CN108596327A - 一种基于深度学习的地震速度谱人工智能拾取方法 - Google Patents

Abstract

本发明提供一种基于深度学习的地震速度谱人工智能拾取方法，基于速度谱具有图像的特点，通过卷积神经网络提取速度谱中能量团的特征，并从提取到的特征中计算出速度谱中能量团所对应的时间‑速度对序列的预测结果；再基于速度谱的时间序列特征，利用循环神经网络提所述取预测结果的时间与速度的关系特征，根据这些关系特征对所述预测结果进行修正，最终得到准确的时间‑速度对序列。本发明的有益效果：自动化程度高，有利于缩减地震资料处理的时间，基本上可以完全解放地震数据处理人员的智力和体力劳动。

Description

一种基于深度学习的地震速度谱人工智能拾取方法

技术领域

本发明涉及地震勘探的地震资料处理技术领域，尤其涉及一种基于深度学习的地震速度谱人工智能拾取方法。

背景技术

速度分析是常规地震资料处理的基础。在常规速度分析方法中，给定一系列相同间隔的速度进行扫描，以叠加能量或相似系数等作为速度分析的准则制作速度谱(图1)。速度谱的能量团对应着强反射信息，能够提供正确的动校正速度。速度拾取的正确与否，会直接影响到油气勘探中动校正、偏移、AVO和时深转换的结果。

目前采用的速度谱拾取方式都是由人工完成，工作效率低，耗时多，容易出现人为误差。因此在地震勘探不断发展以及勘探领域不断扩大的今天，需要处理的地震资料也不断增加，对速度分析中速度谱的拾取效率和精度也提出了更高的要求。

经过对现有技术的检索发现，公开号为CN105445788A的中国专利提供了一种基于模型和全局寻优的速度谱自动解释方法，该方法拾取效率不高，结果常常带有随机性，且易出错。

另外一个中国专利，公开号为CN105572733A，提供了一种地震速度谱自动拾取方法。该方法包括，先将地震数据转换为二维网格数据，然后设置计算时窗，并在计算时窗的区域内确定最大值位置，再定义速度搜索阈值并记录速度谱最大值的位置，连接速度曲线，最后对速度曲线进行插值。该方法需要根据先验知识人为设置合理的计算时窗、速度搜索阈值，没有能实现智能化和自动化。

发明内容

有鉴于此，本发明的实施例提供了一种基于深度学习的地震速度谱人工智能拾取方法。

本发明的实施例提供一种基于深度学习的地震速度谱人工智能拾取方法，基于速度谱具有图像的特点，通过卷积神经网络提取速度谱中能量团的特征，并从提取到的特征中计算出速度谱中能量团所对应的时间-速度对序列的预测结果；再基于速度谱的时间序列特征，利用循环神经网络提所述取预测结果的时间与速度的关系特征，根据这些关系特征对所述预测结果进行修正，最终得到准确的时间-速度对序列。

进一步地，包括如下细化步骤：

A1：将预处理过的原始速度谱及其对应的时间-速度对序列的人工提取值作为训练样本，训练所述卷积神经网络，获得能够预测所述预测结果的卷积神经网络训练模型；

A2：将所述预测结果及原始速度谱的时间-速度对序列的人工提取值作为新的训练样本集，训练所述循环神经网络，获得能够得到准确的时间-速度对序列的循环神经网络训练模型；

A3：将原始速度谱依次输入到所述卷积神经网络训练模型和所述循环神经网络训练模型，得到准确的时间-速度对序列。

进一步地，所述卷积神经网络包括多个卷积层和与所述多个卷积层交叉设置的多个池化层，每一所述池化层位于与之对应的所述卷积层的后面，所述循环神经网络还包括位于最后一个所述池化层后面的多个全连接层，所述多个全连接层前后设置，最后一所述全连接层对应所述神经网络的输出。

进一步地，所述循环神经网络包括输入层、输出层和位于所述输入层和所述输出层之间的隐藏层，所述输入层对应所述卷积神经网络的输出。

进一步地，步骤A1的细化步骤包括：

A1.1：对原始速度谱进行白化预处理，得到速度谱，所述速度谱及其相应的时间-速度对序列构成卷积神经网络的训练数据集；

A1.2：对所述卷积神经网络的训练数据集进行随机洗牌，将该训练集中的数据分组，每组中数据的数量一致，并将各组依次输入所述卷积神经网络中，每组数据依次经过多个所述卷积层；

