[发明专利]基于弱监督生成对抗网络提高地震资料分辨率方法及系统

权利要求书

1.基于弱监督生成对抗网络提高地震资料分辨率方法，其特征在于，包括以下步骤：

S1、对属于不同工区的低分辨率地震数据和高分辨率标签数据进行归一化处理；

S2、从步骤S1归一化处理后的数据中划分一部分作为训练集；

S3、采用随机抽取的方式从步骤S2划分的训练集中获得训练样本对；

S4、设置循环生成对抗网络模型的参数；

S5、将步骤S3获得的训练样本对中的低分辨率地震数据送入步骤S4设置的循环生成对抗网络模型的前向生成器中，得到高分辨结果G(x)；

S6、将步骤S5前向生成器的高分辨结果G(x)送入步骤S4设置的循环生成对抗网络模型的反向生成器中，得到对应的低分辨率结果，用于计算前向生成器的损失；

S7、将步骤S5得到的高分辨结果G(x)和步骤S3训练样本对中的高分辨率标签数据共同送入步骤S4设置的循环生成对抗网络模型的判别器中进行判别，确定判别器的损失函数；

S8、联合训练步骤S5的前向生成器和步骤S6的反向生成器，并与步骤S7的判别器交替训练，反复迭代更新网络参数直到模型收敛，当前向生成器的输出被判别为真时训练完成；

S9、将低分辨率地震数据作为测试集送入步骤S8训练好的前向生成器中进行测试，得到最终的高分辨结果。

2.根据权利要求1所述的方法，其特征在于，步骤S4中，模型参数包括patch的大小，学习率初始值，学习率衰减方式，batch的大小，训练总轮数epoch，每轮训练总的样本个数，每隔多少轮重新抽取新的训练数据。

3.根据权利要求2所述的方法，其特征在于，patch的大小为96×96，初始化学习率为0.0002，学习率呈指数衰减，衰减率为0.5，衰减周期为100轮，batch的大小为16，训练总轮数epoch等于600，每轮训练总的样本数为800，每隔200轮在训练区域内重新抽取新的训练样本对。

4.根据权利要求1所述的方法，其特征在于，步骤S5中，前向生成器的损失函数L_Gen具体为：

L_Gen＝w₁L_GAN+w₂L_cyc+w₃L_idt+w₄L_TV

其中，L_GAN表示对抗损失，L_cyc表示循环一致性损失，L_idt表示恒等损失，L_TV表示总变差损失，w₁，w₂，w₃，w₄表示各损失项的权重。

5.根据权利要求4所述的方法，其特征在于，对抗损失L_GAN如下：

其中，i＝1,2,3,…，N表示训练样本数，x_i为低分辨率数据，G为前向生成器，D为判别器。

6.根据权利要求4所述的方法，其特征在于，循环一致性损失L_cyc为：

其中，i＝1,2,3,…，N表示训练样本数，x_i为低分辨率数据，G为前向生成器，F为反向生成器。

7.根据权利要求4所述的方法，其特征在于，恒等损失L_idt为：

L_idt＝L₁+L_MS-SSIM

其中，L₁为范数损失，L_MS-SSIM为多尺度结构自相似损失。

8.根据权利要求4所述的方法，其特征在于，总变差损失L_TV为：

其中，N表示训练样本数，和分别表示纵向梯度和横向梯度。