基于CWT-CNN的地震噪声压制研究

摘要：

随着深度神经网络技术的发展,卷积神经网络(CNN)被越来越多地应用于地震数据的噪声压制中.常规CNN方法一般是在时间域进行,为了提升CNN方法对地震噪声的压制效果,提出了基于连续小波变换(CWT)的CNN地震噪声压制方法.该方法首先将一维时间域信号通过CWT转换为二维时频域信号.然后,在利用CNN对时频谱进行噪声压制时,提出了两种策略:能量谱策略(策略Ⅰ)是将CWT计算的复数矩阵的振幅谱作为CNN的训练样本,保持相位谱不变;复矩阵策略(策略Ⅱ)是将复数矩阵的实部和虚部图谱作为CNN的不同通道分别进行处理.最后,对于CNN的输出结果,利用逆连续小波变换(IC-WT)将二维复数矩阵还原成一维地震信号.为了定量地对比方法的效果,提出利用峰值信噪比(PSNR)、结构相似性(SSIM)和均方根误差(RMSE)3个指标对比基于两种CWT策略的CNN方法与其它常规滤波(包括低通滤波、小波滤波和中值滤波)方法的噪声压制效果.相较于常规滤波方法,数值实验表明基于CWT策略的CNN方法具有更好的随机噪声和涌浪噪声压制效果.为了提高模型处理地震数据的泛化性,引入迁移学习对预训练模型进行微调.迁移学习的成功应用表明基于CWT的CNN地震噪声压制方法可以有效且可靠地处理实际地震信号.

关键词：卷积神经网络、连续小波变换、涌浪噪声、随机噪声、迁移学习、时频谱、泛化性

所属期刊栏目：62

分类号：P631

资助基金：国家自然科学基金;国家自然科学基金;国家自然科学基金

在线出版日期：2023-06-12（万方平台首次上网日期，不代表论文的发表时间）

页数：共11页

页码：395-405