基于时频联合深度学习的地震数据重建

地质条件和采集环境等因素的影响往往导致在地质勘探过程中无法获取完备的地震数据,对后续地质解释工作造成影响。随着计算机硬件的发展及基于卷积神经网络的地震数据处理方法的应用,越来越多的深度学习方法应用于地震数据规则化,当前此类方法通常局限在时域范围内处理数据,导致重建数据过于平滑,纹理细节信息缺失。本文提出一种联合时频域特征的卷积神经网络模型,通过在地震数据的时域和傅里叶域上进行联合约束,学习地震数据在时域和傅里叶域的多维度分布特征,重建欠采样地震数据,修正联合损失函数的权重,调整卷积神经网络学习的注意力;采用多级可调节的残差块构建卷积神经网络中间层,提高特征提取能力,根据任务的需要调节残差块数量,平衡网络的精度与效率。实验结果表明,本文提出的方法与双三次插值、基于块匹配的3D协同滤波、深超分辨率网络、增强深度学习超分辨率重建网络等方法对比,具有更好的细节保持效果和鲁棒性。     

基于A- CGAN的深反射地震数据随机噪声压制方法研究

基于深度学习的地震数据噪声压制方法是当前地震数据去噪处理的重要方向。深度学习方法突破了传统滤波处理的局限,在对常规地震数据的噪声压制中表现出效率高、信噪分离效果好的特点。但针对深部弱有效反射数据,当前的深度学习方法特征提取能力有限,难以取得较好的去噪效果。笔者等结合深反射地震数据特点,针对当前深度学习噪声压制方法在特征提取及对数据集依赖上的局限,提出了基于注意力循环生成对抗网络(Attention Cycle- Consistent Generative Adversarial Networks,A- CGAN)的深反射地震数据随机噪声压制方法。借助循环一致生成对抗网络(Cycle- Consistent Generative Adversarial Networks,Cycle- GAN)的域映射思想,降低对数据集的要求。为了构建适用于深反射地震数据的去噪网络,从3个方面对Cycle- GAN进行改进：在Cycle- GAN的生成器（去噪器）中加入残差结构和注意力机制,用于加深网络深度和提高其特征提取能力;在Cycle- GAN的鉴别器中使用块判决,提高鉴别精度和准确度;在损失函数部分加入感知一致性损失函数,提升网络模型恢复纹理细节信息的能力。通过合成地震数据和实际深反射地震数据测试,验证了优化算法的有效性,体现了良好的应用价值。     

基于A- CGAN的深反射地震数据随机噪声压制方法研究

基于深度学习的地震数据噪声压制方法是当前地震数据去噪处理的重要方向。深度学习方法突破了传统滤波处理的局限,在对常规地震数据的噪声压制中表现出效率高、信噪分离效果好的特点。但针对深部弱有效反射数据,当前的深度学习方法特征提取能力有限,难以取得较好的去噪效果。笔者等结合深反射地震数据特点,针对当前深度学习噪声压制方法在特征提取及对数据集依赖上的局限,提出了基于注意力循环生成对抗网络(Attention Cycle- Consistent Generative Adversarial Networks,A- CGAN)的深反射地震数据随机噪声压制方法。借助循环一致生成对抗网络(Cycle- Consistent Generative Adversarial Networks,Cycle- GAN)的域映射思想,降低对数据集的要求。为了构建适用于深反射地震数据的去噪网络,从3个方面对Cycle- GAN进行改进：在Cycle- GAN的生成器（去噪器）中加入残差结构和注意力机制,用于加深网络深度和提高其特征提取能力;在Cycle- GAN的鉴别器中使用块判决,提高鉴别精度和准确度;在损失函数部分加入感知一致性损失函数,提升网络模型恢复纹理细节信息的能力。通过合成地震数据和实际深反射地震数据测试,验证了优化算法的有效性,体现了良好的应用价值。     

基于残差注意力机制的泥石流沟谷识别

针对泥石流灾害沟谷图像分类问题,文章对Resnet18网络进行改进,提出了一种改进的卷积神经网络模型。通过在网络结构中加入残差注意力模块,解决了原模型提取图像特征较差、边缘模糊的问题,改进后的网络能精确捕捉到泥石流灾害沟谷图像中的轮廓和内部山脊信息。此外,文章还对多种注意力机制结构进行了实验对比,分析其差异性,得出最适...     

