初至拾取方法及装置与流程

1.本发明涉及石油勘探技术领域，尤其是涉及一种初至拾取方法及装置。


背景技术：

2.随着高效高密度采集技术的发展和可控震源的广泛应用，所采地震数据的数量不断提高，初至拾取工作量越来越大，需要拾取处理的时间长，经济成本高。由于勘探目标区域日趋复杂，构造变化大，表面速度变化大，造成地震记录中信噪比低，初至波变得复杂，拾取困难。传统的初至拾取方法，如相关法、能量比法等经典的基于理论模型的初至检测方法，对这些情况下的初至检测效果欠佳。


技术实现要素：

3.本发明提供了一种初至拾取方法及装置，可以提高初至波拾取的效率和精度，降低野外初至拾取的成本。
4.第一方面，本发明实施例提供了一种初至拾取方法，该方法包括获取地震数据、时窗信息和所述地震数据的初至信息；根据所述地震数据、所述时窗信息和所述初至信息确定训练样本数据；所述训练样本数据包括初至属性数据和初至标签数据；利用所述初至属性数据和所述初至标签数据确定生成网络模型的权值参数；所述生成网络模型用于提取所述初至属性数据中的初至特征数据，以及用于还原所述初至特征数据的位置；根据所述生成网络模型和所述权值参数生成待检地震数据的初至拾取结果。
5.第二方面，本发明实施例还提供一种初至拾取装置，该装置包括获取模块，用于获取地震数据、时窗信息和所述地震数据的初至信息；样本模块，用于根据所述地震数据、所述时窗信息和所述初至信息确定训练样本数据；所述训练样本数据包括初至属性数据和初至标签数据；训练模块，用于利用所述初至属性数据和所述初至标签数据确定生成网络模型的权值参数；所述生成网络模型用于提取所述初至属性数据中的初至特征数据，以及用于还原所述初至特征数据的位置；预测模块，用于根据所述生成网络模型和所述权值参数生成待检地震数据的初至拾取结果。
6.第三方面，本发明实施例还提供一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现上述初至拾取方法。
7.第四方面，本发明实施例还提供一种计算机可读存储介质，所述计算机可读存储介质存储有执行上述初至拾取方法的计算机程序。
8.本发明实施例带来了以下有益效果：本发明实施例提供了一种初至拾取方案，该方案首先获取地震数据、时窗信息和地震数据的初至信息；根据地震数据、时窗信息和初至信息确定训练样本数据；训练样本数据包括初至属性数据和初至标签数据；利用初至属性数据和初至标签数据确定生成网络模型的权值参数；生成网络模型用于提取初至属性数据中的初至特征数据，以及用于还原初至特征数据的位置；根据生成网络模型和权值参数生
成待检地震数据的初至拾取结果。本发明实施例利用初至属性数据和初至标签数据训练生成网络模型，利用训练出的生成网络模型生成待检地震数据的初至拾取结果，从而使所拾取的初至波位置精准、可靠，可满足野外生产需要。
9.本发明的其他特征和优点将在随后的说明书中阐述，并且，部分地从说明书中变得显而易见，或者通过实施本发明而了解。本发明的目的和其他优点在说明书、权利要求书以及附图中所特别指出的结构来实现和获得。
10.为使本发明的上述目的、特征和优点能更明显易懂，下文特举较佳实施例，并配合所附附图，作详细说明如下。
附图说明
11.为了更清楚地说明本发明具体实施方式或现有技术中的技术方案，下面将对具体实施方式或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施方式，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
12.图1为本发明实施例提供的初至拾取方法流程图；
13.图2为本发明实施例提供的针对初至检测的深度对抗网络结构图；
14.图3为本发明实施例提供的基于深度对抗网络的初至学习流程图；
15.图4为本发明实施例提供的基于深度网络的初至检测流程图；
16.图5为本发明实施例提供的原始地震数据效果图；
17.图6为本发明实施例提供的初至拾取效果图；
