网络，并设计了数据预处理方法、数据集制作策略以及训练策略，这些方法的组合可以使训练出来的神经网络模型得到有效收敛，从而获得满意的混采分离效果，为多震源混采波场分离出单一震源波场提供支持。

[0050] 第二，把技术方案看作一个整体或者从产品的角度，本发明所要保护的技术方案具备的技术效果和优点，具体描述如下：使用经过训练好的网络模型在海底地震勘探多震源高效采集波场分离中进行混采分离，运算速度快，人为干预少，使得海底地震勘探多震源分离效果好。本发明在海底地震勘探多震源高效采集波场分离中人力资源投入小，成本低。

[0051] 第三，作为本发明的权利要求的创造性辅助证据，还体现在以下几个重要方面：（1）本发明的技术方案转化后的预期收益和商业价值为：对于一个实际勘探工区，野外数据采集时间往往长达数周至数月，而勘探成本通常与勘探时间成正比，因此，本发明方法能够为野外高效混合采集提供技术支持，从而节约勘探成本，并加快生产周期。（2）本发明的技术方案更有利于生态保护：在海底地震勘探过程中，仪器收放船只、气枪船只、后勤保障船只等都会对所在区域的海洋生物造成影响，比如气枪震源放炮释放的能量可能会震死或震伤周围鱼类，本发明方案通过减少野外施工时间，能够一定程度上减少施工过程对环境的影响。

附图说明

[0052] 此处的附图被并入说明书中并构成本说明书的一部分，示出了符合本公开的实施例，并与说明书一起用于解释本公开的原理；

[0053] 图1是本发明实施例提供的基于去噪神经网络的海底地震勘探多震源高效采集波场分离方法流程图；

[0054] 图2是本发明实施例提供的基于去噪神经网络的海底地震勘探多震源高效采集波场分离系统示意图；

[0055] 图3是本发明实施例提供的波动方程正演模拟所用速度模型及炮点检波点位置分布图；

[0056] 图4（a）是本发明实施例提供的波动方程正演模拟得地震数据共炮集波第1炮波场图；

[0057] 图4（b）是本发明实施例提供的波动方程正演模拟得地震数据共炮集波第801炮波场图；

[0058] 图5是本发明实施例提供的混合采集方式示意图；

[0059] 图6是本发明实施例提供的混叠记录共炮集剖面图；

[0060] 图7（a）是本发明实施例提供的共检波点集非混采波场图；

[0061] 图7（b）是本发明实施例提供的共检波点集混采波场图；

[0062] 图8（a）是本发明实施例提供的为顶切之前的波场图；

[0063] 图8（b）是本发明实施例提供的图8（a）中的顶切之后的波场图；

[0064] 图9是本发明实施例提供的混采分离神经网络结构示意图；

[0065] 图10是本发明实施例提供的训练过程损失值变化曲线图；

[0066] 图11（a）是本发明实施例提供的第60个检波点非混采记录图；

[0067] 图11（b）是本发明实施例提供的第60个检波点混采记录图；

[0068] 图11（c）是本发明实施例提供的本发明方法混采分离记录图；

[0069] 图12（a）是本发明实施例提供的第800炮非混采记录分离效果图；

[0070] 图12（b）是本发明实施例提供的混采记录效果图；

[0071] 图12（c）是本发明实施例提供的本发明方法混采分离记录效果图；

[0072] 图中：1、混采数据获取模块；2、地震数据预处理模块；3、小尺寸地震数据制作模块；4、归一化训练集模块；5、搭建网络模型模块；6、神经网络训练模块；7、测试集测试模块。

具体实施方式

[0073] 为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合附图对本发明的具体实施方式做详细的说明。在下面的描述中阐述了很多具体细节以便于充分理解本发明。但是本发明能够以很多不同于在此描述的其他方式来实施，本领域技术人员可以在不违背本发明内涵的情况下做类似改进，因此本发明不受下面公开的具体实施的限制。

