技术新讯 > 测量装置的制造及其应用技术 > 基于谱归一化的压缩激励ResUnet网络地震数据去噪方法及系统  >  正文

基于谱归一化的压缩激励ResUnet网络地震数据去噪方法及系统

  • 国知局
  • 2024-10-21 15:12:52

本发明属于油气勘探及地震资料处理,提供了一种基于谱归一化的压缩激励resunet网络地震数据去噪方法及系统。

背景技术:

1、在采集地震资料的过程中,各种干扰无法避免,导致地震资料中含有噪声,影响了后续解释结果的准确性。随机噪声会影响地震记录的质量,并对avo分析和解释等后续步骤产生不良影响。要获得可靠的解释结果,必须抑制随机噪声。因此,噪声压制具有重要意义。

2、基于resunet网络的地震数据去噪方法是基于深度学习地震数据去噪的重要方法之一。该方法利用加噪的地震数据制作训练集对网络进行训练,并利用训练好的网络对缺失地震数据进行去噪处理。resunet网络不仅有助于防止过度拟合,还能更有效地去除随机噪声。但是传统resunet网络存在训练不稳定以及不能很好的处理细节信息的问题,这就会影响网络的训练效果,进而影响去噪的结果。

3、因此,现有技术中,基于resunet网络的地震数据去噪方法存在如下技术问题:

4、resunet网络存在训练不稳定以及不能很好的处理细节信息的问题,训练得到的神经网络不能稳定地处理数据,即处理结果质量难以保障。

技术实现思路

1、针对上述研究的问题,本发明的目的在于提供一种基于谱归一化以及压缩-激励resunet网络的地震数据去噪方法及系统,解决现有技术中的resunet网络在训练中存在训练不稳定的问题以及不能很好的处理细节信息的问题。

2、为了达到上述目的,本发明采用如下技术方案:

3、本发明提供了一种基于谱归一化的压缩激励resunet网络地震数据去噪方法,包括以下步骤:

4、步骤1:获取地震数据,并构成训练集和验证集,其中,地震数据为地震炮集记录;

5、步骤2:获取预设的基于谱归一化的压缩激励resunet网络;

6、步骤3:基于训练集和验证集训练和验证基于谱归一化的压缩激励resunet网络;

7、步骤4:基于训练好的压缩激励resunet网络对待去噪的地震数据进行去噪。

8、上述技术方案中,所述步骤1包括如下步骤:

9、步骤1.1:进行基于波动方程的正演数值模拟得到地震记录;

10、步骤1.2:将步骤1.1得到的所有地震记录合并得到一个大的地震数据合集,再将其生成两个副本,其中,副本1为加入随机噪声的地震记录,副本2为对应的无噪声数据,即目标数据;

11、步骤1.3:将副本1和副本2用预设大小的网格随机选取多对数据组成训练对集a,最后将训练对集a作为最终的训练集和验证集。

12、上述技术方案中,所述步骤2中预设的基于谱归一化的压缩激励resunet网络包括依次连接的输入层、编码器模块、解码器模块和输出层,

13、其中编码器模块:包括由五个残差模块和下采样层相连接的编码器,每一个编码器为一层,每一层包括一个残差模块,残差模块包括两个卷积层、两个批归一化层、激活函数和用于将输入特征图直接加到第二个卷积层的输出上一个残差连接,残差连接包括一个用于捕捉特征图像的卷积层,在编码器的第二、第三和第四层中的残差模块后添加有一个压缩激励模块,第五层的两个卷积层外分别添加了一个频谱归一化层,

14、残差模块对输入的特征图进行卷积操作,以保留细节特征和信息,通过特征提取和残差连接的方式,逐步降低特征图的尺寸,同时保留重要信息;

15、压缩激励模块在每个残差模块之后,用于对不同通道的特征进行加权,以增强关键特征,同时抑制噪声;

16、在第五层两个卷积层:两个卷积层外分别添加了一个频谱归一化层,用于增强网络的稳定性,提高网络的泛化性能,在模型拟合和泛化之间实现更好的平衡;

17、解码器模块包括:包括五个残差模块和上采样层相连接的解码器,每个解码器包括一个残差模块和一个上采样层。

18、上述技术方案中,压缩激励模块,对不同通道的权重信息进行处理,压缩激励处理的具体步骤为:

19、首先,输入的特征图x通过变换操作生成特征图u,ftr是卷积操作:

20、″′

21、ftr: x→u,x∈rw*h*c,u∈rw*h*c                (1)

