基于改进卷积自编码网络的地震数据面波压制方法

本发明属于地震勘探，涉及一种相干噪声消除方式，特别是一种基于改进卷积自编码网络的地震数据面波压制方法。

背景技术：

1、因实际地震勘探中环境复杂，获取的地震数据中含有大量噪声，严重影响后续地震数据处理、地震资料解释等环节的正常进行。面波作为地震勘探中的典型相干噪声，是一种低频、低速、高振幅的规则干扰波，广泛存在于地震记录中，并呈现明显扫帚状发散分布特征，严重影响地震资料解释人员对地震数据的正确分析。因此，针对地震噪声中的面波噪声进行压制一直是提高地震数据信噪比、分辨率的关键手段。

2、根据面波能量强、传播速度低和衰减较慢的特点，目前常见的传统面波压制方法有频率域滤波、小波变换滤波、区域滤波、异常振幅衰减以及三维ffk滤波等。频率域滤波和小波变换滤波考虑了面波频率低的特点，但是当有效信号和面波干扰存在频率重叠时，其压制效果并不理想。区域滤波是一种针对目标区域的带通滤波，利用面波的频率低的特性对面波区域进行高通滤波以达到压制面波的目的。该方法的优点是简单实用，只对面波区域内信号进行处理，对区域外资料没有影响；缺点是只考虑了频率这一种属性，在去掉面波的同时对区域内的有效信号也进行了滤波处理，削弱有效信息强度。而异常振幅衰减实际上是一种中值滤波。在某一频段内，振幅偏离中值指定的门槛值的道将会被衰减或根据相邻道进行插值。优点是可以在不同频段内进行振幅统计，将浅层与有效值振幅相接近的噪音衰减掉；缺点是在深层会有面波残留，残余面波会影响后续的能量补偿系数的准确性求取。另外三维ffk滤波是基于十字交叉排列、二维fk滤波器在空间上由扇形拓展为锥形滤波。该方法压制面波从浅到深都能取得较好的效果；但该方法是对整个道集数据进行处理，对面波区域外的信号也进行处理，会导致有效信号被衰减。传统面波压制方法通常是对信号进行变换，使得有效信号与面波在某一维度上具有较大差异，进而通过设置合理阈值的方式实现有效信号与面波噪声信号的分离。但是有效信号与面波在部分区分内无法避免的存在混叠，导致传统面波压制方法在去除面波的同时也除去了部分有效波，使得地震数据中有效信息大量丢失。

技术实现思路

1、本发明的目的是针对现有的技术存在上述问题，提出了一种基于实际地震资料为样本训练集，改进卷积自编码网络为模型框架的深度神经网络方法进行训练，得到含面波地震数据到无面波地震数据的模型映射，实现对地震数据面波噪声的自适应智能去噪的基于改进卷积自编码网络的地震数据面波压制方法。

2、本发明的目的可通过下列技术方案来实现：

3、基于改进卷积自编码网络的地震数据面波压制方法，包括以下步骤：

4、s1、将含面波地震数据与不含面波地震数据进行道头信息剥离，同时按炮进行数据分离，设置数据大小，得到n对地震数据样本；

5、s2、将得到的n对地震数据样本进行对应匹配，得到需要的改进卷积自编码网络模型的数据样本，其中随机挑选n1对数据作为验证集，剩余n2对数据作为训练集进行实验；

6、s3、首先选择自编码网络作为基础网络框架，向自编码网络输入含面波的地震数据，输出去除面波的地震数据，得到含面波地震数据到无面波地震数据的网络模型映射；

7、s4、基础网络模型搭建完毕，进行对网络模型的优化操作：

8、1)、采用卷积层对基础网络模型进行改进：

9、将卷积层与激活函数构成一个编码单元，反卷积层与激活函数构成一个解码单元，若干个编码单元与一一对应的解码单元组成完整的改进卷积自编码网络；

10、2)、利用激活函数对卷积自编码网络模型的激活层进行改进，使数据在不同网络层间传递过程中保证非线性传递：

11、改进卷积自编码网络使用swish函数，swish函数是平滑且非单调的函数，无上界有下界，导数恒大于0；

12、3)、对网络模型的网络层进行改进后，然后对网络模型的损失函数进行改进：

13、在改进卷积自编码网络中使用二元交叉熵损失函数：

14、

15、

16、公式(1)中，xi代表网络训练后得到的预测数据，yi代表原始数据，计算预测数据和原始数据对应点误差的平方和的均值判断网络训练效果；公式(2)中，xi代表网络训练得到的标签值，p(xi)代表xi标签值出现的概率，q(xi)代表真实数据下xi标签值出现的概率；二元交叉熵损失函数代表两个概率分布之间的距离，二元交叉熵值越小，两个概率分布越接近，网络训练的效果越好；