[0074] 一、解释说明实施例：

[0075] 本发明实施例提供的基于去噪神经网络的海底地震勘探多震源高效采集波场分离方法针对海底地震勘探高效率混合采集波场分离的需求，设计了适用于混采分离的神经网络，并设计了数据预处理方法、数据集制作策略以及训练策略，这些方法的组合可以使训练出来的神经网络模型得到有效收敛，从而获得满意的混采分离效果，为多震源混采波场分离出单一震源波场提供支持。

[0076] 实施例1

[0077] 如图1所示，本发明实施例提供的基于去噪神经网络的海底地震勘探多震源高效采集波场分离方法包括以下步骤：

[0078] S101：制作混采数据。首先由模拟获得或野外采集获得非混采记录，即单一震源记录，非混采记录中每两炮互为主震源和辅震源，采用±1s的随机时间延迟，两个记录相加获得混采数据。

[0079] S102：地震数据预处理。首先把地震数据由共炮集抽取到共检波点集，然后对混采记录和非混采记录用同一个切除曲线进行顶切，把初至波之上的记录振幅值置为0。

[0080] S103：制作小尺寸。样本深度学习神经网络训练过程中，显存是一种极其稀缺的资源，它直接决定了能否进行训练。通常来说，训练所需显存随着输入数据尺寸、网络深度、卷积核个数、每批次训练样本个数的增大而增大，而网络深度、卷积核个数、每批次训练样本个数是神经网络进行特征提取的关键参数，降低这些参数会影响网络性能。因此，对大尺寸地震数据需要制作成小尺寸数据。通常去噪类问题制作小尺寸数据的方法是把数据划分成多个小块，而本发明方法是对数据进行纵向和横向抽稀采样，这样每个样本都可以包含记录的全局信息而非局部信息，包含全局信息的样本训练出来的神经网络，其混采分离效果更好。具体抽稀方法为：首先判断共检波点集数据矩阵的行数和列数，如果原矩阵的行数不足500，则在下方补零至500行，如果原矩阵的列数不足100列，则在右侧补零至100列。如果行数不是500的整数倍或列数不是100的整数倍，则最后一行向下补零至500的整数倍或最后一列向右补零至100的整数倍，然后等间隔抽出500×100的小矩阵。对于行数是500的n倍、列数是100的m倍的矩阵，通过抽稀采样之后可以得到m×n个小矩阵。对制作出的小尺寸数据，选取50%作为训练集，另外50%作为验证集。

[0081] S104：归一化训练集。对于一个样本和标签组成的数据对矩阵 和矩阵 ，制作归一化训练集方式如下：

[0082] （1）

[0083] （2）

[0084] 即对矩阵 和 ，分别求其中元素绝对值的最大值，然后取这两个最大值中更大的一个：

[0085] （3）

[0086] 然后把矩阵 和 中所有元素都除该最大值：

[0087] （4）

[0088] （5）

[0089] 对所有的样本和标签组成的数据对，都进行式（1）至式（5）的操作，即可完成训练集的归一化。其中矩阵 为样本矩阵，矩阵 为标签矩阵。

[0090] S105：搭建网络模型。所搭建的神经网络模型共包含17层，其中第1层为一个二维卷积层加一个nn.PReLU()激活层，其中卷积层的参数为image_channels=1，n_channels=64，kernel_size=3，stride=1，padding=1，bias=True；第二至第16层为一个二维卷积层加一个BN层以及一个nn.PReLU()激活层，其中卷积层的参数为image_channels=1，n_channels=64，kernel_size=3，stride=1，padding=1，bias=False；网络的第17层为无BN层的卷积层。

[0091] S106：进行神经网络训练。神经网络的训练参数为batch_size=64，每一次训练使用64个样本，训练轮数epoch=500，学习了lr=1e‑3至1e‑6之间变化，样本的高度为500，宽度为100，损失函数使用均方误差，均方误差函数的定义为：

