CN110045419B - 一种感知器残差自编码网络地震资料去噪方法 - Google Patents

Abstract

本发明公开了一种感知器残差自编码网络地震资料去噪方法，为了克服传统去噪方法在泛化能力和去噪保真度等方面均无法满足高精度勘探要求，本发明将卷积自编码网络编码重构后的特征数据，经以多层感知器卷积层、多尺度层、BN层和自编码器组成的多层感知器残差卷积自编码块后再由解码部分输出，并与优化后的卷积核相结合，提出了基于深度学习的感知器残差自编码网络地震资料去噪方法。本发明公开的地震资料去噪方法在完整保留地震资料局部细节和不产生假象的情况下，仍能同时去除多次波和随机噪声。

Description

一种感知器残差自编码网络地震资料去噪方法

技术领域

本发明涉及深度学习技术领域，具体涉及地震资料去噪中的一种感知器残差自编码网络地震资料去噪方法。

背景技术

地震资料噪声可分为相干噪声和随机噪声，传统去噪需根据信号和噪声的特征差异，选取不同的方法进行去噪。传统去除多次波的方法可分为两类，一类为基于有效波和多次波之间差异的滤波方法，其中较为常用的有Radon变换法和预测反褶积法，另一类为基于波动理论的方法，其中波动方程外推法和反馈法较为常用，Radon变换去噪同时会产生较多假象；预测反褶积法比较依赖参数设置；波动方程外推法和反馈法，具有较好的去噪效果，但计算量较大，无法大量运用于地震资料去噪。传统去随机噪声常用的方法有：多项式拟合法、K-L变换法、Curvelet变换、小波变换法等，多项式拟合法只有在去除相干噪声的后才有好的去噪效果；K-L变换法只有当样本充足时，矩阵的估计才会变得精确；小波变换法去噪时忽略每个像素的特点，去噪的同时会产生模糊现象；Curvelet变换克服了傅里叶变换和小波变换的缺点，可以保持地震数据边缘和纹理细节信息，但会过度消除部分Curvelet变换系数，去噪同时会产生伪影。

为了克服传统浅层去噪模型的局限性，基于深度学习的非线性、深度的去噪模型被提出。其中基于自编码(Auto-Encoder，AE)网络、卷积神经网络(Convolutional NeuralNetwork，CNN)、生成对抗网络(Generative Adversarial Networks，GAN)广泛应用于去噪领域，但基于深度学习的地震去噪方法较少，基于残差卷积神经网络的随机噪声去除算法，具有更强的去噪性能；基于卷积神经网络去噪模型，可以去除方差未知的地震随机噪声；将残差卷积神经网络图像去噪方法应用于地震资料去噪，可有效去除随机噪声，但以上深度学习方法仅能去除随机噪声不能压制多次波。

发明内容

本发明公开了一种感知器残差自编码网络地震资料去噪方法，包括以下步骤：(1)制作训练集和测试集；(2)以多层感知器卷积层、多尺度层、批归一化层和自编码器组成的多层感知器残差卷积自编码块后再由解码部分输出，并与优化后的卷积核相结合，提出了基于深度学习的感知器残差自编码网络地震资料去噪方法；(3)训练网络并初次保存网络的各个参数，测试初次保存的网络，若不符合去噪要求继续训练网络，若符合要求停止迭代，二次保存网络模型；(4)若二次保存的网络模型在新添加工区的数据上不符合去噪要求时，将利用迁移学习在基于二次保存的网络模型上进行网络参数微调，若符合要求停止迭代，保存最终网络模型；(5)利用保存的最终网络模型去除地震资料中的多次波和随机噪声，输出去噪后的地震资料。本发明公开的地震资料去噪方法，在完整保留地震资料局部细节和不产生假象的情况下，仍能同时去除多次波和随机噪声。

本发明所提供的技术方案为：一种感知器残差自编码网络地震资料去噪方法，包括如下步骤：

步骤1、制作训练集和测试集，具体步骤如下：

(1)将原始地震数据处理为经过动校正后的共中心点道集；

(2)利用抛物线Radon变换和K-L变换，分别去除共中心点道集中的多次波和随机噪声，得到不含噪声的地震数据集；

(3)将含噪声的原始数据和对应预处理后不含噪声的地震资料作为一组数据，制作训练集；

(4)选取不同于训练集的地震数据，按照制作训练集的方法制作测试集；

(5)选取不同工区的地震数据，按照制作训练集的方法制作迁移学习的训练集；

步骤2、提出由残差块、多层感知器结构、多尺度结构、批归一化层和自编码结构组成的多层感知器残差卷积自编码块，主结构共有7层，其中多层感知器前两层卷积核分别为1×5和5×1，后两层卷积核大小均为1×1，多尺度结构共两层，第一层分别由大小为1×7，1×5，1×3三种卷积核组成，第二层分别由对应的7×1，5×1，3×1三种卷积核组成，此时输出为：