18.图7为本发明实施例提供的一种初至拾取装置结构框图；
19.图8为本发明实施例提供的另一种初至拾取装置结构框图；
20.图9为本发明实施例提供的计算机设备结构框图。
具体实施方式
21.为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合附图对本发明的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
22.目前，基于深度学习的技术已经在其他技术领域已经取得了一定突破，深度学习技术通过对大量样本学习，掌握先验知识，利用泛化能力对类似数据进行检测与识别，在人脸识别等领域已经取得突破，因此可以考虑将深度学习技术应用到初至拾取领域，利用深度神经网络进行初至的学习和拾取。
23.基于此，本发明实施例提供的一种初至拾取方法及装置，可以利用初至时窗中的地震数据和初至数据对对抗网络进行训练，通过对大量样本数据的学习掌握初至波检测的人工经验，然后利用训练好的对抗网络来对海量地震数据进行初至波拾取，提高初至波拾取的效率和精度，降低野外初至拾取的成本。
24.为便于对本实施例进行理解，首先对本发明实施例所公开的一种初至拾取方法进行详细介绍。
25.本发明实施例提供了一种初至拾取方法，参见图1所示的一种初至拾取方法流程图，该方法包括以下步骤：
26.步骤s102，获取地震数据、时窗信息和地震数据的初至信息。
27.在本发明实施例中，时窗信息用于确定时窗范围，时窗信息可以根据实际需求进行设置，本发明实施例对此不作具体限定。预先对地震数据进行初至标记处理，得到地震数据的初至信息。
28.步骤s104，根据地震数据、时窗信息和初至信息确定训练样本数据。
29.在本发明实施例中，训练样本数据包括初至属性数据和初至标签数据。其中，初至属性数据包括地震数据和从地震数据中提取的属性数据，初至属性数据可以是三维数据体。初至标签数据用于确定地震数据中的初至信息，初至标签数据可以是二维矩阵，其大小与初至属性数据中相应的参数物理意义和个数一致。例如，初至属性数据包括a1、b1和c1三个维度的数据，初至标签数据包括a2和b2两个维度的数据，则a1与a2可以表示地震道信息，b1和b2可以表示深度信息，并且，a1与a2的地震道个数相同，b1和b2的深度个数相同。
30.需要说明的是，在本发明实施例中，初至属性数据和初至标签数据的生成可以由目标数据区域标定、初至属性数据提取、初至标签制作、数据切割、数据筛选以及数据扩容几个部分组成。
31.步骤s106，利用初至属性数据和初至标签数据确定生成网络模型的权值参数。
32.在本发明实施例中，生成网络模型用于提取初至属性数据中的初至特征数据，以及用于还原初至特征数据的位置。可以采用类似于u-net结构端到端的编码解码网络作为生成网络，该网络以初至属性数据为输入，通过编码网络部分进行特征抽向和提取，利用解码网络部分进行初至位置还原部分。编码网络由多个尺寸依次递减的初至特征提取层所组成的一个特征抽象网络，用来实现初至特征由低层级到高层级的抽象与提取，每层由卷积层、池化层、数据规范化层等组成。
33.初至位置还原部分，用来实现初至波位置还原，由多个尺寸依次增加的层级组成，每层都由反褶积层、数据合并层、褶积层、数据规范化层组成的一个整体，、对上一层输出结果进行上采集来实现特征位置还原，同时为提高位置精度，引入了解码网络部分中相同尺寸层的输入，这样在保证特征提取与分类的正确基础上，同时可保留精确的初至波位置。最后将激励层的输出与初至标签对比，利用损失函数计算与目标之间的差，然后进行反向训练
34.深度学习需要大量的样本数据和标签数据，初至属性数据和初至标签数据可以作为深度学习的样本数据和标签数据，用于训练深度学习的生成网络模型。其中，初至属性数据是初至学习的原始数据，初至标签数据是深度学习的目标结果数据，用于表示和标识初至波在地震数据的位置。将初至属性数据作为生成网络模型的输入，通过不断减小生成网络模型的输出与初至标签数据的差值，对生成网络模型的权值进行迭代训练，直至得到满足条件的权值参数。
