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。
声明:
“基于残差块全卷积神经网络的数据噪声压制方法” 该技术专利(论文)所有权利归属于技术(论文)所有人。仅供学习研究,如用于商业用途,请联系该技术所有人。
我是此专利(论文)的发明人(作者)