技术特征：
1.基于卷积神经网络和视觉变换神经网络的地震去噪方法，其特征在于，包括以下步骤：步骤1，采集含噪声的地震数据，对含噪声的地震数据进行去噪处理后，得到多个去噪后的地震数据块，构建地震数据集，地震数据集中包括训练集、验证集和测试集；步骤2，基于卷积神经网络和视觉变换神经网络构建地震数据去噪u-net网络，地震数据去噪u-net网络由多个位于不同深度处的ct模块组成，ct模块包含两个1
×
1卷积层、一个由轻量化卷积模块和轻量化视觉变换神经网络模块组成的并行结构和一个合并层；步骤3，利用训练集对地震数据去噪u-net网络进行训练，得到训练后的地震数据去噪u-net网络；步骤4，利用验证集验证训练后地震数据去噪u-net网络的去噪效果，若训练后地震数据去噪u-net网络的去噪效果已达到最佳，则进入步骤5，否则，则返回步骤3中，继续利用训练集对地震数据去噪u-net网络进行训练；步骤5，将测试集中含噪声地震数据块输入至训练后的地震数据去噪u-net网络中，利用训练后的地震数据去噪u-net网络去除测试集中含噪声地震数据块中的噪声，得到去除噪声后的地震数据。2.根据权利要求1所述的基于卷积神经网络和视觉变换神经网络的地震去噪方法，其特征在于，所述步骤1中，具体包括以下步骤：步骤1.1，采集含噪声的地震数据，将含噪声的地震数据截取为多个具有相同维度的含噪声地震数据块，分别对各含噪声地震数据块进行去噪处理后，得到多个去噪后的地震数据块，各去噪后的地震数据块为其所对应含噪声地震数据块的标签；步骤1.2，基于含噪声地震数据块和去噪后的地震数据块，构建地震数据集，并将地震数据集划分为训练集、验证集和测试集。3.根据权利要求2所述的基于卷积神经网络和视觉变换神经网络的地震去噪方法，其特征在于，所述步骤2中，当含噪声地震数据块或前一个ct模块输出的特征数据块输入至当前ct模块时，当前ct模块的第一个1
×
1卷积层先对输入的含噪声地震数据块或特征数据块进行卷积核大小为1
×
1的卷积运算，得到1
×
1卷积处理后的地震数据，如公式（1）所示：
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
（1）式中，为1
×
1卷积处理后的地震数据，行数为h、列数为w、通道数为c；为卷积核大小为1
×
1的卷积运算函数；为输入至ct模块的数据块，行数为h、列数为w、通道数为c0；再将经1
×
1卷积处理后的地震数据同时输入至轻量化卷积模块和轻量化视觉变换神经网络模块中，轻量化卷积模块输出轻量化卷积处理数据，轻量化视觉变换神经网络模块输出轻量化视觉变换神经网络处理数据，如公式（2）和公式（3）所示：
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
（2）
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
（3）式中，为轻量化卷积处理数据，行数为h、列数为w、通道数为c；为轻量化
卷积模块的运算函数；为轻量化视觉变换神经网络处理数据，行数为h、列数为w、通道数为c；为轻量化视觉变换神经网络模块的运算函数；最后，将轻量化卷积处理数据和轻量化视觉变换神经网络处理数据同时输入合并层中，经合并层处理后再输入至当前ct模块的第二个1
×
1卷积层中，输出经ct模块处理后的数据，如公式（4）所示：
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
（4）式中，z为经ct模块处理后的数据，为合并运算。4.根据权利要求3所述的基于卷积神经网络和视觉变换神经网络的地震去噪方法，其特征在于，所述轻量化卷积模块包括第一卷积层和第二卷积层，第一卷积层和第二卷积层串联连接，第一卷积层和第二卷积层之间设置有激活函数relu，第一卷积层和第二卷积层均采用卷积核大小为3
×
3的深度可分离卷积，深度可分离卷积分为逐通道卷积与逐点卷积，第一卷积层的输入与第二卷积层的输出之间设置有快接连接，快接连接将输入至轻量化卷积模块的地震数据与经轻量化卷积模块处理后输出的地震数据相融合，得到轻量化卷积处理数据，如公式（5）所示：
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
（5）式中，为可分离卷积运算函数，为激活函数。5.根据权利要求3所述的基于卷积神经网络和视觉变换神经网络的地震去噪方法，其特征在于，所述轻量化视觉变换神经网络模块包括第一层归一化层、轻量化自注意力层、第二层归一化层、多层感知机层，轻量化视觉变换神经网络模块内部还设置有两个快接连接，第一层归一化层和第二层归一化层均用于根据地震数据的通道数对地震数据进行归一化，轻量化自注意力层用于利用轻量化自注意力机制求取全局注意力图，多层感知机层用于提高轻量化视觉变换神经网络的非线性表达能力；利用轻量化视觉变换神经网络模块求取全局注意力图时，将1