22、其中r表示实数集,w、w′表示宽度,h、h′表示高度,c、c′表示通道数,卷积公式如下:

23、

24、其中vc表示第c个卷积核,xs表示当前卷积核覆盖的第s个输入,uc表示第s个输出,k表示卷积核的个数,这一操作产生了维数为w*h*c的特征图u,然后,通过挤压操作(fsq)获得全局信息,fsq操作是一种全局平均池化操作,其公式如下:

25、

26、其中zc表示该层的c个通道的平均值,为了得到每个通道的权重,需要使用两个线性层来处理zc,即:

27、s=sigmoid(w2*relu(w1z))                   (4)

28、其中z表示每层的通道平均值,w1,w2表示线性层,s用于表示每个通道的权重,这两个全连接层的作用是融合通道的特征图信息,最后,使用生成的权重s对特征图u进行加权,通过fscalc操作获得特征图即:

29、

30、其中sc表示该通道的权重,u表示卷积操作的输出特征图;

31、在第五层的每个卷积层外添加了一个频谱归一化层,对第五层的频谱进行归一化处理,谱归一化处理的具体步骤为:

32、对每一层卷积层g:hin→hout的谱范数施加约束,h表示隐藏层的节点个数,hin表示输入层的隐层节点数,hout表示输出层的隐层节点数,根据定义,lipschitz范数代表梯度,sup代表最小上界,σ(a)是矩阵a的谱范数,a代表特定层的权重矩阵,式(6)中等于矩阵a的最大奇异值,适用于一个具有线性关系的方程,其中,σ表示谱范数,w表示权重矩阵,‖·‖2表示l2范数:

33、σ(a):=max‖h‖2≤1∥ah∥2                   (6)

34、

35、其中,:=表示定义为;

36、频谱归一化层中激活函数满足‖a‖lip=1,其中,a表示激活函数的输出,激活函数为relu函数:

37、

38、其中,wl表示第l层的权重矩阵,l表示网络的第l层,l代表神经网络的层数,f表示激活函数relu的输出,根据式(6)-(9),对权重矩阵w的谱范数进行归一化,从而需要满足lipschitz约束σ(w)=1,而是w的归一化,即:

39、

40、将正则化技术中使用的判别器每层的谱范数σ(a)定义为权重矩阵w的最大奇异值,即为σ(w),并采用幂迭代法求解σ(w),使其满足lipschitz约束σ(w)=1;

41、

42、其中,表示左奇异向量,表示右奇异向量,t表示转置。

43、本发明提供了一种基于谱归一化的压缩激励resunet网络的地震数据去噪系统,包括:

44、采集模块:获取地震数据,并构成训练集和验证集,其中,地震数据为地震炮集记录;

45、网络生成模块:获取预设的基于谱归一化的压缩激励resunet网络;

46、训练模块:基于训练集和验证集训练和验证基于谱归一化的压缩激励resunet网络;

47、去噪模块:基于训练好的基于谱归一化的压缩激励resunet网络对待去噪的地震数据进行去噪。

48、上述系统中,所述采集模块具体实现步骤为:

49、步骤1.1:进行基于波动方程的正演数值模拟得到地震记录;

50、步骤1.2:将步骤1.1得到的所有地震记录合并得到一个大的地震数据合集,再将其生成两个副本,其中,副本1为加入随机噪声的地震记录,副本2为对应的无噪声数据,即目标数据;

51、步骤1.3:将副本1和副本2用256×512的网格随机选取8000对数据组成训练对集a,最后将训练对集a作为最终的训练集和验证集。

52、上述系统中,基于谱归一化的压缩激励resunet网络包括依次连接的输入层、编码器模块、解码器模块和输出层,

53、其中编码器模块:包括由五个残差模块和下采样层相连接的编码器,每一个编码器为一层,每一层包括一个残差模块,残差模块包括两个卷积层、两个批归一化层、激活函数和用于将输入特征图直接加到第二个卷积层的输出上一个残差连接,残差连接包括一个用于捕捉特征图像的卷积层,在编码器的第二、第三和第四层中的残差模块后添加有一个压缩激励模块,第五层的两个卷积层外分别添加了一个频谱归一化层,

54、残差模块对输入的特征图进行卷积操作,以保留细节特征和信息,通过特征提取和残差连接的方式,逐步降低特征图的尺寸,同时保留重要信息;

55、压缩激励模块在每个残差模块之后,用于对不同通道的特征进行加权,以增强关键特征,同时抑制噪声;