A1.3：使用滑动窗口，对一所述卷积层上的特征进行提取与融合，得到该卷积层上的卷积特征图，每一所述卷积特征图和与之对应的卷积层的权值相关；

A1.4：所述卷积特征图被输入到与之相邻的后续的所述池化层，所述池化层采用最大池化算法，得到池化特征图，该池化特征图进入与之相邻的后续的另一所述卷积层；

A1.5：重复步骤A1.3和A1.4，直至数据进入最后一所述卷积层，最后一所述卷积层内插有Dropout层，所述Dropout层用于随机的让经过所述Dropout层的池化特征图的值为零，以减轻网络过拟合现象，然后该卷积层生成最后一卷积特征图，该卷积特征图最终被最后一所述池化层池化而生成池化特征图；

A1.6：基于不同池化层的池化特征图对速度谱的能量团的区域位置进行多次分类识别，筛选出真正的所述能量团的位置，并利用全连接层对能量团的峰值进行多次检测和推断，得到的能量团峰值的实际位置，即是速度谱的时间-速度对序列的预测结果；

A1.7：计算卷积神经网络的代价函数，判断最后一所述全连接层的代价函数是否收敛，若收敛则完成卷积神经网络的训练，并将时间-速度对序列的预测结果输出，否则进行下一步；

A1.8：利用反向传导算法，计算卷积神经网络中各层代价函数的梯度值，利用基于动量的随机梯度下降算法，根据得到的各层梯度来计算卷积神经网络各层的误差灵敏度，用每一层的误差灵敏度更新该层的权值；

A1.8：返回步骤1.2。

进一步地，步骤A2的细化步骤包括：

A2.1：所述预测结果及原始速度谱的时间-速度对序列的人工提取值构成循环神经网络的训练样本集，将循环神经网络的训练样本集输入到所述循环神经网络中；

A2.2：所述循环神经网络通过其神经元提取所述预测结果中的时间与速度的关系特征，此关系特征与相应层的权值相关，利用此关系特征从而得到更为准确的时间-速度对序列；

A2.3：计算卷积神经网络的代价函数，判断所述输出层的代价函数是否收敛，若收敛则完成循环神经网络的训练，否则进行下一步；

A2.4：利用反向传导算法，计算循环神经网络中各层代价函数的梯度值，利用Adam学习率自适应的算法，根据各层梯度值来计算循环神经网络中各层的误差灵敏度，用每一层的误差灵敏度更新该层的权值；

A2.5：重复步骤A2.2。

进一步地，所述循环神经网络的训练样本集形成于所述循环神经网络的输入层，所述循环神经网络的隐藏层用于对所述预测结果进行修正，其输出层用于输出更为准确的时间-速度对序列，所述循环神经网络是长短期记忆网络结构，该结构包括遗忘门、输入门、输出门和细胞状态。

进一步地，步骤A3的细化步骤包括：

A3.1：对原始速度谱进行白化预处理；

A3.2：将预处理后的速度谱输入到所述卷积神经网络训练模型，得到的处理后的速度谱中能量团对应的位置即是处理后的速度谱的时间-速度对序列的预测结果；

A3.3：将处理后的速度谱的时间-速度对序列的预测结果输入到所述循环神经网络训练模型，所述循环神经网络训练模型对所述预测结果进行修正，最后输出准确的时间-速度对序列；

A3.4：组合多张同一测线不同位置的速度谱智能拾取结果，经过插值形成叠加速度剖面。

本发明的实施例提供的技术方案带来的有益效果是：本发明所述的基于深度学习的地震速度谱人工智能拾取方法，(1)采用本发明所述的基于深度学习的地震速度谱人工智能拾取方法能够对地震速度谱进行人工智能拾取，对经过训练后得到的卷积神经网络训练模型和循环神经网络训练模型，输入相应的原始地震速度谱数据，即可获取准确的时间-速度对序列，期间不需要任何人工干预，自动化程度高；(2)本发明在训练模型时需要花费大量时间；在训练完成后，通过向训练模型中输入原始速度谱数据，就可自动和快速的得到时间-速度曲线，有利于缩减地震资料处理的时间，基本上可以完全解放地震数据处理人员的智力和体力劳动。

