一种基于注意力机制的地震数据去噪方法与流程

本发明涉及地震数据去噪，具体涉及一种基于注意力机制的地震数据去噪方法。

背景技术：

1、地震数据通常含有地震噪声，应消除地震噪声，以提高信噪比。噪声可分为相干噪声和非相干噪声。非相干噪声，其中大部分被称为随机噪声，会污染地震数据，结果数据在不同的地震道之间可能缺乏相干性。如果不消除地质解释和速度分析等噪声，许多地震过程可能会被破坏。随机噪声抑制是反射地震数据处理的重要步骤。然而，主要的挑战是在保留地震信号的同时去除噪声。物理去噪方法根据不同的假设和特点可以分为五类。第一类是基于稀疏变换的去噪方法，它们利用信号和噪声在稀疏域中的不同特征进行分离，如傅里叶变换，小波变换，曲波变换等。第二类是基于预测滤波的去噪方法，它们通过构造滤波器来分离噪声和信号，如t-x预测滤波器，f-x反褶积(fxdecon)，非平稳预测滤波器。第三类是基于矩阵分解的去噪方法，它们假设无噪声数据是低秩的，因此去噪任务可以建模为低秩矩阵逼近问题。例如多通道奇异频谱分析(mssa)和阻尼降阶法(drr)。第四类是基于分解的去噪方法，它们将不同分量的主分量视为有效信号。最后一类是基于字典学习的去噪方法，它们使用可学习字典代替传统的变换基函数来自适应地表示数据。虽然大多数传统去噪方法可以取得一定的去噪效果，但是大多数方法需要依赖预先建立的模型，需要花费大量的时间调参。另外，它们无法兼顾保护地震信号的同时压制噪声。

2、近年来，深度学习为地震数据去噪带来了新的机遇。卷积神经网络可以学习大量输入和输出之间的映射关系从而完成去噪任务。例如dncnn，其设计包括残差学习和批量归一化，以实现出色的去噪效果。编码器-解码器结构也可以用于去噪，因为它可以很好地学习上下文的特征。比如稀疏去噪自动编码器（sdae），它通过添加稀疏条件来实现混合噪声的去噪。生成对抗网络（gan）利用其强大的学习能力构建优秀的去噪器。例如，gan对噪声分布进行建模，并生成丰富的训练数据以实现盲去噪。相比传统去噪，深度学习方法去噪性能和效率有了明显提高，但是一些方法旨在去除更多的噪声，而忽略了对有效信号的保护。

技术实现思路

1、针对现有技术中的上述不足，本发明提供了一种基于注意力机制的地震数据去噪方法。

2、为了达到上述发明目的，本发明采用的技术方案为：

3、一种基于注意力机制的地震数据去噪方法，包括以下步骤：

4、s1、获取有噪地震数据；

5、s2、将获取的有噪地震数据分割为第一尺度的数据块和第二尺度的数据块；

6、s3、构建基于注意力机制的两阶段地震去噪网络模型，并利用第一尺度的数据块和第二尺度的数据块进行模型训练；

7、s4、利用训练后的基于注意力机制的两阶段地震去噪网络模型对待处理的有噪地震数据进行去噪处理。

8、可选地，步骤s2具体包括：

9、将获取的有噪地震数据分割为第一数量的非重叠数据块，得到第一尺度的数据块；

10、将获取的有噪地震数据分割为第二数量的非重叠数据块，得到第二尺度的数据块。

11、可选地，步骤s3中构建的基于注意力机制的两阶段地震去噪网络模型具体包括：

12、第一编码器-解码器子网络、监督注意力模块和第二编码器-解码器子网络；

13、所述第一编码器-解码器子网络用于对第一尺度的数据块提取第一感受野的全局特征和局部特征，得到第一去噪图像；

14、所述监督注意力模块用于对第一去噪图像进行加权后传递至第二编码器-解码器子网络；

15、所述第二编码器-解码器子网络用于对第二尺度的数据块和融合监督注意力模块传递的加权后的第一去噪图像融合后，提取第二感受野的全局特征和局部特征，得到第二去噪图像。

