卷积神经网络中批量规范化层的使用对地震数据去噪的影响分析 |
| |
引用本文: | 张鑫,杨万祥,李小斌,阎建国,胡善政,吴育林.卷积神经网络中批量规范化层的使用对地震数据去噪的影响分析[J].地球物理学进展,2024(1):183-196. |
| |
作者姓名: | 张鑫 杨万祥 李小斌 阎建国 胡善政 吴育林 |
| |
作者单位: | 1. 中国石油新疆油田分公司勘探事业部;2. 成都理工大学地球物理学院;3. 中国石油东方地球物理勘探有限责任公司西南物探分公司;4. 中国石油东方地球物理勘探有限责任公司西南物探研究院 |
| |
基金项目: | 国家重点基础研究发展计划(2014CB239002); |
| |
摘 要: | 深度学习算法已广泛应用于地震数据处理分析领域,并在地震数据去噪等方面取得了较好的应用效果.目前业界关注重点在于各种不同深度学习算法和相关的网络结构形式,以及不同标签数据对算法效果的影响,较少关注数据集本身的差异对深度学习算法的应用效果影响.本文以卷积神经网络(Convolutional Neural Network, CNN)算法中批量规范化层(Batch Normalization)对地震数据去噪的影响分析为例,通过理论公式和应用效果的对比分析,提出了基于地震数据特征分析下的批量规范化层的使用建议.批量规范化层的使用依赖于数据集的统计分布特征,只有当训练集的归一化能量分布集中在能量较强的区域,批量规范化层的使用才会提升网络的效果.但通常情况下,在地震数据去噪的应用中,不建议使用批量规范化层.这些特征为深度学习算法在地震数据去噪应用中的网络结构设计提供了有价值的参考.
|
关 键 词: | 深度学习 批量规范化 结构优化 去噪 数据特征分析 |
|