附图说明

图1是现有的地震速度谱；

图2是本发明的卷积神经网络和循环神经网络的结构图；

图3是本发明速度谱拾取结果对比示意图；

图4是本发明的基于深度学习的地震速度谱人工智能拾取方法的框架图。

具体实施方式

为使本发明的目的、技术方案和优点更加清楚，下面将结合附图对本发明实施方式作进一步地描述。

请参考图2和图4，本发明的实施例提供了一种基于深度学习的地震速度谱人工智能拾取方法，该方法主要分为学习和智能拾取两个阶段，其中学习阶段主要是训练卷积神经网络以得到卷积神经网络训练模型和训练循环神经网络以得到循环神经网络训练模型；智能拾取阶段主要是利用所述卷积神经网络训练模型和所述循环神经网络训练模型得到原始速度谱中准确的时间-速度对序列。

本发明所述的基于深度学习的地震速度谱人工智能拾取方法，基于速度谱具有图像的特点，通过所述卷积神经网络训练模型提取速度谱中能量团的特征，并从提取到的特征中计算出速度谱中能量团所对应的时间-速度对序列的预测结果；再基于速度谱的时间序列特征，利用所述循环神经网络训练模型提所述取预测结果的时间与速度的关系特征，根据这些关系特征对所述预测结果进行修正，最终得到准确的时间-速度对序列。

具体的，所述学习阶段包括：

A1：将预处理过的原始速度谱及其对应的时间-速度对序列的人工提取值作为训练样本，训练所述卷积神经网络，获得能够预测所述预测结果的卷积神经网络训练模型。

请参考图2，所述卷积神经网络包括多个卷积层和与所述多个卷积层交叉设置的多个池化层，每一所述池化层位于与之对应的所述卷积层的后面，所述循环神经网络还包括位于最后一个所述池化层后面的多个全连接层，所述多个全连接层前后设置，最后一所述全连接层对应所述神经网络的输出。

在本实施例中，所述卷积神经网络至少包括4个所述卷积层、4个所述池化层，3个所述全连接层。

所述卷积神经网络具体结构为：

第一层为卷积层，该层使用16个卷积核，卷积核窗口大小为3×3个网格，移动步长设置为2，激活函数设置为ReLU函数，输出16个卷积特征图；

第二层为池化层，该层的核窗口大小为2×2个网格，移动步长设置为2，卷积特征图在经过池化层之后，得到的池化特征图的大小变为原来的四分之一，特征图的数量不发生改变，输出16个池化特征图；

第三层为卷积层，该层使用32个卷积核，卷积核窗口大小为3×3个网格，移动步长设置为2，激活函数设置为ReLU函数，输出32个卷积特征图；

第四层为池化层，该层的核窗口大小为2×2个网格，移动步长设置为2，输出32个池化特征图；

第五层为卷积层，该层使用64个卷积核，卷积核窗口大小为3×3个网格，移动步长设置为2，激活函数设置为ReLU函数，输出64个卷积特征图；

第六层为池化层，该层的核窗口大小为2×2个网格，移动步长设置为2，输出64个池化特征图；

第七层为卷积层，该层使用256个卷积核，卷积核窗口大小为3×3个网格，移动步长设置为2，激活函数设置为ReLU函数，同时添加Dropout层，输出256个卷积特征图；

第八层为池化层，该层的核窗口大小为2×2个网格，移动步长设置为2，输出256个池化特征图；

第九层为全连接层，该层设置256个神经元；

第十层为全连接层，该层设置1024个神经元；

第十一层为全连接层，该层的神经元个数与速度谱中时间-速度对、能量团个数相对应。

训练所述卷积神经网络的过程为：

A1.1：对原始速度谱进行白化预处理，得到速度谱，所述速度谱及其相应的时间-速度对序列构成卷积神经网络的训练数据集。

白化预处理所述原始速度谱的过程为：设置原始速度谱网格点的振幅阈值，当其中一网格点的振幅值小于该阈值时，将该网格点的振幅值置于零，从而得到预处理后速度谱。人工提取处理后的速度谱的时间-速度对序列，人工提取的该时间-速度对序列为估测值，准确度相对不高。