16、可选地，所述第一编码器-解码器子网络具体包括：

17、第一编码器、第一解码器、以及将第一编码器输入的第一尺度的数据块与第一解码器的输出数据进行连接的第一跳跃连接；

18、所述第一编码器包括线性连接的第一残差注意力模块、第一下采样层、第一卷积层、第二残差注意力模块、第二下采样层、第二卷积层和第三残差注意力模块；

19、所述第一解码器包括线性连接的第四残差注意力模块、第一上采样层、第三卷积层、第五残差注意力模块、第二上采样层、第四卷积层和第六残差注意力模块。

20、可选地，所述第二编码器-解码器子网络具体包括：

21、第二编码器、第二解码器、以及将第二编码器输入的第二尺度的数据块与第二解码器的输出数据进行连接的第二跳跃连接；

22、所述第二编码器包括线性连接的第七残差注意力模块、第三下采样层、第五卷积层、第八残差注意力模块、第四下采样层、第六卷积层和第九残差注意力模块；

23、所述第二解码器包括线性连接的第十残差注意力模块、第三上采样层、第七卷积层、第十一残差注意力模块、第四上采样层、第八卷积层和第十二残差注意力模块。

24、可选地，所述第一残差注意力模块至第十二残差注意力模块采用相同的网络结构，具体包括：

25、第九卷积层、第一激活层、第十卷积层、第二激活层、池化层、第十一卷积层、第三激活层、第十二卷积层、第四激活层和第一残差连接；

26、所述第一残差连接将第十卷积层的输出数据与第四激活层的输出数据进行叉乘操作后与第九卷积层的输入数据进行融合，得到最终的输出数据。

27、可选地，所述监督注意力模块具体包括：

28、第十三卷积层、第十四卷积层、第五激活层、第十五卷积层和第二残差连接；

29、所述第十三卷积层提取的残差数据与噪声块融合后作为第十四卷积层的输入数据；

30、所述第十五卷积层提取的局部特征与第五激活层得到的特征注意力掩码进行叉乘操作，得到注意力引导特征；

31、所述第二残差连接将注意力引导特征与第十三卷积层的输入数据进行融合，得到最终的输出数据。

32、可选地，步骤s3中利用第一尺度的数据块和第二尺度的数据块进行模型训练时采用的损失函数具体为：

33、

34、其中，c、h、w分别表示通道的数量、高度和宽度，分别表示预测值和标签，表示惩罚项，表示惩罚因子，表示信噪比函数，分别表示。

35、本发明具有以下有益效果：

36、本发明提出了一种带有注意力机制的两阶段地震去噪方法。两阶段通过不同的感受野同时提取全局信息和局部信息。通过在每个阶段注入监督来逐步压制噪声，此外，为了确保阶段之间的协同作用，监督注意力模块实现跨阶段特征融合以及从早期阶段到后期阶段的注意力引导输出交换。我们的模型在合成和现场数据集上能够兼顾去噪和有效信号保护。此外，我们的模型在模型大小方面是轻量级的，在运行时间方面是高效的，这对于资源有限的设备来说是非常有效的。

技术特征：

1.一种基于注意力机制的地震数据去噪方法，其特征在于，包括以下步骤：

2.根据权利要求1所述的一种基于注意力机制的地震数据去噪方法，其特征在于，步骤s2具体包括：

3.根据权利要求1所述的一种基于注意力机制的地震数据去噪方法，其特征在于，步骤s3中构建的基于注意力机制的两阶段地震去噪网络模型具体包括：

4.根据权利要求3所述的一种基于注意力机制的地震数据去噪方法，其特征在于，所述第一编码器-解码器子网络具体包括：

5.根据权利要求3所述的一种基于注意力机制的地震数据去噪方法，其特征在于，所述第二编码器-解码器子网络具体包括：

6.根据权利要求4或5所述的一种基于注意力机制的地震数据去噪方法，其特征在于，所述第一残差注意力模块至第十二残差注意力模块采用相同的网络结构，具体包括：

7.根据权利要求3所述的一种基于注意力机制的地震数据去噪方法，其特征在于，所述监督注意力模块具体包括：

8.根据权利要求1所述的一种基于注意力机制的地震数据去噪方法，其特征在于，步骤s3中利用第一尺度的数据块和第二尺度的数据块进行模型训练时采用的损失函数具体为：

技术总结
本发明公开了一种基于注意力机制的地震数据去噪方法，包括获取有噪地震数据；将获取的有噪地震数据分割为第一尺度的数据块和第二尺度的数据块；构建基于注意力机制的两阶段地震去噪网络模型，并利用第一尺度的数据块和第二尺度的数据块进行模型训练；利用训练后的基于注意力机制的两阶段地震去噪网络模型对待处理的有噪地震数据进行去噪处理。本发明构建的基于注意力机制的两阶段地震去噪网络模型，通过不同的感受野同时提取全局信息和局部信息，并且通过在每个阶段注入监督来逐步压制噪声，为了确保阶段之间的协同作用，监督注意力模块实现跨阶段特征融合以及从早期阶段到后期阶段的注意力引导输出交换，从而实现能够兼顾去噪和有效信号保护。

技术研发人员：王科,王林蓉,许琼,闵帆
受保护的技术使用者：四川鹭羽科技有限公司
技术研发日：
技术公布日：2024/1/14