x₇＝f(x)+x_cae

x_cae为输入x经过卷积自编码器提取的潜在特征，f(x)为输入x经7层卷积后输出的结果；

步骤3、感知器残差自编码网络地震资料去噪方法，网络模型共(8+7×n)层，第一层为卷积核大小为3×3的卷积层，第二、三层为编码器，第4层为最大池化层，接下来的7×n层，由n个步骤2提出的多层感知器残差卷积自编码块组成，后四层与前四层相对应，首先为一个反池化层，然后为由两层反卷积层组成的解码器，最后为一个全连接层，其中n为大于1的正整数；

步骤4、训练网络共分为第一部分和第二部分，首先训练第一部分并保存最优网络模型，若第一部分保存的网络模型在去除不同工区数据时，满足定量和定性的去噪要求，将不启用第二部分，直接保存最终网络模型，若不满足去噪要求，将启用第二部分，运用迁移学习继续训练第一部分保存的网络模型，具体步骤如下：

第一部分：

(1)将步骤1预处理后的训练集，通过列队输入到步骤3搭建的网络模型中；

(2)采用误差反向传播，并以对数双曲余弦损失函数来衡量真实值与预测值的距离，通过数据集的每次迭代，使用梯度下降来调整神经元之间的权重以降低代价函数，进而优化网络；

(3)以定量的峰值信噪比、结构相似性和定性的视觉感受判断网络去噪效果，初次保存网络模型的各个参数；

(4)然后将步骤1预处理后的测试集，输入到初次保存的网络模型中，并通过定量的峰值信噪比和定性的视觉感受判断网络去噪效果，若不符合去噪要求，则继续训练或调参后训练网络；若符合要求，则停止迭代，二次保存网络模型；

第二部分：

(1)将步骤1预处理后不同工区的训练集，通过列队输入到二次保存的网络模型中；

(2)利用迁移学习在基于二次保存的网络模型上进行网络参数微调；

(3)以定量的峰值信噪比、结构相似性和定性的视觉感受判断网络去噪效果，若达到预期效果，则停止迭代并保存最终网络模型，否则继续迭代训练网络；

对数双曲余弦损失函数为：

式中，y_i为经过预处理不含噪声的地震数据，z_i为输出去噪后的地震数据，对数双曲余弦损失越小代表z_i与y_i越接近，网络准确率越高；

峰值信噪比公式为：

式中，M_MSE为y_i和z_i的均方误差，PSNR数值越大表示去噪效果越好；

结构相似性可由以下公式求出：

其中，

分别为y_i和z_i的均值，

分别为y_i和z_i的方差，

为y_i和z_i的协方差，c₁＝(k₁L)²，c₂＝(k₂L)²，

k₁＝0.01，k₂＝0.03，则

SSIM(y_i,z_i)＝l(y_i,z_i)*c(y_i,z_i)*s(y_i,z_i)

SSIM(y_i,z_i)∈[0,1]，若y_i和z_i完全相同时SSIM值为1；

步骤5、利用保存的最终网络模型去除地震资料中的多次波和随机噪声，输出去噪后的地震资料。

本发明的有益效果是：

(1)可以同时去除多次波和随机噪声；

(2)去噪同时能够完整保留地震资料局部细节、不产生假象；

(3)网络收敛速度快，训练时间短。

附图说明

图1为本发明的流程图，网络训练分为第一部分和第二部分，第一部分主要由测试集、训练集、感知器残差自编码网络、训练网络、初次保存网络模型、二次保存网络模型组成，第二部分主要由不同工区的训练集、迁移学习、最终保存的网络模型组成，利用保存的最终网络模型，输入含噪地震数据，输出去噪后地震资料；

图2为本发明的多层感知器残差卷积自编码块结构图，由残差块、多层感知器结构、多尺度结构、批归一化层和自编码结构组成，主结构共有7层，其中多层感知器前两层卷积核分别为1×5和5×1，后两层卷积核大小均为1×1，多尺度结构共两层，第一层分别由大小为1×7，1×5，1×3三种卷积核组成，第二层分别由对应的7×1，5×1，3×1三种卷积核组成；

图3为本发明的感知器残差自编码网络总体结构图，网络模型共(8+7×n)层，第一层为卷积核大小为3×3的卷积层，第二、三层为编码器，第4层为最大池化层，接下来的7×n层，由n个步骤2提出的多层感知器残差卷积自编码块组成，后四层与前四层相对应，首先为一个反池化层，然后为由两层反卷积层组成的解码器，最后为一个全连接层，其中n为大于1的正整数；