A1.2：对所述卷积神经网络的训练数据集进行随机洗牌，将该训练集中的数据分组，每组中数据的数量一致，并将各组依次输入所述卷积神经网络中，每组数据依次经过多个所述卷积层。

A1.3：使用滑动窗口，对一所述卷积层上的特征进行提取与融合，得到该卷积层上的卷积特征图，每一所述卷积特征图和与之对应的卷积层的权值相关。

卷积层的前向实现过程为：

a_i，k＝f(x_i*W_k+b_k) (1)

其中，a_i，k是经过卷积层中第k个卷积核对输入的训练集的第i张速度谱数据x_i进行卷积处理得到的卷积特征图，*表示卷积运算，W_k表示第k个卷积的权值，b_k为第k个卷积核对应的阈值，f(·)为ReLU型激活函数：

f(x)＝max(0，x) (2)

从根据公式(2)可以看出，当x小于等于零时，函数值为零；当x大于零时，函数值仍为x。

A1.4：所述卷积特征图被输入到与之相邻的后续的所述池化层，所述池化层采用最大池化算法，得到池化特征图，该池化特征图进入与之相邻的后续的另一所述卷积层。

卷积层产生的卷积特征图被输入到池化层，池化层采用最大池化，池化维度设为2，移动步长为2，则卷积特征图在经过池化层之后得到的池化特征图的大小变为原来的四分之一，特征图数量不变。最大池化采用以下公式：

c_j＝maxpool(a_i，k) (3)

其中，c_j为池化层产生的第j张池化特征图。

A1.5：重复步骤A1.3和A1.4，直至数据进入最后一所述卷积层，最后一所述卷积层内插有Dropout层，所述Dropout层用于随机的让经过所述Dropout层的池化特征图的值为零，以减轻网络过拟合现象，然后该卷积层生成最后一卷积特征图，该卷积特征图最终被最后一所述池化层池化而生成池化特征图。

随机让经过Dropout层的池化特征图设置为零的计算过程为：

Dropout(x)＝RandomZero(p)×x (4)

其中，RandomZero(p)表示以设置的概率p使得该层的数据矩阵x中的值置为0，Dropout(x)表示训练阶段经过Dropout层后得到的数据矩阵。

A1.6：基于不同池化层的池化特征图对速度谱的能量团的区域位置进行多次分类识别，筛选出真正的所述能量团的位置，并利用全连接层对能量团的峰值进行多次检测和推断，得到的能量团峰值的实际位置，即是速度谱的时间-速度对序列的预测结果。

其中全连接层的前向计算过程为：

a_i，l＝f(W_la_i，l-1+b_l) (5)

式中，a_i，l表示经过全连接层后第i张速度谱数据的特征向量，该特征向量中含有能量团峰值的实际位置。

A1.7：计算卷积神经网络的代价函数，判断最后一所述全连接层的代价函数是否收敛，若收敛则完成卷积神经网络的训练，并将时间-速度对序列的预测结果输出，否则进行下一步。

卷积神经网络的代价函数的计算公式为：

其中，y_i表示x_i对应的目标，f(·)表示所有卷积层的前向计算的函数，L(·)表示损失函数，m为输入向量的个数，θ表示卷积神经网络的参数。

A1.8：利用反向传导算法，计算卷积神经网络中各层代价函数的梯度值，利用基于动量的随机梯度下降算法，根据得到的各层梯度来计算卷积神经网络各层的误差灵敏度，用每一层的误差灵敏度更新该层的权值。

如果当前l层是全连接层，则当前l层的残差计算公式为：

δ_l＝(W_l)^Tδ_l+1f′(a_l) (7)

参数W_l的梯度计算公式为：

参数b的梯度计算公式为：

其中，δ_l+1是网络中第l+1层的残差，J(W，b；x，y)为代价函数，W，b，x，y分别表示权值、阈值、训练输入以及对应目标，T是矩阵转置。

如果当前l层是卷积层，则当前l层的残差计算公式为：

δ_l＝δ_l+1*rot180(W_l)f′(a_l) (10)

