[发明专利]一种基于残差块全卷积神经网络的数据噪声压制方法

摘要

本发明公开了一种基于残差块全卷积神经网络的数据噪声压制方法。应用深度学习方法压制地震噪声的训练集和测试集均来自同一数据集，使得模型的泛化性受限。为解决泛化性问题，网络结构的设计思想是在Unet网络的基础上融合二重残差块，以增强网络对随机噪声的捕获能力。本发明建立在端到端的编码‑解码的网络结构上，将含噪的地震数据作为输入，由多个卷积层和残差块提取随机噪声的本质特征，构成编码；再由多个反卷积层和残差块构成解码，网络的输出即为噪声压制后的地震数据。与目前地震资料去噪方法对比，由于融合了二重残差块从而对提取的随机噪声特征进行了二次消化学习，对噪声的本质特征学习地更为充分，所以在泛化性上具备明显的优势，不仅可以有效地压制随机噪声，还可以保护有效信号。

主权项

1.本发明公开了一种基于残差块全卷积神经网络的数据噪声压制方法，其特征在于，包括以下步骤：步骤1：制作数据的训练集和测试集，其特征在于将不同噪声水平的含噪数据和不含噪的数据作为训练集，选取与训练集数据不同分布的另一块数据作为测试集；步骤2：设计一种编码与解码的端到端网络结构，其特征在于编码过程由5组不同尺度的二重残差块构成，每组残差块由5个卷积层和1个池化层构成；解码过程与编码过程对称，由4组不同尺度的二重残差块构成，每组残差块由1个反卷积层和5个卷积层构成，并融合对应编码阶段提取的噪声特征；步骤3：训练网络并保存网络模型；步骤4：调整参数，选择最终的理想模型；步骤5：利用训练得到的理想去噪模型压制数据的噪声，输出即为噪声压制后的数据。