[发明专利]基于深度学习的地震数据插值处理方法及系统

权利要求书

1.一种基于深度学习的地震数据插值处理方法，其特征在于，包括：

步骤1：设置神经网络结构，根据所述神经网络结构，将按道存储的地震数据分解为按采样点存储的采集点地震数据；

步骤2：设置神经网络循环次数阈值和误差控制参数；

步骤3：根据所述神经网络结构、所述神经网络循环次数阈值和误差控制参数，将所述采集点地震数据输入到所述神经网络结构，以所述采样点的振幅值作为输出的检验数据，获得神经网络插值参数；

步骤4：根据所述神经网络插值参数，将缺失数据替代所述采集点地震数据，重复步骤3，获得缺失数据的振幅值，进而获得重建数据。

2.根据权利要求1所述的基于深度学习的地震数据插值处理方法，其中，所述神经网络结构包括一个输入层、多个中间层与一个输出层。

3.根据权利要求1所述的基于深度学习的地震数据插值处理方法，其中，所述采集点地震数据包括炮点坐标、检波点坐标、采样时间和振幅值。

4.根据权利要求1所述的基于深度学习的地震数据插值处理方法，其中，所述缺失数据包括炮点坐标、检波点坐标、采样时间。

5.根据权利要求1所述的基于深度学习的地震数据插值处理方法，其中，所述步骤3包括：

子步骤301：将所述采集点地震数据输入到所述神经网络结构，根据插值参数，获得计算振幅值；

子步骤302：判断循环次数是否达到，神经网络循环次数阈值，若是，则以所述插值参数为所述神经网络插值参数，若否，则进行子步骤303；

子步骤303：计算所述采样点的振幅值与所述计算振幅值的差值，判断所述差值是否小于所述误差控制参数，若是，则以所述插值参数为所述神经网络插值参数，若否，则调整所述插值参数，重复子步骤301-303。

6.一种基于深度学习的地震数据插值处理系统，其特征在于，该系统包括：

存储器，存储有计算机可执行指令；

处理器，所述处理器运行所述存储器中的计算机可执行指令，执行以下步骤：

步骤1：设置神经网络结构，根据所述神经网络结构，将按道存储的地震数据分解为按采样点存储的采集点地震数据；

步骤2：设置神经网络循环次数阈值和误差控制参数；

步骤3：根据所述神经网络结构、所述神经网络循环次数阈值和误差控制参数，将所述采集点地震数据输入到所述神经网络结构，以所述采样点的振幅值作为输出的检验数据，获得神经网络插值参数；

步骤4：根据所述神经网络插值参数，将缺失数据替代所述采集点地震数据，重复步骤3，获得缺失数据的振幅值，进而获得重建数据。

7.根据权利要求6所述的基于深度学习的地震数据插值处理系统，其中，所述神经网络结构包括一个输入层、多个中间层与一个输出层。

8.根据权利要求6所述的基于深度学习的地震数据插值处理系统，其中，所述采集点地震数据包括炮点坐标、检波点坐标、采样时间和振幅值。

9.根据权利要求6所述的基于深度学习的地震数据插值处理系统，其中，所述缺失数据包括炮点坐标、检波点坐标、采样时间。

10.根据权利要求6所述的基于深度学习的地震数据插值处理系统，其中，所述步骤3包括：

子步骤301：将所述采集点地震数据输入到所述神经网络结构，根据插值参数，获得计算振幅值；

子步骤302：判断循环次数是否达到，神经网络循环次数阈值，若是，则以所述插值参数为所述神经网络插值参数，若否，则进行子步骤303；

子步骤303：计算所述采样点的振幅值与所述计算振幅值的差值，判断所述差值是否小于所述误差控制参数，若是，则以所述插值参数为所述神经网络插值参数，若否，则调整所述插值参数，重复子步骤301-303。