其中，rot180(W_l)表示W_l需要旋转180度。

如果当前l层是池化层，则当前l层的残差计算公式为：

δ_l＝upsample((W_l)^Tδ_l+1)f′(a_l) (11)

其中,upsample(·)函数表示对池化误差矩阵的放大和误差重新分配的函数。

动量的随机梯度下降算法的更新公式为：

其中，表示由训练集中x，y计算得到的参数θ的梯度，α为学习率，γ为动量参数，v_t是当前的速度向量，v_t-1是上一轮迭代中的速度向量。a初始设置为0.1，v_t初始设置为0，γ在区间(0,1)之间，在训练初始阶段将γ设置为0.5，以后随着迭代次数增加变大。

A1.8：返回步骤1.2。

A2：将所述预测结果及原始速度谱的时间-速度对序列的人工提取值作为新的训练样本集，训练所述循环神经网络，获得能够得到准确的时间-速度对序列的循环神经网络训练模型。

所述循环神经网络包括输入层、输出层和位于所述输入层和所述输出层之间的隐藏层，所述输入层对应所述卷积神经网络的输出。所述输入层向量维度与卷积神经网络的输出相对应；所述隐藏层使用至少20个神经元；所述输出层为时间-速度对，与卷积神经网络第十一层的神经元个数相同。

训练所述循环神经网络的过程为：

A2.1：所述预测结果及原始速度谱的时间-速度对序列的人工提取值构成循环神经网络的训练样本集，将循环神经网络的训练样本集输入到所述循环神经网络中。

A2.2：所述循环神经网络通过其神经元提取所述预测结果中的时间与速度的关系特征，此关系特征与相应层的权值相关，利用此关系特征从而得到更为准确的时间-速度对序列。

这里的循环神经网络是长短期记忆(LSTM)网络结构，该结构包括遗忘门、输入门、输出门和细胞状态，其前向计算公式为：

f^(t)＝σ(W_fh^(t-1)+U_fx^(t)+b_f) (13)

i^(t)＝σ(W_ih^(t-1)+U_ix^(t)+b_i) (14)

a^(t)＝tanh(W_ah^(t-1)+U_ax^(t)+b_a) (15)

C^(t)＝C^(t-1)⊙f^(t)+i^(t)⊙a^(t) (16)

o^(t)＝σ(W_oh^(t-1)+U_ox^(t)+b_o) (17)

h^(t)＝o^(t)⊙tanh(C^(t)) (18)

其中，式(13)为LSTM遗忘门的数学表达式，f^(t)表示遗忘上一层隐藏细胞状态的概率，h^(t-1)表示上一序列的隐藏状态，x^(t)表示当前序列的输入，W_f，U_f，b_f分别为权重矩阵和偏置向量，σ为sigmoid激活函数。

LSTM输入门有两部分组成，式(14)、(15)分别为这两部分的数学表达式。i^(t)，a^(t)分别表示两部分的输出。W_i和U_i表示输入门的权重矩阵，b_i表示输入门的偏置向量，W_a和U_a表示输入门的权重矩阵，b_a表示输入门的偏置向量。

式(16)为更新细胞状态的数学表达式，其中C^(t)表示当前的细胞状态，C^(t-1)表示上一序列的细胞状态，⊙表示Hadamard积。

式(17)、(18)表示输出门的两部分的数学表达式，第一部分是o^(t)，即一个隐藏神经元，它由上一序列的隐藏状态h^(t-1)和当前序列的输入向量以及激活函数sigmoid得到，第二部分h^(t)表示当前隐藏状态，它由当前细胞状态C^(t)、tanh激活函数及o^(t)组成。隐藏神经元和隐藏状态隐藏的是速度、时间信息。

式(19)为更新当前序列的预测输出的数学表达式。为当前序列的预测输出，V和c分别表示预测输出的权重矩阵和偏置向量。

A2.3：计算卷积神经网络的代价函数，判断所述输出层的代价函数是否收敛，若收敛则完成循环神经网络的训练，否则进行下一步。

A2.4：利用反向传导算法，计算循环神经网络中各层代价函数的梯度值，利用Adam学习率自适应的算法，根据各层梯度值来计算循环神经网络中各层的误差灵敏度，用每一层的误差灵敏度更新该层的权值。