图4为本发明去噪示例，其中，a)含多次波地震数据；b)含多次波和随机噪声地震数据；c)本发明的去噪结果；d)本发明消除的噪声。

图中符号说明如下：

x：表示输入；

f(x)：表示输出；

x_cae：表示输入x经过卷积自编码器提取的潜在特征值；

x₇：x₇＝f(x)+x_cae；

conv：表示卷积层；

bn：表示批归一化层；

Encoder：表示编码层；

Maxpool：表示最大池化层；

Unpool：表示反池化层；

Decoder：表示解码层；

Mlpconv：表示多层感知器层；

Multiscale：表示多尺度卷积层；

Auto-Encoder：表示自编码器；

FC：表示全连接层；

MRCAE Block：表示多层感知器残差卷积自编码块；

具体实施方式：

为了高效去除地震资料中的多次波和随机噪声，以多层感知器残差卷积自编码块和自编码网络为基本网络结构，提出了去噪感知器残差自编码网络模型，如图3所示。参照图1，示出的本发明的流程图，包括如下步骤。

步骤1、制作训练集和测试集，具体步骤如下：

(1)将尺寸为200×92的原始地震数据处理为动校正后的共中心点道集；

(2)为了展示本发明可同时去除随机噪声和多次波，若原始地震数据不含随机噪声或含有较少的随机噪声，本实例将相应增强随机噪声的含量；

(3)将含噪声的原始数据和对应预处理后不含噪声的地震资料作为一组数据，制作训练集；

(4)选取不同于训练集的地震数据，按照制作训练集的方法制作测试集；

(5)选取不同工区的地震数据，按照制作训练集的方法制作迁移学习的训练集；

步骤2、提出由残差块、多层感知器结构、多尺度结构、批归一化层和自编码结构组成的多层感知器残差卷积自编码块，主结构共有7层，其中多层感知器前两层卷积核分别为1×5和5×1，后两层卷积核大小均为1×1，多尺度结构共两层，第一层分别由大小为1×7，1×5，1×3三种卷积核组成，第二层分别由对应的7×1，5×1，3×1三种卷积核组成，此时输出为：

x₇＝f(x)+x_cae

x_cae为输入x经过卷积自编码器提取的潜在特征，f(x)为输入x经7层卷积后输出的结果；

步骤3、感知器残差自编码网络地震资料去噪方法，网络模型共22层，第一层为卷积核大小为3×3的卷积层，第二、三层为编码器，第4层为最大池化层，接下来的14层，由2个步骤2提出的多层感知器残差卷积自编码块组成，后四层与前四层相对应，首先为一个反池化层，然后为由两层反卷积层组成的解码器，最后为一个全连接层；

步骤4、训练网络共分为第一部分和第二部分，首先训练第一部分并保存最优网络模型，若第一部分保存的网络模型在去除不同工区数据时，满足定量和定性的去噪要求，将不启用第二部分，直接保存最终网络模型，若不满足去噪要求，将启用第二部分，运用迁移学习继续训练第一部分保存的网络模型，具体步骤如下：

第一部分：

(1)将步骤1预处理后的训练集，通过列队输入到步骤3搭建的网络模型中；

(2)采用误差反向传播，并以对数双曲余弦损失函数来衡量真实值与预测值的距离，通过数据集的每次迭代，使用梯度下降来调整神经元之间的权重以降低代价函数，进而优化网络；

(3)以定量的峰值信噪比、结构相似性和定性的视觉感受判断网络去噪效果，初次保存网络模型的各个参数；

(4)然后将步骤1预处理后的测试集，输入到初次保存的网络模型中，并通过定量的峰值信噪比和定性的视觉感受判断网络去噪效果，若不符合去噪要求继续训练或调参后训练网络，若符合要求停止迭代，二次保存网络模型；

第二部分：

(1)将步骤1预处理后不同工区的训练集，通过列队输入到二次保存的网络模型中；

(2)利用迁移学习在基于二次保存的网络模型上进行网络参数微调；

(3)以定量的峰值信噪比、结构相似性和定性的视觉感受判断网络去噪效果，若达到预期效果停止迭代保存最终网络模型，否则继续迭代训练网络；

对数双曲余弦损失函数为：

式中，y_i为经过预处理不含噪声的地震数据，z_i为输出去噪后的地震数据，对数双曲余弦损失越小代表z_i与y_i越接近，网络准确率越高；

峰值信噪比公式为：

式中，M_MSE为y_i和z_i的均方误差，PSNR数值越大表示去噪效果越好；

结构相似性可由以下公式求出：

其中，

分别为y_i和z_i的均值，

分别为y_i和z_i的方差，

为y_i和z_i的协方差，c₁＝(k₁L)²，c₂＝(k₂L)²、

k₁＝0.01，k₂＝0.03，则

SSIM(y_i,z_i)＝l(y_i,z_i)*c(y_i,z_i)*s(y_i,z_i)

