[发明专利]一种基于DnCNN神经网络对地震数据噪声压制的方法

说明书

本发明提供一种基于DnCNN神经网络对地震数据噪声压制的方法，包括：S1，将高信噪比的第一里氏震级地震信号M₁缩小为第二里氏震级M₂地震信号，得到近似无噪地震数据；S2，选取与无噪地震数据同一来源的噪声数据；S3，将无噪地震数据与噪声数据合并得到训练数据；S4，将训练数据与无噪地震数据组成样本对，输入DnCNN神经网络进行训练；S5，待训练完成后，使DnCNN神经网络压制地震信号的噪声。本发明提供的方法可以对天然地震数据资料中的噪声干扰进行压制，特别是解决对震级较小的地震数据的去噪问题，并且对与地震信号处于相同频带的噪声有很好的处理效果。

技术领域

本发明涉及地震信号处理技术领域，具体涉及一种基于去噪卷积神经网络(Denoise Convolutional Neural Network，DnCNN)神经网络对地震数据噪声压制的方法。

背景技术

由台站记录的天然地震信号不可避免地会受到各种来源的噪音和非地震信号的污染，这些来源包括：仪器噪音、电噪音、交通噪音等。特别是台站记录的小震级的地震数量多且更容易受到噪声的干扰，但小地震的探测和分析对许多地震学的研究都具有重要意义。在常规地震数据处理中，谱滤波(通常基于傅里叶变换)是抑制噪声的常用方法；然而，当噪声和地震信号在相同的频率范围内时，这种方法是无效的。此外，为滤波选择最优参数是不直观的，通常随时间变化，并可能强烈地改变波形形状，从而降低后续的分析工作。为了克服这些局限性，研究人员做了大量的工作来开发更有效的地震数据噪声抑制技术。

传统的地球物理去噪方法主要基于变换域，例如短时傅里叶变换(Short-timeFourier Transform，STFT)、小波变换、曲波变换等，且均需要首先估计数据的噪音水平，在去噪过程中，若噪音水平估计过高，则丢失过多的有效信息；估计过低则去噪效果不理想。然而，由于地震台站分布不均，对于野外采集的地震信号噪音分布也不均衡，在这种情况下，基于噪音水平估计去噪的传统方法准确度受到限制。另外，在实际情况中，地震台站记录的噪音的频带通常与信号频带相似，使用传统方法大多难以有效去除此类噪音。神经网络构建深度学习能够提取输入数据的特征，进行分类或处理，在图像处理领域，近年来已经取得突出的成果。

对于小地震信号的去噪问题，这里提出了一种不同的策略来提高信号的信噪比。利用深度学习中的残差学习网络DnCNN应用于时域去噪，以减小与信号重叠频带的噪声。深度学习是一种强大的机器学习技术，可以通过神经网络学习极其复杂的函数。深度学习已被证明是学习地震数据特征的有力工具。DnCNN方法不依赖于噪声水平估计，能够进行自适应降噪，不受信号和噪声频率范围的限制。

发明内容

(一)要解决的技术问题

针对上述问题，本发明提供了基于DnCNN神经网络对地震数据噪声压制的方法，用于至少部分解决对震级较小的地震数据进行去噪等技术问题。

(二)技术方案

本发明提供了一种基于DnCNN神经网络对地震数据噪声压制的方法，包括：S1，将高信噪比的第一里氏震级地震信号M1缩小为第二里氏震级M2地震信号，得到近似无噪地震数据；S2，选取与无噪地震数据同一来源的噪声数据；S3，将无噪地震数据与噪声数据合并得到训练数据；S4，将训练数据与无噪地震数据组成样本对，输入DnCNN神经网络进行训练；S5，待训练完成后，使DnCNN神经网络压制地震信号的噪声。

进一步地，得到无噪地震数据的具体方法为：将第一里氏震级地震信号M₁的振幅乘以A转化为第二里氏震级M₂地震信号，其中A＝10^-(M1-M2)；

里氏震级的计算公式为：