梯度值更新公式为：

式(20)表示隐藏状态h^(t)的梯度计算表达式,为隐藏状态h^(t)的梯度值，L表示代价函数，式(21)表示细胞状态C^(t)的梯度计算表达式，为细胞状态C^(t)的梯度值。式(22)表示遗忘门中权重矩阵W_f的梯度更新表达式：

其中，τ表示当前序列的索引值，其它参数的梯度更新表达式与式(22)类似。

Adam学习率自适应算法的更新公式为：

其中，η表示步长,设置为0.001，∈用于数值稳定的常数，设置为10-8，，表示v_t一阶矩估计的修正值，表示m_t二阶矩估计的修正值，v_t和m_t如下：

v_t＝ρ₁v_t-1+(1-ρ₁)L

m_t＝ρ₂m_t-1+(1-ρ₂)L⊙L

其中，ρ₁表示一阶矩估计的指数衰减率，ρ₂表示二阶矩估计的指数衰减率，ρ₁和ρ₂在区间[0,1)内，L表示代价函数，⊙表示Hadamard积。

A2.5：重复步骤A2.2。

所述智能拾取阶段包括：

A3：将原始速度谱依次输入到所述卷积神经网络训练模型和所述循环神经网络训练模型，得到准确的时间-速度对序列。

具体为：

A3.1：对原始速度谱进行白化预处理。

A3.2：将预处理后的速度谱输入到所述卷积神经网络训练模型，得到的处理后的速度谱中能量团对应的位置即是处理后的速度谱的时间-速度对序列的预测结果。

A3.3：将处理后的速度谱的时间-速度对序列的预测结果输入到所述循环神经网络训练模型，所述循环神经网络训练模型对所述预测结果进行修正，最后输出准确的时间-速度对序列。

A3.4：组合多张同一测线不同位置的速度谱智能拾取结果，经过插值形成叠加速度剖面。

图1是现有的地震速度谱，图3是本发明速度谱拾取结果对比示意图。

在本文中，所涉及的前、后、上、下等方位词是以附图中零部件位于图中以及零部件相互之间的位置来定义的，只是为了表达技术方案的清楚及方便。应当理解，所述方位词的使用不应限制本申请请求保护的范围。

在不冲突的情况下，本文中上述实施例及实施例中的特征可以相互结合。

以上所述仅为本发明的较佳实施例，并不用以限制本发明，凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (8)

1.一种基于深度学习的地震速度谱人工智能拾取方法，其特征在于：基于速度谱具有图像的特点，通过卷积神经网络提取速度谱中能量团的特征，并从提取到的特征中计算出速度谱中能量团所对应的时间-速度对序列的预测结果；再基于速度谱的时间序列特征，利用循环神经网络提所述取预测结果的时间与速度的关系特征，根据这些关系特征对所述预测结果进行修正，最终得到准确的时间-速度对序列。

2.如权利要求1所述的基于深度学习的地震速度谱人工智能拾取方法，其特征在于：包括如下细化步骤：

A1：将预处理过的原始速度谱及其对应的时间-速度对序列的人工提取值作为训练样本，训练所述卷积神经网络，获得能够预测所述预测结果的卷积神经网络训练模型；

A2：将所述预测结果及原始速度谱的时间-速度对序列的人工提取值作为新的训练样本集，训练所述循环神经网络，获得能够得到准确的时间-速度对序列的循环神经网络训练模型；

A3：将原始速度谱依次输入到所述卷积神经网络训练模型和所述循环神经网络训练模型，得到准确的时间-速度对序列。

3.如权利要求2所述的基于深度学习的地震速度谱人工智能拾取方法，其特征在于：所述卷积神经网络包括多个卷积层和与所述多个卷积层交叉设置的多个池化层，每一所述池化层位于与之对应的所述卷积层的后面，所述循环神经网络还包括位于最后一个所述池化层后面的多个全连接层，所述多个全连接层前后设置，最后一所述全连接层对应所述神经网络的输出。

4.如权利要求3所述的基于深度学习的地震速度谱人工智能拾取方法，其特征在于：所述循环神经网络包括输入层、输出层和位于所述输入层和所述输出层之间的隐藏层，所述输入层对应所述卷积神经网络的输出。

