[发明专利]基于深度卷积神经网络和随机森林的地震层位追踪方法

权利要求书

1.基于深度卷积神经网络和随机森林的地震层位追踪方法，其特征在于：该方法包括以下步骤：

步骤1，地震资料增强处理；

步骤2，层位样本标签构建与优选，建立样本库；

步骤3，深度卷积神经网络训练及优化参数，获取目标地质层位地震反射波高层特征；

步骤4，基于深度卷积神经网络训练的高层特征和地震波形专业特征向量数据集，将深度卷积网络输出进行调整，接入随机森林分类器训练，构建分类树；

步骤5，地震反射同向轴自动识别，根据分类树的结果识别同一层位同相轴并自动追踪。

2.根据权利要求1所述的基于深度卷积神经网络和随机森林的地震层位追踪方法，其特征在于：在步骤1中，地震资料增强处理是为了输入地震数据后能够获取地质目标层位反射波的反射特征。地震数据增强处理一般采用常规的滤波、拓频等手段，其目的是有效增强弱反射波的能量及改善地震波形的横向连续性，为进一步的层位样本标签的构建与优选提供高信噪比和高分辨率的地震数据体。

3.根据权利要求1所述的基于深度卷积神经网络和随机森林的地震层位追踪方法，其特征在于：在步骤2中，层位样本标签构建与优选，建立样本库。选取顶、底层位时间作为上、下限，其中包含待识别层段内的多个地震波形，采用基于专家经验解释的粗网格测线层位地震层位作为样本标签，层段内不同层位被赋予不同数值标签；

4.根据权利要求1所述的基于深度卷积神经网络和随机森林的地震层位追踪方法，其特征在于：在步骤3中，深度卷积神经网络训练，使用已构建的层位样本标签对层段内地震波形数据进行训练，最后一层采用全连接网络，输出为目标层位地震波形的高层特征向量集。选择基于余弦距离的Center Loss损失函数作为误差损失函数，通过反向传播与随机梯度下降算法优化网络中每一层的参数，训练深度网络，直到满足分类精度要求。深度卷积网络训练的目的是提取地震波形高层次特征。

5.根据权利要求1所述的基于深度卷积神经网络和随机森林的地震层位追踪方法，其特征在于：在步骤4中，将深度卷积网络结构的最后一层的输出层替换为随机森林分类器，将深度卷积网络最后一层全连接激活层得到的地震波形高层特征和目标层位的地震波形专业特征向量数据集作为随机森林分类器的输入，接入随机森林分类器训练，构建分类树。其中，目标层位的地震数据高层特征为每输入新的一道地震数据后通过卷积神经网络训练得到，目标层位地震波形专业特征主要为常规方法提取，包括最大波峰时间、波形类别、波长度、最大波峰值、最大波谷值、波峰个数、波谷个数、波峰长度、波谷长度、倾角等特征。

6.根据权利要求4所述的基于深度卷积神经网络和随机森林的地震层位追踪方法，其特征在于：深度卷积神经网络，包括输入层、卷积层、线性整流函数(Relu)激活层、池化层、全连接层和输出层。输入层是目标层位上下一定时窗内的地震反射波形单元；池化层设定在相邻的卷积层之间，卷积层和池化层的交替出现实现自动提取地震波形的高层特征信息；全连接层实现地震波形高层特征输出。分别设置卷积层中卷积滤波器大小、数目及步长；设置池化层中的池化区域面积及池化步长；设置全连接层结点，输出层节点数根据识别层位地震波形高层特征而定，即根据应用场景实际情况的经验或特征数据而定。

7.根据权利要求5所述的基于深度卷积神经网络和随机森林的地震层位追踪方法，其特征在于：训练随机森林分类器，使用基尼指数作为准则构建若干分类树，每个分类树构建时均从每一道的层位地震波形高层特征和专业特征向量集中有放回的抽取样本作为训练集，使用基尼指数最小的特征对分类树进行分裂，直到基尼指数小于阀值，建立若干分类树，构成随机森林。

8.根据权利要求6所述的基于深度卷积神经网络和随机森林的地震层位追踪方法，其特征在于：地震层位自动追踪统模块用于将获取的每一道层位地震波形高层特征和专业特征输入训练好的随机森林中，随机森林中的每一个分类树根据目标层位地震波形高层特征和专业特征产生一个分类结果，根据分类结果得到整个目标层位的地震反射同相轴追踪结果。