35.步骤s108，根据生成网络模型和权值参数生成待检地震数据的初至拾取结果。
36.在本发明实施例中，利用生成网络模型对待检地震数据进行预测，生成对应的初至预测结果，每一组待检地震数据生成一组预测结果。预测结果中的数值表示该点是初至的概率。预测完成后，将预测的结果按输入数据在原时窗中的位置进行排序和合并，得到一
个与时窗数据大小一致的初至预测结果数据。由于预测结果中的数值为预测的初至概率，逐列取概率值最大的点作为拾取的初至点。然后利用得到的初至位置索引加上时窗的起始位置索引得到初至在地震数据中的索引位置，然后乘以采样时间得到初至拾取结果。
37.对待检地震数据进行处理从而得到生成网络模型需要的样本数据，处理过程如下：首先利用定义的初至时窗来选定目标区域数据，计算这些数据的初至波属性特征，与时窗中的地震数据合并成一个多维矩阵，然后对这些合成的结果数据按学习时使用的尺寸进行切割，将其分割成若干大小为x
×
y的小矩阵作为生成网络模型的输入数据。
38.本发明实施例提供了一种初至拾取方案，该方案首先获取地震数据、时窗信息和地震数据的初至信息；根据地震数据、时窗信息和初至信息确定训练样本数据；训练样本数据包括初至属性数据和初至标签数据；利用初至属性数据和初至标签数据确定生成网络模型的权值参数；生成网络模型用于提取初至属性数据中的初至特征数据，以及用于还原初至特征数据的位置；根据生成网络模型和权值参数生成待检地震数据的初至拾取结果。本发明实施例利用初至属性数据和初至标签数据训练生成网络模型，利用训练出的生成网络模型生成待检地震数据的初至拾取结果，从而使所拾取的初至波位置精准、可靠，可满足野外生产需要。
39.在一个实施例中，根据地震数据、时窗信息和初至信息确定训练样本数据，可以按照如下步骤执行：
40.根据地震数据和时窗信息确定第一初至属性数据；根据初至信息确定地震数据的第一初至标签数据；根据第一初至属性数据和第一初至标签数据确定训练样本数据。
41.在本发明实施例中，在对一炮地震数据进行初至检测过程当中，真正关心的是地震波发生跳变的位置，即初至波所在的上下一小段的数据，其它大部分数据是非相关数据，因此本发明实施例通过在整个地震数据中标定的初至时窗将样本数据的数据源框定到给定的时窗范围之内，所拾取的初至数据也在此时窗之内。
42.本发明实施例采用时窗内地震数据及用常规初至算法计算出的第一初至属性数据可以作为生成网络模型学习的多维样本数据。第一初至属性数据是由地震数据经初至属性变换函数生成，生成的结果数据中初至波特征变得更加突出和明显，便于深度网络的特征学习。
43.由初至信息生成第一初至标签数据，该标签数据与样本数据大小一致，是一个二维矩阵，其中横坐标表示地震道，纵坐标表示数据位置索引，与初至波时间存在对应关系。
44.之后，再对第一初至属性数据和第一初至标签数据进行筛选等处理，得到训练样本数据。
45.在一个实施例中，根据地震数据和时窗信息按照如下公式确定第一初至属性数据：fbpropertyi＝fbtransformi(seisdata)，其中，fbtransformi表示第i种初至属性提取函数，seisdata表示地震数据，是大小为depthlength
×
tracecount的矩阵，depthlength为炮集数据中地震道数据长度，tracecount为道集数据中地震道的个数，fbpropertyi提取的第i种第一初至属性数据，数据大小与seisdata一致。
46.在本发明实施例中，初至属性提取函数，用于从地震属性数据提取或增强初至波特征。fbproperty0为时窗内原始的地震数据。
47.在一个实施例中，根据初至信息确定地震数据的第一初至标签数据，可以按照如
下步骤执行：
48.将地震道数据作为行数据，将深度位置数据作为列数据确定目标矩阵；目标矩阵的地震道数据个数和深度位置数据个数分别与初至属性数据中的地震道数据个数和深度位置数据个数相同；确定目标矩阵中各元素的值，以确定第一初至标签数据；目标矩阵中的元素用于标识初至数据或非初至数据。