基于中值滤波和seislet阈值法联合压制混叠噪声方法

混采技术可以实现多台震源同时激发产生地震波场,有效提高采集效率,但是混采技术会产生严重的混叠干扰,降低地震数据的信噪比。针对此问题,引入多级中值滤波,设计了一种基于seislet域阈值去噪和多级中值滤波相结合的混叠噪声压制方法。该方法首先采用大步长中值滤波和seislet域阈值去噪相结合的方法得到初始压制混叠噪声的地震数据,再利用混叠算子计算去混叠噪声后地震数据的伪分离数据,然后求取该伪分离数据和原始混叠地震数据的差值,再次应用较小步长中值滤波提取剩余信号,并与上一步骤得到的去混叠后的地震数据相加,并再次进行seislet域阈值去噪,依次循环,直到信噪比达到期望值。通过模拟数据测试,并与F-K域迭代阈值去噪方法和常规seislet域迭代阈值方法相比,本方法在压制混叠噪声的同时,可以更好地保护有效信号。     

基于改进原型网络的小样本古生物化石识别研究

传统古生物化石鉴定方法多依赖于古生物学家的经验知识,现有的人工智能识别方法需要大量的化石训练样本才能达到较高的准确率。为解决上述问题,在少量化石图像样本情况下准确识别化石,本文尝试使用残差网络和注意力模块相结合的方法,并将其运用于小样本的化石鉴定。首先以残差网络作为模型的特征提取模块,并在残差网络的残差块中嵌入CBAM卷积注意力模块,提高模型对于化石纹理特征的关注,以提取更为全面的深层次化石图像特征,再使用小样本度量学习中的原型网络对提取特征进行原型计算,最后通过多轮次迭代训练得出最佳的化石判别模型。使用本文方法与5种经典的小样本学习方法进行对比实验,实验结果表明本文方法的识别准确率最高,在样本数量为1和5的情况下,准确率达到了86.32%和94.21%,对稀缺样本下的化石识别具有更显著的优势。     

基于改进原型网络的小样本古生物化石识别研究

传统古生物化石鉴定方法多依赖于古生物学家的经验知识,现有的人工智能识别方法需要大量的化石训练样本才能达到较高的准确率。为解决上述问题,在少量化石图像样本情况下准确识别化石,笔者等尝试使用残差网络和注意力模块相结合的方法,并将其运用于小样本的化石鉴定。首先以残差网络作为模型的特征提取模块,并在残差网络的残差块中嵌入CBAM卷积注意力模块,提高模型对于化石纹理特征的关注,以提取更为全面的深层次化石图像特征,再使用小样本度量学习中的原型网络对提取特征进行原型计算,最后通过多轮次迭代训练得出最佳的化石判别模型。使用本文方法与5种经典的小样本学习方法进行对比实验,实验结果表明本文方法的识别准确率最高,在样本数量为1和5的情况下,准确率达到了86.32%和94.21%,对稀缺样本下的化石识别具有更显著的优势。     

基于小波域的FastICA算法的非常规油气藏地震资料去噪

近年来,随着鄂尔多斯盆地苏里格气田开发规模的不断扩大,全数字三维地震得到广泛应用,数字检波器的高灵敏性使得地震资料噪声极其发育。因此,全数字三维地震资料叠前去噪是资料处理的关键。针对全数字三维地震资料的特点,结合盲信号分离技术的最新发展,特别是神经网络技术的最新发展应用到研究中来,建立适合于理论地震记录的盲信号分离的算法模型,对已知反射地震数据实施盲分离技术,将地震信号变换到小波域中,并用Fast ICA算法进行盲分离去噪,然后将去噪后的信号从小波域变换到时间域信号。试验结果表明,该方法得到的去噪效果较时间域内直接去噪效果好。     

一种改进型seislet域迭代阈值压制混叠噪声方法

高效混叠采集技术可以实现多组激发源同时激发产生地震波场,大大提高采集效率,但是由于相邻激发源之间较短的等待时间,会使得地震数据产生严重的混叠干扰,影响地震数据成像质量。针对此问题,设计了一种改进型seislet域迭代阈值压制混叠噪声方法。该方法首先采用中值滤波对经过NMO后的混叠数据进行滤波,然后利用seislet域迭代阈值去噪技术提取剩余的有效信号,并和经过中值滤波后的结果相加,接着再利用混叠算子计算去混叠噪声后地震数据的伪分离结果,然后求取该伪分离数据和原始混叠地震数据的差值,再次重复上述步骤,将每步骤提取的剩余有效信号进行累加,直到信噪比达到期望值,输出最终压制混叠噪声的地震数据。通过数据验证,本文改进方法可以在压制混叠干扰的同时,有效的保护信号。     