SSIM(y_i,z_i)∈[0,1]，若y_i和z_i完全相同时SSIM值为1；

步骤5、利用保存的最终网络模型去除地震资料中的多次波和随机噪声，输出去噪后的地震数据。

图4为本发明去除地震资料中多次波和随机噪声的示例展示，其中，a)含多次波地震数据；b)含多次波和随机噪声地震数据；c)本发明的去噪结果；d)本发明消除的噪声。

Claims (1)

1.一种感知器残差自编码网络地震资料去噪方法，其特征在于包括如下步骤：

步骤1、制作训练集和测试集，具体步骤如下：

(1)将原始地震数据处理为经过动校正后的共中心点道集；

(2)利用抛物线Radon变换和K-L变换，分别去除共中心点道集中的多次波和随机噪声，得到不含噪声的地震数据集；

(3)将含噪声的原始数据和对应预处理后不含噪声的地震资料作为一组数据，制作训练集；

(4)选取不同于训练集的地震数据，按照制作训练集的方法制作测试集；

(5)选取不同工区的地震数据，按照制作训练集的方法制作迁移学习的训练集；

步骤2、提出由残差块、多层感知器结构、多尺度结构、批归一化层和自编码结构组成的多层感知器残差卷积自编码块，主结构共有7层，其中多层感知器前两层卷积核分别为1×5和5×1，后两层卷积核大小均为1×1，多尺度结构共两层，第一层分别由大小为1×7，1×5，1×3三种卷积核组成，第二层分别由对应的7×1，5×1，3×1三种卷积核组成，此时输出为：

x₇＝f(x)+x_cae

x_cae为输入x经过卷积自编码器提取的潜在特征，f(x)为输入x经7层卷积后输出的结果；

步骤3、感知器残差自编码网络地震资料去噪方法，网络模型共(8+7×n)层，第一层为卷积核大小为3×3的卷积层，第二、三层为编码器，第4层为最大池化层，接下来的7×n层，由n个步骤2提出的多层感知器残差卷积自编码块组成，后四层与前四层相对应，首先为一个反池化层，然后为由两层反卷积层组成的解码器，最后为一个全连接层，其中n为大于1的正整数；

步骤4、训练网络共分为第一部分和第二部分，首先训练第一部分并保存最优网络模型，若第一部分保存的网络模型在去除不同工区数据时，满足定量和定性的去噪要求，将不启用第二部分，直接保存最终网络模型，若不满足去噪要求，将启用第二部分，运用迁移学习继续训练第一部分保存的网络模型，具体步骤如下：

第一部分：

(1)将步骤1预处理后的训练集，通过列队输入到步骤3搭建的网络模型中；

(2)采用误差反向传播，并以对数双曲余弦损失函数来衡量真实值与预测值的距离，通过数据集的每次迭代，使用梯度下降来调整神经元之间的权重以降低代价函数，进而优化网络；

(3)以定量的峰值信噪比、结构相似性和定性的视觉感受判断网络去噪效果，初次保存网络模型的各个参数；

(4)然后将步骤1预处理后的测试集，输入到初次保存的网络模型中，并通过定量的峰值信噪比和定性的视觉感受判断网络去噪效果，若不符合去噪要求，则继续训练或调参后训练网络；若符合要求，则停止迭代，二次保存网络模型；

第二部分：

(1)将步骤1预处理后不同工区的训练集，通过列队输入到二次保存的网络模型中；

(2)利用迁移学习在基于二次保存的网络模型上进行网络参数微调；

(3)以定量的峰值信噪比、结构相似性和定性的视觉感受判断网络去噪效果，若达到预期效果，则停止迭代并保存最终网络模型，否则继续迭代训练网络；

对数双曲余弦损失函数为：

式中，y_i为经过预处理不含噪声的地震数据，z_i为输出去噪后的地震数据，对数双曲余弦损失越小代表z_i与y_i越接近，网络准确率越高；

峰值信噪比公式为：

式中，M_MSE为y_i和z_i的均方误差，PSNR数值越大表示去噪效果越好；

结构相似性可由以下公式求出：

其中，

分别为y_i和z_i的均值，

分别为y_i和z_i的方差，

为y_i和z_i的协方差，c₁＝(k₁L)²，c₂＝(k₂L)²，

k₁＝0.01，k₂＝0.03，则

SSIM(y_i,z_i)＝l(y_i,z_i)*c(y_i,z_i)*s(y_i,z_i)

SSIM(y_i,z_i)∈[0,1]，若y_i和z_i完全相同时SSIM值为1；

步骤5、利用保存的最终网络模型去除地震资料中的多次波和随机噪声，输出去噪后的地震资料。

Images