基于深度学习的鲁棒地震数据去噪

摘要：

地震勘探数据中包含的噪声比较复杂,基于先验的传统建模方式无法准确地刻画噪声分布.深度学习 通过多层卷积神经网络自动提取数据的深层次特征,利用非线性逼近能力 自适应地学习而得到一个复杂的去噪模型,为地震数据去噪带来了新思路.但是,目前基于深度学习的去噪方法在样本覆盖不充分的情况下,学习得到的模型泛化能力不强,极大地降低了去噪效果.为此,提出一种鲁棒的深度学习去噪算法.该方法的网络模型由两部分子网构成,分别实现含噪地震数据的噪声分布估计与噪声压制.噪声分布估计子网采用多层卷积神经网络估计噪声分布;去噪子网引入特征融合策略,综合考虑地震数据的全局和局部信息,利用残差学习策略提取噪声特征;两部分子网采用L1范数作为损失函数,增强网络模型的泛化能力.实验表明,与同类算法相比,该算法具有更高的泛化能力;数据处理结果中同相轴纹理保持更好,信噪比更高.

关键词：地震数据去噪、深度学习、鲁棒性、L1损失函数、特征融合、残差网络

所属期刊栏目：57

分类号：P631

资助基金：国家自然科学基金;黑龙江省自然科学基金重点项目

在线出版日期：2022-04-12（万方平台首次上网日期，不代表论文的发表时间）

页数：共14页

页码：12-25