17、4)、网络模型利用损失函数更新网络的链接权重，故对链接权重更新的方法进行改进：

18、改进卷积自编码网络使用自适应时刻估计方法函数，其利用动量(momentum)，减小陷入局部最小值的可能性；同时，其对每个可学习的参数使用单独的学习率，并且学习率随每个参数在训练期间的变化而变化，以提升网络的训练效果：

19、

20、公式(3)中，mt代表第一个时刻的梯度平均值，vt代表第二个时刻的梯度方差，θt代表前一个时刻的参数，θt+1代表代表后一个时刻的参数，η、∈为可设定系数值；

21、5)、将准备好的训练集样本n2对数据导入改进卷积自编码网络模型中进行网络训练，将每次训练好的网络模型进行存储；

22、6)、对存储的多个网络模型进行逐个测试，输入含面波地震数据，得到去除面波的地震数据，对得到的去除面波地震数据进行多角度结果分析，综合分析得到多个网络模型中最优的一个；

23、7)、利用所选最优的已完成训练网络模型，在验证集n1对含面波地震数据上进行迁移应用验证。

24、在上述的基于改进卷积自编码网络的地震数据面波压制方法中，步骤s1中，地震数据样本的数量为78对，地震数据样本的大小为512*512*3px，地震数据样本转化为npy格式。

25、在上述的基于改进卷积自编码网络的地震数据面波压制方法中，步骤s2中，从78对地震数据本中挑选15对数据作为验证集，剩余63对数据作为训练集进行实验。

26、在上述的基于改进卷积自编码网络的地震数据面波压制方法中，步骤s3中，自编码网络依次包括输入层、隐藏层和输出层，向输入层输入x通过编码过程将高维数据映射为低维数据h，再通过解码过程将其转换为y由输出层输出。

27、在上述的基于改进卷积自编码网络的地震数据面波压制方法中，步骤s4的1)中，逐一将x输入编码单元，并由解码单元输出y，通过网络层特征提取获取x与y之间的关系映射。

28、在上述的基于改进卷积自编码网络的地震数据面波压制方法中，步骤s4的6)中，多角度结果分析内容至少包括：峰值信噪比、结构相似性。

29、在上述的基于改进卷积自编码网络的地震数据面波压制方法中，使用峰值信噪比(psnr)与结构相似性来评价网络训练结果的好坏，其数学公式为：

30、

31、公式(4)中，mmse代表均方根误差，max(c)代表无噪声数据像素值的最大值；

32、

33、公式(5)中，x与y分别代表含面波数据与去除面波后地数据，其中μx，分别代表x的平均值以及方差，μy，分别代表y的平均值以及方差，σxy代表x与y的协方差，c1，c2为常数。

34、在上述的基于改进卷积自编码网络的地震数据面波压制方法中，步骤s4的7)中，具体将准备的15个含面波地震数据输入已经训练完成的改进卷积自编码网络模型，输出得到对应的15个去除面波的地震数据，实现对地震数据中面波噪声的有效压制。

35、与现有技术相比，本基于改进卷积自编码网络的地震数据面波压制方法具有以下有益效果：

36、1、基于改进卷积自编码网络的地震数据面波噪声压制模型，以卷积自编码网络为基础模型框架，使用bce函数、adam函数、swish函数代替原始卷积自编码网络中的损失函数、梯度下降函数和激活函数，提升网络模型的特征学习能力与收敛速度。

37、2、基于改进卷积自编码网络地震数据面波压制模型，以含面波地震数据为网络模型的输入，以无面波地震数据作为网络模型的输出，利用数据样本训练网络，得到由含面波数据到无面波数据的复杂模型映射，进而实现网络模型对地震数据面波噪声的有效压制。

38、3、卷积自编码器利用卷积层以及反卷积层中共享权重和局部连接的特点减少了所需参数的数量，提高了计算效率；同时也使得网络能够对二维数据的特征进行感知，在编码部分通过卷积一步步提取特征，消除包含在数据中的噪声信号，之后在解码部分利用反卷积层来逐渐学习并恢复图像细节，从而具有从含噪声的二维数据中分离干净数据的能力，为进行地震数据噪声压制提供了基础。

39、4、利用改进卷积自编码网络的特性从含面波地震数据中自适应的学习有效地震信号的特征，实现去除特征明显的面波噪声的目的。改进卷积自编码网络属于无监督学习，所以不需要对地震数据进行无面波噪声标注工作，可以灵活的应用。