| 优化卷积神经网络在道编辑中的应用 |
| |
| 作者姓名： | 王文强 孟凡顺 孙文亮 |
| |
| 作者单位： | 中国海洋大学海洋地球科学学院,山东青岛,266100;中国海洋大学海洋地球科学学院,山东青岛,266100;中国海洋大学海洋地球科学学院,山东青岛,266100 |
| |
| 基金项目： | 国家科技重大专项“东海深层大型气田勘探评价技术” |
| |
| 摘 要： | 由于激发、接收及工区现场等导致野外采集的地震数据出现异常道,这时需要对地震记录道编辑处理.当数据量比较大时,人工进行道编辑工作量庞大.非人工做法主要是利用计算机将异常道剔除,没有对异常道细致分类,由此造成了大量的原始数据损失,异常道的产生原因也无从得知.随着计算机性能的提高,深度学习发展迅猛,卷积神经网络(CNN)在深度学习领域起着至关重要的作用.CNN避免了前期很多工作,可以直接输入数据训练模型,将模型用于分类预测.作为一种快速高效的识别算法,可以广泛应用到各个研究领域.本文对极性反转、单频信号、强振幅噪声、空道四种常见的异常道和正常道进行细致分类编号,利用优化的深度卷积神经网络算法识别坏道并进行有效分类,不仅有利于后续对相应道的特殊处理,而且有利于推断产生异常道的原因,在以后的工作中针对产生原因做相应的工作调整.
|
| 关 键 词： | 深度学习 反向传播 卷积神经网络 随机梯度下降 道编辑 正常道 异常道 |
| 本文献已被 CNKI 万方数据 等数据库收录！ |
|
