[发明专利]一种基于深度学习的多波地震信号人工智能匹配方法

权利要求书

1.一种基于深度学习的多波地震信号人工智能匹配方法，包括以下步骤：

步骤1.将地震PP、PS波的原始数据，转换为矩阵数据；

步骤2.取单道地震信号，利用预提取的PP、PS波层位数据，依据层位坐标将PP、PS波在时间域上切分为j部分，记作PP₁、PP₂、…、PP_j和PS₁、PS₂、…、PS_j；

步骤3.利用分数倍抽取进行时域压缩，首先计算PP₁和PS₁长度比值N/M，其中，N＝len(PP₁)，为PP₁长度；M＝len(PS₁)，为PS₁长度；对PS₁进行N倍内插，再使用增益为N，截止频率为的椭圆滤波器滤波，最后对PS₁进行M倍抽取，最终得到压缩到PP₁时间域的PS₁数据；完成n部分压缩后将PS₁，PS₂…PS_j拼接还原，得到初步压缩到PP时间域的单道PS波；

步骤4.对每一道波执行步骤2-3操作，完成后拼接为完整PS数据；

步骤5.设计CNN网络框架：网络由10层3×3，步长为1的卷积层、4层2×2，步长为2的最大池化层、两层全连接层和一层softmax层组成，分别对训练集、测试集、验证集三部分完成网络训练；

步骤6.将上一步预训练的网络锁死参数，不再进行训练，组合网络后8层卷积提取到特征矩阵作为神经网络的输出，并为每一层卷积结果赋予计算loss时的权重；

步骤7.神经网络输入数据预处理，将PP和PS数据进行归一化，将完整数据体依据剖面位置信息分割为若干个小数据体，将小数据升维复制为三通道矩阵，每个小数据体进行单独匹配；

步骤8.将PS数据复制为原始输出矩阵OUT，输入网络得到特征矩阵O，将PP、PS数据输入神经网络得到特征矩阵P和S，令O_n、P_n、S_n分别为第n层卷积对OUT、PP、PS的卷积结果；

步骤9.定义第n层卷积结果的平方距离损失函数为：

其中，ω^p、ω^S分别代表PP和PS波特征权重值，

再定义总损失函数为：

其中，sum(Γ_n)代表对矩阵Γ_n每一个元素求和得到的一个数值，Q_n代表第n层卷积结果的特征矩阵的大小，ω_n代表第n层结果的权重；

步骤10.求Γ和OUT的梯度，使用Adam优化算法降低梯度并更新输出矩阵OUT，迭代更新；

步骤11.将匹配结果三个通道的数据取平均值得到单通道数据，拼接为完整数据后再进行反归一化；

步骤12.对步骤11反归一化的数据进行降噪处理，得到最终的匹配输出数据。

2.根据权利要求1所述的基于深度学习的多波地震信号人工智能匹配方法，其特征在于，步骤12具体使用高斯滤波进行降噪处理。