基于地震资料有效信息约束的深度网络无监督噪声压制方法

地震资料处理是地震勘探中的关键环节,由于地下构造和地表条件的复杂性,地震资料的处理需要经过一系列复杂流程,从而形成多种不同类型的地震数据。不同种类的地震数据具有不同的数据特征,充分利用和发掘其中的数据特征,不仅可以充分发挥处理方法的技术潜力,消除各类非地质因素对地震资料处理质量的影响,同时可以增强地震资料处理的可靠性,改善地震资料的资料信噪比及分辨率,在复杂油气藏勘探开发中具有非常重要的基础作用。叠前地震成像道集（CRP）中的有效信号同相轴近似水平,叠后地震成像数据因为地层沉积的规律性,有效信号相比于随机噪声、成像画弧噪声等干扰具有规律、简单等特点。具体表现为CRP道集及叠后地震资料有效信号具有多尺度自相似性的特征,其高维Fourier （FK或FKK）域主要能量集中在低频、低波数区域。针对上述地震数据的特点,提出一种基于先验信息约束的深度网络地震资料无监督噪声压制方法。受到深度图像先验（DIP）的启发,神经网络的结构可以视为一种特殊的隐式先验信息,合理设计网络结构可以使得网络具有多尺度自相似性特征的提取能力。由于叠前地震成像道集数据和叠后地震成像数据有效信号的多尺度自相似性,而噪声不具备这一特性,因此,特定结构的网络可以从原始数据提取出有效信号,从而达到噪声压制的目的。叠前成像道集和叠后成像的实际数据随机噪声压制试验结果表明,本文方法具有良好的保真性与鲁棒性。此外,由于本文方法具有强大的特征提取能力,因此,对常规方法不易压制的弧状成像噪声也有良好的效果。      

LIFT去噪方法在低信噪比资料处理中的应用

传统去噪一般都是通过各种方法将原始数据分离为有效信号和噪声,从而达到去噪目的,在去噪的过程中,忽略了信号保真的处理原则,在去掉噪声的同时有可能也损害了有效信号。这里从传统去噪方法存在的问题入手,通过对传统去噪方法的原理分析,研究了LIFT去噪技术。LIFT去噪的核心是首先建立信号模型,然后将原始地震信号和信号模型相减,求得剩余信号。通过对剩余信号进行针对性的去噪处理,去除剩余信号中存在的噪声,然后再与信号模型进行合并重构,得到新的具有高信噪比、高保真的地震信号。将该方法在低信噪比地震资料处理中进行了实例测试,取得了理想的应用效果。     

基于深度卷积神经网络的地震相识别技术研究

针对传统地震相分析方法难以有效表征地震相与地震数据间复杂的非线性映射关系,而人工解释工作强度大、效率低的问题,进行了基于深度卷积神经网络模型开展了地震相的智能识别技术研究。首先根据钻井解释和专家知识两种方式构建了地震相的训练样本库,之后利用Tensorflow深度学习框架开展了网络参数寻优,再利用搭建好的网络模型进行了实际资料的训练和预测。测试结果表明,利用CNN构建的河流相模型,预测成功率高于75%。因此,深度卷积网络不仅可以很好地保持地震数据结构特征,还可以基于多层网络结构挖掘数据中更深层的特征来提高地震相识别结果的可靠性,印证了该技术在地震相识别中的巨大应用潜力。     

f-x域共偏移距道集的EEMD随机噪声压制方法

f-x域随机噪声压制方法面临着2个问题:叠前共炮点道集或CMP道集反射波同相轴为双曲线型,去噪同时会损害有效波;地震信号为复杂的非平稳信号,要求去噪方法具有自适应性。基于f-x EEMD的共偏移距道集随机噪声压制方法利用了共偏移距道集反射波同相轴为水平满足f-x域去噪假设条件和EEMD算法对非平稳信号的良好适应性,对f-x域每一个等频率切片做EEMD分解,并去除以高频随机噪声为主的第一个IMF分量,最后将f-x域数据反变换回t-x域,实现噪声分离。正演模拟和实际地震数据试算结果表明:该方法在压制随机噪声的同时,能够保持有效信号。      

基于重构信号模型的去噪技术

面波和多次波等噪音的产生是海上地震勘探的突出特点,如何高保真地对其进行压制一直是信号处理工作的难题。基于重构信号模型的去噪技术通过不同的方法,充分考虑不同入射角度和横波地震信息,重构信号模型,分离出剩余信号,然后针对剩余信号进行去噪处理,利用建立的信号模型和剩余有效信号结合,得到有效地震信号,达到突出有效信号衰减噪声的目的。     