49.在本发明实施例中，目标矩阵横坐标表示地震道，纵坐标表示数据位置索引，与初至波时间存在对应关系，数值由0、1组成，1表示是初至，0表示非初至，一道至多有一个初至，即一列至多有一个数为1。
50.为了便于学习和训练，根据第一初至属性数据和第一初至标签数据确定训练样本数据，可以按照如下步骤执行：
51.根据地震道数据和深度位置数据，将第一初至属性数据切割为多个第一子矩阵数据，并将第一初至标签数据切割为多个第二子矩阵数据；第一子矩阵数据与第二子矩阵数据的大小相同；判断第二子矩阵数据中初至数据的个数是否满足预设范围；如果是，则将第二子矩阵数据作为初至标签数据，将第二子矩阵数据对应的第一子矩阵数据作为初至属性数据；如果否，则删除第二子矩阵数据和第二子矩阵数据对应的第一子矩阵数据。
52.在本发明实施例中，将第一初至属性数据和第一初至标签数据分别切割成若干大小为x
×
y的小矩阵，对于数据不足的地方用0补充，一共分割成多个小矩阵，切割后的第一子矩阵数据和第二子矩阵数据一一对应。然后以分割后的第二子矩阵数据为依据，分别统计各个第二子矩阵中初至数据的个数，如果所含初至个数小于预设阈值c，则删除此第二子矩阵数据及其对应的第一子矩阵数据。如果所含初至个数不小于预设阈值c，则将第二子矩阵数据作为初至标签数据，将第二子矩阵数据对应的第一子矩阵数据作为初至属性数据，从而得到训练样本数据。
53.考虑到当地形发生倾斜时，对应的初至数据也发生倾斜，因此，根据地震数据、时窗信息和初至信息确定训练样本数据之后，还可以执行如下步骤：
54.根据地形倾斜数据对训练样本数据进行旋转变换处理，以扩充训练样本数据的数量。
55.在本发明实施例中，由于初至数据与地表地形对应，为了更好的利用筛选出的有限的训练数据来模拟地表形态多样所造成的初至数据形态的复杂性与多样性，需要对筛选出的训练样本数据(初至属性数据与初至标签数据一起)进行一些小角度的旋转变换(包括左右翻转等)，来模拟地表地形变化所带来的初至变化，达到扩充训练样本的目的。
56.数据扩容后，将生成的初至属性数据及初至标志数据分别放到指定目录，然后成对读取的初至属性数据和初至标志数据，分别进行归一化处理后供生成网络模型进行训练。
57.为了提升学习效率，利用初至属性数据和初至标签数据确定生成网络模型的权值参数，可以按照如下步骤执行：
58.采用正态分布初始化方法初始化生成网络模型的权值参数；利用初始化后的生成网络模型和初至属性数据生成学习结果；根据学习结果和初至标签数据确定生成网络模型的权值参数。
59.在本发明实施例中，在定义好深度网络模型之后，采用正态分布初始化方法对各
神经元的权值进行初始化。训练过程中可以采用adam优化算法进行深度学习优化迭代训练，提高学习效率。
60.在一个实施例中，利用如下公式根据学习结果和初至标签数据确定生成网络模型的权值参数：a＝σ(z)where z＝∑wj×
xj+b，其中，c为交叉熵损失函数，y为初至标签数据，a为学习结果，wj为神经元权值，xj为神经元输入，b为常值。
61.在本发明实施例中，损失函数采用交叉熵方式进行计算，通过交叉熵损失函数可以衡量给定初至与神经网络学习得到的初至的相似程度。
62.为了保证初至拾取的精度，根据生成网络模型和权值参数生成待检地震数据的初至拾取结果之前，还可以执行如下步骤：
63.根据生成网络模型和权值参数生成待检地震数据的第一初至拾取结果；根据第一初至拾取结果和初至标签数据生成网络模型的评价结果；若评价结果不满足预设条件，则重新确定生成网络模型的权值参数。
64.在本发明实施例中，利用判别网络根据第一初至拾取结果和初至标签数据生成网络模型的评价结果。判别网络用于对输入的初至标签数据和生成的第一初至拾取结果进行判别和比较，判断二者是否一致，一致为真，否则为假。判别网络采用基于小数据区域的马尔可夫判别器。这个判别器用于判别每一个小区块数据的真与假，然后平均所有的相应来得到最后的输出。将一张图片所有小数据区块的结果取平均值作为最终的判别器输出，而不是判断整个图像的“真与假”。