5.如权利要求4所述的基于深度学习的地震速度谱人工智能拾取方法，其特征在于：步骤A1的细化步骤包括：

A1.1：对原始速度谱进行白化预处理，得到速度谱，所述速度谱及其相应的时间-速度对序列构成卷积神经网络的训练数据集；

A1.2：对所述卷积神经网络的训练数据集进行随机洗牌，将该训练集中的数据分组，每组中数据的数量一致，并将各组依次输入所述卷积神经网络中，每组数据依次经过多个所述卷积层；

A1.3：使用滑动窗口，对一所述卷积层上的特征进行提取与融合，得到该卷积层上的卷积特征图，每一所述卷积特征图和与之对应的卷积层的权值相关；

A1.4：所述卷积特征图被输入到与之相邻的后续的所述池化层，所述池化层采用最大池化算法，得到池化特征图，该池化特征图进入与之相邻的后续的另一所述卷积层；

A1.5：重复步骤A1.3和A1.4，直至数据进入最后一所述卷积层，最后一所述卷积层内插有Dropout层，所述Dropout层用于随机的让经过所述Dropout层的池化特征图的值为零，以减轻网络过拟合现象，然后该卷积层生成最后一卷积特征图，该卷积特征图最终被最后一所述池化层池化而生成池化特征图；

A1.6：基于不同池化层的池化特征图对速度谱的能量团的区域位置进行多次分类识别，筛选出真正的所述能量团的位置，并利用全连接层对能量团的峰值进行多次检测和推断，得到的能量团峰值的实际位置，即是速度谱的时间-速度对序列的预测结果；

A1.7：计算卷积神经网络的代价函数，判断最后一所述全连接层的代价函数是否收敛，若收敛则完成卷积神经网络的训练，并将时间-速度对序列的预测结果输出，否则进行下一步；

A1.8：利用反向传导算法，计算卷积神经网络中各层代价函数的梯度值，利用基于动量的随机梯度下降算法，根据得到的各层梯度来计算卷积神经网络各层的误差灵敏度，用每一层的误差灵敏度更新该层的权值；

A1.8：返回步骤1.2。

6.如权利要求4所述的基于深度学习的地震速度谱人工智能拾取方法，其特征在于：步骤A2的细化步骤包括：

A2.1：所述预测结果及原始速度谱的时间-速度对序列的人工提取值构成循环神经网络的训练样本集，将循环神经网络的训练样本集输入到所述循环神经网络中；

A2.2：所述循环神经网络通过其神经元提取所述预测结果中的时间与速度的关系特征，此关系特征与相应层的权值相关，利用此关系特征从而得到更为准确的时间-速度对序列；

A2.3：计算卷积神经网络的代价函数，判断所述输出层的代价函数是否收敛，若收敛则完成循环神经网络的训练，否则进行下一步；

A2.4：利用反向传导算法，计算循环神经网络中各层代价函数的梯度值，利用Adam学习率自适应的算法，根据各层梯度值来计算循环神经网络中各层的误差灵敏度，用每一层的误差灵敏度更新该层的权值；

A2.5：重复步骤A2.2。

7.如权利要求6所述的基于深度学习的地震速度谱人工智能拾取方法，其特征在于：所述循环神经网络的训练样本集形成于所述循环神经网络的输入层，所述循环神经网络的隐藏层用于对所述预测结果进行修正，其输出层用于输出更为准确的时间-速度对序列，所述循环神经网络是长短期记忆网络结构，该结构包括遗忘门、输入门、输出门和细胞状态。

8.如权利要求4所述的基于深度学习的地震速度谱人工智能拾取方法，其特征在于：步骤A3的细化步骤包括：

A3.1：对原始速度谱进行白化预处理；

A3.2：将预处理后的速度谱输入到所述卷积神经网络训练模型，得到的处理后的速度谱中能量团对应的位置即是处理后的速度谱的时间-速度对序列的预测结果；

A3.3：将处理后的速度谱的时间-速度对序列的预测结果输入到所述循环神经网络训练模型，所述循环神经网络训练模型对所述预测结果进行修正，最后输出准确的时间-速度对序列；

A3.4：组合多张同一测线不同位置的速度谱智能拾取结果，经过插值形成叠加速度剖面。