基于卷积自编码器的反射地震数据去噪和插值方法研究

发布时间：2024-11-06 20:53

　　在当前的油气地震勘探发展背景下,地震数据的质量和数量均给传统的地震数据处理带来了一定程度的挑战。如何快速有效且不施加人为参数干预的对大批量地震数据进行处理,是地震数据处理面临的新问题。本文从机器学习方法的统计学基础出发,将监督学习问题转变为风险函数的最优化问题。通过对自编码器和卷积神经网络学习模式的分析与总结,认为深层网络结构下的卷积自编码器具有更强的特征提取能力。本文对卷积自编码器网络结构进行了优化和改进,提出了一种多层、多模块的卷积自编码器。基于卷积自编码器深度神经网络的地震数据处理方法从地震数据的空间分布特征出发,将地震噪声压制和地震数据重建等问题视为不同环境下有效信号的提取问题。通过设计不同地质模型的地下速度结构,本文利用波动方程正演模拟构建了大量不同特征的地震数据训练集。卷积自编码器深度神经网络的训练过程中使用了L1范数下的损失函数和Adam优化算法,以增强算法的鲁棒性和提高计算效率。数值实验表明,训练后的卷积自编码器深度神经网络能够有效进行随机噪声压制、线性噪声压制、面波压制、地震数据重建以及同时进行地震数据重建和随机噪声压制。基于卷积自编码器深度神经网络的地震数据处理方法是...

【文章页数】：67 页

【学位级别】：硕士

【部分图文】：

因此，当规则推理的“演绎法”碰壁受阻时，人们开始将目光投向“归纳法”。基于概率统计的机器学习（MachineLearning,ML）就这样逐渐成为人工智能的主流方法。机器学习与专家系统不同，它不需要输入任何规则，而是将真实世界产生的大量数据组成样本（Samples），让算法直接在....

窬??绲难?澳Ｊ绞粲谝恢止槟裳?啊８?萆窬??绲牧??方式，大致可分为前馈神经网络、反馈神经网络和自组织神经网络等模型。前馈神经网络（FeedForwardNeuralNetwork）是一种单向多层的网络结构，主要由输入层、隐含层和输出层组成。数据从输入层开始，逐层向一个方向传递....

的权值参数是通过反向传播算法不断调整得到的，其主要包括信号的正向传播和误差的反向传播两个过程（李晓峰等,2000）。在信号的正向传播过程中，信号从输入层至隐含层再到输出层，这种逐层处理模式中，每一层的神经元状态只影响下一层的神经元状态，如果输出层的结果不满足期望要求，则进入误差反....

浙江大学硕士学位论文1绪论9教授于2006年在《Science》的一篇文章，文章通过逐层预训练的方案解决了深度神经网络训练中的梯度消失问题，并表明深度自编码器网络具有更优异的特征学习能力（HintonandSalakhutdinov,2006）。此后深度自编码器的研究获得了更多人....

本文编号：4011570