65.输入得到预测概率值，该预测概率值表示输入是否是一对真实图像，概率值越接近1表示判别器越肯定输入是一对真实图像。
66.在本发明实施例中，通过判别网络可以筛选出更优质的生成网络模型。
67.在一个实施例中，按照如下公式根据第一初至拾取结果和初至标签数据生成生成网络模型的评价结果：网络模型的评价结果：其中，g
*
为总损失函数，λ是一个系数，g表示生成网格模型，d表示判别网络模型，x表示初至样本数据，y表示初至标签数据，z表示噪声扰动，g(x,z)表示生成网络生成的第一初至拾取结果，d(x,y)表示判别网络生成的评价结果，e
x,y
和e
x,z
表示误差函数。
68.在本发明实施例中，为了提取初至提取精度，还加入了一个一范数损失函数，即生成的初至标签数据与真实的初至标签数据之间的一范数距离保证了输入和输出图像的相似度。
69.在本发明实施例中，参见图2所示的针对初至检测的深度对抗网络结构图，对抗网络包括生成网络和判别网络，从准备好的训练数据中成批的读取初至属性数据和初至标签数据加入的对抗网络中，对抗网络利用这些训练数据进行学习，训练过程中需要交替训练初至判别网络和初至生成网络，而且步数相同，达到预定的训练目标之后，停止学习，保存对抗网络模型结构和权值参数等。生成网络部分用于由初至样本数据生成伪初至标签数据，判别网络以生成网络所生成的伪初至标签数据和实际的初至样本标签为输入，对生成的标签结果进行判定。
70.下面以一个具体实施例对该方法的实施过程进行说明。
71.1、针对对抗网络的初至训练。
72.1)准备对抗网络的初至训练数据：
73.在地震数据中定义初至时窗，利用初至时窗选取目标数据范围，然后计算时窗内的初至属性数据，同时利用初至信息生成等大小的初至标签数据，标定的初至位置为1，其余的为0。然后对这些数据按指定尺寸进行分割，分成若干小的训练样本。然后剔除训练样本中初至个数很少的样本，最后通过对剩余样本进行小角度旋转来进行样本扩容。
74.2)准备对抗网络模型：
75.定义对抗网络模型的结构，包括生成网络模型和判别网络模型，网络模型之间的组织结构，模型参数等。
76.3)利用对抗网络学习初至波特征：
77.参见图3所示的基于深度对抗网络的初至学习流程图，从训练样本对对抗网络模型进行训练，利用生成网络模型从数据中检测初至结果，利用判别网络进行判别，通过两个模型之间的相互博弈，提高初至检测精度，训练完成后保存对抗网络模型及权值。
78.2、基于对抗网络的初至检测。
79.1)加载对抗网络模型：
80.初始化深度学习的运行环境，加载训练好的生成网格模型结构和网络模型参数，进行预测前的相关初始化工作。
81.2)准备待检测数据：
82.利用定义的时窗在待检数据中提取目标数据，然后计算初至属性，生成多维属性数据，然后按训练用的样本尺寸对数据进行切割生成待检测样本集。具体地，首先利用定义的初至时窗来选定目标区域数据，计算这些数据的初至波属性特征，与时窗中的地震数据合并成一个多维矩阵，然后对这些合成的结果数据按学习时使用的尺寸进行切割，将其分割成若干大小为x
×
y的小矩阵作为对抗网络模型的输入数据。
83.3)利用对抗网络进行初至波检测：
84.在对抗网络结构当中生成网络模型采用类似于unet的语义分割网络模型，生成网络模型利用初至属性样本数据生成初至检测结果数据，判别网络模型判别网络采用基于小数据区域的马尔可夫判别器,以人工标志的初至结果为依据来判断生成网络模型所生成的初至结果是否正确。
85.在基于编码与解码的语义分割网络中，编码部分进行初至特征抽象与提取，解码部分进行初至特征位置还原，同时引入解码部分中的特征位置信息，提高初至波定位精度。