×
1卷积处理后的地震数据输入至轻量化视觉变换神经网络模块中，先通过矩阵映射将行数为h、列数为w、通道数为c的地震数据转换为相互独立的第一矩阵q、第二矩阵k和第三矩阵v，第一矩阵q、第二矩阵k和第三矩阵v的维度相同，第一矩阵q、第二矩阵k和第三矩阵v的行数均为h、列数均为w、通道数均为c，再采用最大池化分别降低第二矩阵k和第三矩阵v的维度，得到降维后的第二矩阵和第三矩阵，如公式（6）和公式（7）所示：
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
（6）
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
（7）式中，为降维后的第二矩阵，降维后第二矩阵的行数为p、列数为p、通道数为c；k为第二矩阵；为降维后的第三矩阵，降维后第三矩阵的行数为p、列数为p、通道数为c；v为第三矩阵；为做大池化运算函数；轻量化自注意力层基于轻量化自注意力机制，利用第一矩阵q、降维后的第二矩阵和降维后的第三矩阵求取全局注意力图，如公式（8）所示：
ꢀꢀꢀꢀꢀꢀꢀꢀ
（8）式中，为基于轻量化自注意力机制求取全局注意力图的函数；为激活函数；为降维后第二矩阵的空间维度，；为降维后第二矩阵的转置矩阵。6.根据权利要求3所述的基于卷积神经网络和视觉变换神经网络的地震去噪方法，其特征在于，所述步骤3中，具体包括以下步骤：步骤3.1，将训练集中的含噪声地震数据块输入至步骤2中构建的地震数据去噪u-net网络中，利用地震数据去噪u-net网络去除含噪声地震数据块中的噪声，得到去除噪声后的地震数据；步骤3.2，将去除噪声后的地震数据与训练集中含噪声地震数据块所对应的标签进行对比，计算去除噪声后的地震数据与含噪声地震数据块标签之间的误差值，并将误差值与预设的阈值进行比较；若误差值小于预设的阈值，则进入步骤3.4；否则，则进入步骤3.3；步骤3.3，反向传播误差值并根据误差梯度信息更新地震数据去噪u-net网络中的参数，得到更新后的地震数据去噪u-net网络，将训练集中的含噪声地震数据块输入至更新后的地震数据去噪u-net网络中，利用更新后的地震数据去噪u-net网络去除含噪声地震数据块中的噪声，得到去除噪声后的地震数据后，返回步骤3.2；步骤3.4，完成对地震数据去噪u-net网络的训练，得到训练后的地震数据去噪u-net网络。7.根据权利要求6所述的基于卷积神经网络和视觉变换神经网络的地震去噪方法，其特征在于，所述步骤3.3中，利用训练集训练地震数据去噪u-net网络时，地震数据去噪u-net网络中参数的损失函数为：
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
（9）式中，为损失函数；为地震数据去噪u-net网络中的参数，采用adam优化算法求解获得；n为训练集中含噪声地震数据块的总数；为地震数据去噪u-net网络；为训练集中第i个含噪声地震数据块，为训练集中第i个含噪声地震数据块的标签。8.根据权利要求6所述的基于卷积神经网络和视觉变换神经网络的地震去噪方法，其特征在于，所述步骤4中，具体包括以下步骤：步骤4.1，将验证集中的含噪声地震数据块输入至训练后的地震数据去噪u-net网络中，利用训练后的地震数据去噪u-net网络去除含噪声地震数据块中的噪声，得到去除噪声后的地震数据；步骤4.2，将去除噪声后的地震数据与验证集中含噪声地震数据块所对应的标签进行对比，计算去除噪声后的地震数据与含噪声地震数据块标签之间的误差值，并将误差值与预设的阈值进行比较；若误差值小于预设的阈值，则证明训练后地震数据去噪u-net网络的
去噪效果已达到最优，进入步骤5；否则，则返回步骤3，继续利用训练集训练地震数据去噪u-net网络。
技术总结
本发明公开了一种基于卷积神经网络和视觉变换神经网络的地震去噪方法，涉及信息处理技术领域。本发明采集含噪声的地震数据，对含噪声的地震数据进行去噪处理后，得到多个去噪后的地震数据块，构建包括训练集、验证集和测试集的地震数据集，并基于卷积神经网络和视觉变换神经网络构建地震数据去噪网络，利用训练集训练地震数据去噪网络后，再利用验证集调试训练后地震数据去噪网络的去噪效果，得到去噪效果最佳的地震数据去噪网络后，利用训练后的地震数据去噪网络去除测试集中含噪声地震数据块的噪声，得到去除噪声后的地震数据。本发明有效提高了地震数据的去噪性能，降低了训练成本，有利于快速且准确的获取地下介质构造信息。息。息。
技术研发人员：王珺 王帅 刘伟锋 刘宝弟
受保护的技术使用者：中国石油大学（华东）
技术研发日：2022.10.13
技术公布日：2022/11/11