基于LSTM循环神经网络的大地电磁方波噪声抑制

去噪是大地电磁数据处理的重要一环。为了丰富和发展大地电磁时间序列去噪方法,将循环神经网络中的LSTM网络引入大地电磁时间序列方波噪声处理中,将实测无人文干扰的大地电磁时间序列叠加模拟方波噪声作为网络输入,将无噪原始时间序列作为网络的目标输出,训练了1 500次epoch后,网络从仿真含噪信号提取的时间序列与原始时间序列的归一化互相关系数高达0.971 8,说明网络很好地学习了无噪大地电磁时间序列的特征。通过实测含方波噪声信号的去噪试验,表明了本文方法可以有效压制方波噪声干扰,改善阻抗估计质量,为深度学习在大地电磁时间序列处理的应用提供了新思路。     

形态分量分析在去除地震资料随机噪声中的应用

以数学形态学和稀疏信号理论为依据,采用形态分量分析(MCA)方法去除地震数据中的随机噪声。应用MCA方法的关键在于选取合适的字典,从地震数据的特点和计算复杂性出发,选取UWT字典和Curvelet字典,一个用来稀疏表示地震数据的局部奇异部分,一个用来稀疏表示地震数据的线状变化部分。采用BCR算法求解目标函数,通过将数据分解为形态特征不同的2个分量,舍弃在字典中不能有效稀疏表示的随机噪声来达到去噪目的。作为一种二维去噪方法,MCA去噪方法在时间和空间方向上都具有很强的随机噪声抑制能力;由于UWT字典和Curvelet字典能够比传统的小波变换有更强的稀疏表示能力,MCA去噪方法对有效信息的损害较小,是一种保真保幅的去噪方法。模型测试和实际资料处理验证了该方法的有效性。     

基于FPN Res-Unet的高分辨率遥感影像建筑物变化检测

针对城市土地资源变化检测工作繁杂、工作量大、自动化程度低等问题，本文提出一种基于深度学习模型的高分辨率遥感影像建筑物变化检测方法，将语义分割的思想引入到遥感变化检测。基于残差结构特征较卷积层提取性能更优和特征金字塔网络多尺度预测的特点，将残差结构和特征金字塔网络融合到Unet模型中，建立FPN Res-Unet模型。该模型以Unet为基础，引入ResNet18的残差结构作为编码路径特征提取层，在每次卷积后使用边界填充，使得输入图像和输出图像尺寸一致；在解码路径每级上采样过程中，拓展支路径将特征金字塔网络融合到模型的网络主干中，将残差结构、Unet及特征金字塔网络的优点相互融合，增强了Unet的特征提取，弥补了语义分割网络对小目标检测的欠缺；在获取深层语义信息的同时关注细节信息，提高建筑物变化检测精度。实验表明，该方法在所用数据集，准确率、召回率、F₁ 3种指标均达到90%以上。     

改进阈值法在二代小波变换去噪中的应用

地震信号去噪能有效提高信号的信噪比和分辨率。二代小波变换可以在不同尺度上对含噪信号进行小波分解和多分辨率分析,实现窗口宽度自适应调整的局部化分析。但小波变换阈值法在去噪过程中会在信号的不连续邻域会产生伪吉布斯效应,而平移不变量阈值去噪方法通过平移-去噪-平均的思想可以很好的解决该问题。因此本文在已有的二代小波变换阈值去噪的基础上将平移不变量这一改进方法应用于二代小波变换中,实现了对地震信号更加快速有效的去噪处理,并在模拟数据试算和实际数据试算中取得了良好的去噪效果。     

局部奇异值分解法压制随机干扰

对于低信噪比资料,压制随机噪声,增强有效信号是地震资料处理的首要任务。而传统的奇异值分解去噪算法,在有效信号横向相干性较强时,去噪效果明显,但当有效信号同相轴呈倾斜、弯曲或孤立状态时,其在压制随机噪声的同时,存在滤除部分有效信号的弊端,为此通过对不同时窗内的地震数据进行拉平、奇异值分解数据重构与反拉平等处理方法,对常规奇异值分解算法进行改进,以克服其对包含非水平连续信号资料去噪效果差的局限。理论数据和实际资料的去噪结果表明,改进后的算法去噪效果明显优于常规奇异值分解法,能在保证有效波不被滤除的前提下有效提高地震资料的信噪比。     

基于局部阈值曲波变换的叠前去噪技术研究

野外地震数据包含各种随机噪声干扰,降低了地震资料的信噪比,而常规的单一去噪方法效果不理想,为此选用多尺度多方向的曲波变换进行去噪。首先对经过预处理的含噪信号进行多尺度分解,采用局部阈值去噪法,对曲波变换后的每一个尺度都选取一个合适的软阈值因子,然后在各尺度下提取其有效波信号的曲波系数,最后将提取出来的曲波系数进行逆变换重构出地震信号,从而达到去噪目的。理论模型与实际资料的处理结果表明,与常规单一全局阈值去噪相比,该技术最大限度地保留了地震数据的有效信号,具有较好的去噪效果。