86.训练样本的生成：通过定义初至时窗确定目标数据范围，计算时窗内地震数据的初至属性，与时窗中的地震数据一起生成初至样本数据。同时以初至信息为基础，按初至时窗大小生成一组相应初至标本，仅初至位置为1，其余为0。然后按指定尺寸将初至样本与初至标签分成若干小的数据集，然后滤除不含初至或含极少初至信息的数据。最后对剩余结果进行翻转和小角度放置处理来扩充样品。
87.利用对抗网络对待检数据进行检测，得到对应的初至检测结果，然后将检测结果进行合并，还原成与时窗数据对应的初至结果数据，然后逐列处理，找到各列的初至位置，最后计算出初至位置对应的初至时间，参见图5所示的原始地震数据效果图和图6所示的初
至拾取效果图。
88.参见图4所示的基于深度网络的初至检测流程图，该过程利用对抗网络中的生成网络模型进行初至检测。首先加载保存的对抗网络模型中的生成网络模型和权值参数等，初始化深度学习的运行环境。之后，以单炮数据为单位进行初至检测，利用定义的初至时窗来定位目标数据，之后计算得到初至属性数据，然后按训练时的切分尺寸对待检数据进行切割得到待检样本数据，利用深度网络模型进行初至检测得到检测结果数据，然后对检测出的结果按其在初至时窗中的位置进行合并，然后逐道查找初至点，计算得到各道的初至时间。
89.本发明实施例提供了一种初至拾取方法及装置，该方法利用对抗神经网络学习初至时窗中的初至样本数据，从大量的样本数据和初至属性出发，利用对抗网络学习和掌握初至特征，利用生成网络模型和判别网络模型之间的博弈，提高了初至检测的精度。在应用过程中，利用训练出的生成网络模型的泛化能力对待检数据进行初至拾取，可直接从地震数据检测出相应的初至结果，可以有效的实现初至波检测，所拾取的初至波位置精准、可靠，可满足野外生产需要。
90.本发明实施例中还提供了一种初至拾取装置，如下面的实施例所述。由于该装置解决问题的原理与初至拾取方法相似，因此该装置的实施可以参见初至拾取方法的实施，重复之处不再赘述。参见图7所示的一种初至拾取装置结构框图，该装置包括：
91.获取模块71，用于获取地震数据、时窗信息和地震数据的初至信息；样本模块72，用于根据地震数据、时窗信息和初至信息确定训练样本数据；训练样本数据包括初至属性数据和初至标签数据；训练模块73，用于利用初至属性数据和初至标签数据确定生成网络模型的权值参数；生成网络模型用于提取初至属性数据中的初至特征数据，以及用于还原初至特征数据的位置；预测模块74，用于根据生成网络模型和权值参数生成待检地震数据的初至拾取结果。
92.在一个实施例中，样本模块，包括：第一确定单元，用于根据地震数据和时窗信息确定第一初至属性数据；第二确定单元，用于根据初至信息确定地震数据的第一初至标签数据；第三确定单元，用于根据第一初至属性数据和第一初至标签数据确定训练样本数据。
93.在一个实施例中，第一确定单元，用于根据地震数据和时窗信息按照如下公式确定第一初至属性数据：fbpropertyi＝fbtransformi(seisdata)，其中，fbtransformi表示第i种初至属性提取函数，seisdata表示地震数据，是大小为depthlength
×
tracecount的矩阵，depthlength为炮集数据中地震道数据长度，tracecount为道集数据中地震道的个数，fbpropertyi提取的第i种第一初至属性数据，数据大小与seisdata一致。
94.在一个实施例中，第二确定单元，具体用于：将地震道数据作为行数据，将深度位置数据作为列数据确定目标矩阵；目标矩阵的地震道数据个数和深度位置数据个数分别与初至属性数据中的地震道数据个数和深度位置数据个数相同；确定目标矩阵中各元素的值，以确定第一初至标签数据；目标矩阵中的元素用于标识初至数据或非初至数据。
95.在一个实施例中，第三确定单元，具体用于：根据地震道数据和深度位置数据，将第一初至属性数据切割为多个第一子矩阵数据，并将第一初至标签数据切割为多个第二子矩阵数据；第一子矩阵数据与第二子矩阵数据的大小相同；判断第二子矩阵数据中初至数据的个数是否满足预设范围；如果是，则将第二子矩阵数据作为初至标签数据，将第二子矩