[0092] （6）

[0093] 式（6）中，和 分别为神经网络的输出和标签，为 和 中元素的个数。优化器使用Adam优化器。训练完成后保存模型参数到磁盘上。

[0094] S107：在测试集上进行测试，把训练好的模型应用于实际混采或人工合成的混采记录。首先从磁盘上加载训练好的网络模型，然后逐个加载测试集中的数据。对于每个500×100的矩阵 ，首先进行归一化处理：

[0095] （7）

[0096] （8）

[0097] 即先求取矩阵中元素绝对值的最大值，然后矩阵中的每一个元素都除该最大值。对 通过神经网络进行输出，得到 ，最后把 反归一化：

[0098] （9）

[0099] 对测试集中的每个元素都进行式（7）至式（9）的操作，然后把每个做了去混叠噪音的小矩阵充填回大矩阵的对应位置，最后把数据由共检波点集抽回共炮集即可得到最终去混叠噪音后的共炮集记录。

[0100] 实施例2

[0101] 如图2所示，本发明实施例提供一种基于去噪神经网络的海底地震勘探多震源高效采集波场分离系统，包括：

[0102] 混采数据获取模块1，用于由模拟获得或野外采集获得非混采记录，即单一震源记录，非混采记录中每两炮互为主震源和辅震源，采用±1s的随机时间延迟，两个记录相加获得混采数据。

[0103] 地震数据预处理模块2，用于把地震数据由共炮集抽取到共检波点集，然后对混采记录和非混采记录用同一个切除曲线进行顶切，把初至波之上的记录振幅值置为0。

[0104] 小尺寸地震数据制作模块3。用于对大尺寸地震数据需要制作成小尺寸数据。

[0105] 归一化训练集模块4。用于对于一个样本和标签组成的数据对矩阵 和矩阵 ，制作归一化训练集，对矩阵 和 ，分别求其中元素绝对值的最大值，然后取这两个个最大值中更大的一个；然后把矩阵 和 中所有元素都除该最大值；对所有的样本和标签组成的数据对，都进行矩阵 和 归一化训练至矩阵 和 中所有元素都除该最大值的操作步骤，可完成训练集的归一化。

[0106] 搭建网络模型模块5。用于搭建神经网络模型；

[0107] 神经网络训练模块6，用于神经网络模型的训练、优化以及保存神经网络模型参数到磁盘上；

[0108] 测试集测试模块7，用于把训练好的神经网络模型应用于实际混采或人工合成的混采记录。

[0109] 在上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述或记载的部分，可以参见其它实施例的相关描述。

[0110] 上述装置/单元之间的信息交互、执行过程等内容，由于与本发明方法实施例基于同一构思，其具体功能及带来的技术效果，具体可参见方法实施例部分，此处不再赘述。

[0111] 所属领域的技术人员可以清楚地了解到，为了描述的方便和简洁，仅以上述各功能单元、模块的划分进行举例说明，实际应用中，可以根据需要而将上述功能分配由不同的功能单元、模块完成，即将所述装置的内部结构划分成不同的功能单元或模块，以完成以上描述的全部或者部分功能。实施例中的各功能单元、模块可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中，上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。另外，各功能单元、模块的具体名称也只是为了便于相互区分，并不用于限制本发明的保护范围。上述系统中单元、模块的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。

[0112] 二、应用实施例：

[0113] 本发明实施例还提供了一种计算机设备，该计算机设备包括：至少一个处理器、存储器以及存储在所述存储器中并可在所述至少一个处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现上述任意各个方法实施例中的步骤。

[0114] 本发明实施例还提供了一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时可实现上述各个方法实施例中的步骤。

[0115] 本发明实施例还提供了一种信息数据处理终端，所述信息数据处理终端用于实现于电子装置上执行时，提供用户输入接口以实施如上述各方法实施例中的步骤，所述信息数据处理终端不限于手机、电脑、交换机。