56、在第五层两个卷积层:两个卷积层外分别添加了一个频谱归一化层,用于增强网络的稳定性,提高网络的泛化性能,在模型拟合和泛化之间实现更好的平衡;

57、解码器模块包括:包括五个残差模块和上采样层相连接的解码器,每个解码器包括一个残差模块和一个上采样层。

58、上述系统中,压缩激励模块,对不同通道的权重信息进行处理,压缩激励处理的具体步骤为:

59、首先,输入的特征图x通过变换操作生成特征图u,ftr是卷积操作:

60、″′

61、ftr: x→u,x∈rw*h*c,u∈rw*h*c                (1)

62、其中r表示实数集,w、w′表示宽度,h、h′表示高度,c、c′表示通道数,卷积公式如下:

63、

64、其中vc表示第c个卷积核,xs表示当前卷积核覆盖的第s个输入,uc表示第s个输出,k表示卷积核的个数,这一操作产生了维数为w*h*c的特征图u,然后,通过挤压操作(fsq)获得全局信息,fsq操作是一种全局平均池化操作,其公式如下:

65、

66、其中zc表示该层的c个通道的平均值,为了得到每个通道的权重,需要使用两个线性层来处理zc,即:

67、s=sigmoid(w2*relu(w1z))                   (4)

68、其中z表示每层的通道平均值,w1,w2表示线性层,s用于表示每个通道的权重,这两个全连接层的作用是融合通道的特征图信息,最后,使用生成的权重

69、s对特征图u进行加权,通过fscale操作获得特征图即:

70、

71、其中sc表示该通道的权重,u表示卷积操作的输出特征图;

72、在第五层的每个卷积层外添加了一个频谱归一化层,对第五层的频谱进行归一化处理,谱归一化处理的具体步骤为:

73、对每一层卷积层g:hin→hout的谱范数施加约束,h表示隐藏层的节点个数,hin表示输入层的隐层节点数,hout表示输出层的隐层节点数,根据定义,lipschitz范数代表梯度,sup代表最小上界,σ(a)是矩阵a的谱范数,a代表特定层的权重矩阵,式(6)中等于矩阵a的最大奇异值,适用于一个具有线性关系的方程,其中,σ表示谱范数,w表示权重矩阵,‖·‖2表示l2范数:

74、σ(a):=max‖h‖2≤1∥ah∥2                   (6)

75、

76、其中,:=表示定义为;

77、频谱归一化层中激活函数满足‖a‖lip=1,其中,a表示激活函数的输出,激活函数为relu函数:

78、

79、其中,wl表示第l层的权重矩阵,l表示网络的第l层,l代表神经网络的层数,f表示激活函数relu的输出,根据式(6)-(9),对权重矩阵w的谱范数进行归一化,从而需要满足lipschitz约束σ(w)=1,而是w的归一化,即:

80、

81、将正则化技术中使用的判别器每层的谱范数σ(a)定义为权重矩阵w的最大奇异值,即为σ(w),并采用幂迭代法求解σ(w),使其满足lipschitz约束σ(w)=1;

82、

83、其中,表示左奇异向量,表示右奇异向量,t表示转置。

84、本发明同现有技术相比,其有益效果表现在:

85、利用基于谱归一化的压缩激励resunet网络对地震数据进行去噪处理。在resunet的基础上,增加了频谱归一化层和压缩激励模块。压缩激励模块通过学习每个通道的重要性,明确地模拟了特征通道之间的相互依存关系。它根据每个通道上特征各自的重要性对其进行加权,然后突出关键特征,达到了提高地震数据去噪信噪比的效果。频谱归一化层分解权重矩阵的特征值,然后将其归一化。在优化神经网络的过程中,参数变化也更加稳定,不易发生梯度爆炸,显著提高了生成对抗网络的去噪性能。即改进后得到的谱归一化的压缩激励resunet网络技术,实现最大限度地保存权重矩阵信息;使用压缩激励模块在实现分割图像提取功能的同时,保留图像的细节信息。通过对网络性能的改进最终使得本发明达到了提高地震数据去噪信噪比的效果。

本文地址:https://www.jishuxx.com/zhuanli/20241021/320882.html

版权声明:本文内容由互联网用户自发贡献,该文观点仅代表作者本人。本站仅提供信息存储空间服务,不拥有所有权,不承担相关法律责任。如发现本站有涉嫌抄袭侵权/违法违规的内容, 请发送邮件至 YYfuon@163.com 举报,一经查实,本站将立刻删除。