阵数据对应的第一子矩阵数据作为初至属性数据；如果否，则删除第二子矩阵数据和第二子矩阵数据对应的第一子矩阵数据。
96.在一个实施例中，参见图8所示的另一种初至拾取装置结构框图，该装置还包括扩充模块75，用于：根据地形倾斜数据对训练样本数据进行旋转变换处理，以扩充训练样本数据的数量。
97.在一个实施例中，训练模块，具体用于：采用正态分布初始化方法初始化生成网络模型的权值参数；利用初始化后的生成网络模型和初至属性数据生成学习结果；根据学习结果和初至标签数据确定生成网络模型的权值参数。
98.在一个实施例中，训练模块，具体用于利用如下公式根据学习结果和初至标签数据确定生成网络模型的权值参数：a＝σ(z)where z＝∑wj×
xj+b，其中，c为交叉熵损失函数，y为初至标签数据，a为学习结果，wj为神经元权值，xj为神经元输入，b为常值。
99.在一个实施例中，参见图8所示的另一种初至拾取装置结构框图，该装置还包括判别模块76，用于：根据生成网络模型和权值参数生成待检地震数据的第一初至拾取结果；根据第一初至拾取结果和初至标签数据生成网络模型的评价结果；若评价结果不满足预设条件，则重新确定生成网络模型的权值参数。
100.在一个实施例中，判别模块，具体用于按照如下公式根据第一初至拾取结果和初至标签数据生成网络模型的评价结果：至标签数据生成网络模型的评价结果：其中，g
*
为总损失函数，λ是一个系数，g表示生成网格模型，d表示判别网络模型，x表示初至样本数据，y表示初至标签数据，z表示噪声扰动，g(x,z)表示生成网络生成的第一初至拾取结果，d(x,y)表示判别网络生成的评价结果，e
x,y
和e
x,z
表示误差函数。
101.本发明实施例还提供一种计算机设备，参见图9所示的计算机设备结构示意框图，该计算机设备包括存储器81、处理器82及存储在存储器上并可在处理器上运行的计算机程序，处理器执行计算机程序时实现上述任一种初至拾取方法的步骤。
102.所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的计算机设备的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
103.本发明实施例还提供一种计算机可读存储介质，计算机可读存储介质存储有执行上述任一种初至拾取方法的计算机程序。
104.本领域内的技术人员应明白，本发明的实施例可提供为方法、系统、或计算机程序产品。因此，本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、cd-rom、光学存储器等)上实施的计算机程序产品的形式。
105.本发明是参照根据本发明实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产
生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
106.这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
107.这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
108.最后应说明的是：以上所述实施例，仅为本发明的具体实施方式，用以说明本发明的技术方案，而非对其限制，本发明的保护范围并不局限于此，尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，其依然可以对前述实施例所记载的技术方案进行修改或可轻易想到变化，或者对其中部分技术特征进行等同替换；而这些修改、变化或者替换，并不使相应技术方案的本质脱离本发明实施例技术方案的精神和范围，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应所述以权利要求的保护范围为准。