基于深度残差网络的地震数据去噪研究

发布时间：2023-04-02 08:57

　　本文提出了一个地震资料噪声压制神经网络模型,命名为:Seis-Res Net,自适应识别地震资料中的随机噪声。采用41层深度残差神经网络结构,输入地震数据训练。网络的输出为随机噪声,这种改进突破了深度学习算法网络层数的限制,相比以往浅层神经网络,学习地震信号特征更加充分,噪声压制效果更好。训练数据集在深度学习中起至关重要的作用,是制约神经网络预测精度的关键因素。为解决目前地震数据处理人工智能方法研究中标签数据匮乏的问题,本文自图像处理领域,引入在线字典学习(Online Dictionary Learning)算法,批量化生成适应于地震数据神经网络训练的标准化标签数据集。数值试验、实际地震资料处理结果表明,提出的深度残差网络模型能够有效压制噪声。本文最后使用迁移学习的方法,二次训练网络实现相干噪声压制,实际资料的处理结果验证了本方法扩展性的可信与可行。

【文章页数】：55 页

【学位级别】：硕士

【文章目录】：
摘要
ABSTRACT
第1章 绪论
    1.1 研究背景和意义
    1.2 国内外研究现状
        1.2.1 传统地震数据去噪方法研究现状
        1.2.2 字典学习去噪研究现状
        1.2.3 神经网络研究现状
        1.2.4 神经网络地震噪声压制研究现状
    1.3 主要研究内容
    1.4 各章节内容安排
第2章 机器学习与深度神经网络框架介绍
    2.1 机器学习简介
        2.1.1 机器学习的概念
        2.1.2 机器学习的一般步骤
        2.1.3 机器学习的分类
    2.2 稀疏编码与字典学习简介
        2.2.1 稀疏编码
        2.2.2 字典学习
    2.3 深度卷积神经网络简介
        2.3.1 基本组成
        2.3.2 字典学习深度网络的优越性——以一个图片AI去噪为例
第3章 在线字典学习地震数据处理
    3.1 在线字典学习原理
    3.2 合成地震记录测试
    3.3 实际地震资料应用
    3.4 利用在线字典算法建立标准数据集
    3.5 在线字典算法小结
第4章 深度残差神经网络地震数据去噪
    4.1 深度残差神经网络的构建
        4.1.1 Seis-Res Net的输入层与输出层
        4.1.2 Seis-Res Net的隐含层
        4.1.3 Seis-Res Net的具体网络搭建
    4.2 Seis-Res Net网络结构参数测试
        4.2.1 建立测试标准
        4.2.2 卷积核数目
        4.2.3 卷积核尺寸及隐含层深度
    4.3 实际资料处理与分析
    4.4 Seis-Res Net模型的去噪能力扩展
        4.4.1 深度残差网络的迁移学习特性
        4.4.2 Seis-Res Net模型去噪功能——以去相干噪声为例
第5章 结论
    5.1 总结
    5.2 创新点
    5.3 不足之处
参考文献
致谢



本文编号：3778939