[0116] 本发明实施例还提供了一种服务器，所述服务器用于实现于电子装置上执行时，提供用户输入接口以实施如上述各方法实施例中的步骤。

[0117] 本发明实施例提供了一种计算机程序产品，当计算机程序产品在电子设备上运行时，使得电子设备执行时可实现上述各个方法实施例中的步骤。

[0118] 所述集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明实现上述实施例方法中的全部或部分流程，可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一计算机可读存储介质中，该计算机程序在被处理器执行时，可实现上述各个方法实施例的步骤。其中，所述计算机程序包括计算机程序代码，所述计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。所述计算机可读介质至少可以包括：能够将计算机程序代码携带到拍照装置/终端设备的任何实体或装置、记录介质、计算机存储器、只读存储器（Read‑Only Memory，ROM）、随机存取存储器（Random Access Memory，RAM）、电载波信号、电信信号以及软件分发介质。例如U盘、移动硬盘、磁碟或者光盘等。

[0119] 三、实施例相关效果的证据：

[0120] 为了验证方法的有益效果，本发明实施例设计了一个海面放炮海底接收地震信号的模型。如图3所示为进行波动方程正演模拟所用的速度模型，该模型宽8000m，深3000m。在海面上以5m的间隔进行放炮，共计1600炮，海底以50m间隔布设检波点，共计160个检波点。对于每一炮激发，海底全部检波点都进行接收。模拟所用子波为雷克子波，主频为30Hz，采样间隔设置为0.5ms，记录长度为4s。正演模拟获得炮集记录，如图4（a）和图4（b）所示为第1炮和第801炮的记录。其中，图4（a）为第1炮波场图；图4（b）为第801炮波场图；然后按照图5的方式进行混叠记录的制作，两个震源船相隔4000m向同一个方向行驶，震源1和震源2具有±1s的随机激发时间延迟，如此可以获得第1炮和第801炮、第2炮和第802炮…第800炮和第
1600炮两两相互干扰的炮集记录，且施工时间缩短为原来的一半。

[0121] 图6为第1炮的混叠记录，其中含有第801炮的干扰。把共炮集的记录抽到共检波点集，如图7（a）和图7（b）所示，分别为共检波点集的非混采波场和混采波场，可见，对于主震源记录，在共检波点集信号仍是连续的、相干的，而辅震源记录则呈现出非规则的干扰。其中，图7（a）为共检波点集非混采波场图；图7（b）为共检波点集混采波场图；对于地震记录，其初至波之上的部分往往不参与成像，而如果在神经网络训练过程中这保留这部分信号，则容易对最终的模型参数产生影响，从而影响混采分离的效果。因此，对于共检波点集的非混采数据和混采数据，需要按照本发明步骤二所描述方法进行顶切，如图8（a）和图8（b）所示为共检波点集数据顶切示意图，其中图8（a）为顶切之前的波场，图8（b）是图8（a）顶切之后的波场。对于顶切之后的共检波点集波场，每个共检波点集数据尺寸为8000×1600，按照本发明步骤三所描述方法，在行数方向进行16倍重采样，列数方向进行16倍重采样，从而获得2596个500×100大小的小尺寸数据，160个检波点共产生40960个数据对，选取其中50%作为训练集，另外50%作为测试集。对每个500×100大小的样本和标签组成的数据对，按照本发明步骤四所描述方法进行归一化处理。

[0122] 按照发明步骤五所描述方法构建如图9所示的神经网络，然后按照发明步骤六进行神经网络训练，训练过程loss曲线，如图10所示，由该曲线可以看出，网络模型得到了有效收敛。训练完成后，用本发明步骤七所描述方法对验证集进行验证。图11（a）、图11（b）和图11（c）分别为第60个检波点非混采记录、混采记录以及本发明方法混采分离记录。由图可见，经过混采分离之后，绝大部分的混叠噪音得到了压制，混采分离记录与原始非混采记录非常相似。在共检波点集混采分离后，重新抽回共炮集，图12（a）、图12（b）和图12（c）分别为第800炮非混采记录、混采记录以及本发明方法混采分离记录。同样的，可以看出本发明方法压制了绝大部分的相邻震源记录，且本震源记录得以有效保留。

[0123] 以上所述，仅为本发明较优的具体的实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，都应涵盖在本发明的保护范围之内。