典型文献
基于深度学习的鲁棒地震数据去噪
文献摘要：
地震勘探数据中包含的噪声比较复杂,基于先验的传统建模方式无法准确地刻画噪声分布.深度学习 通过多层卷积神经网络自动提取数据的深层次特征,利用非线性逼近能力 自适应地学习而得到一个复杂的去噪模型,为地震数据去噪带来了新思路.但是,目前基于深度学习的去噪方法在样本覆盖不充分的情况下,学习得到的模型泛化能力不强,极大地降低了去噪效果.为此,提出一种鲁棒的深度学习去噪算法.该方法的网络模型由两部分子网构成,分别实现含噪地震数据的噪声分布估计与噪声压制.噪声分布估计子网采用多层卷积神经网络估计噪声分布;去噪子网引入特征融合策略,综合考虑地震数据的全局和局部信息,利用残差学习策略提取噪声特征;两部分子网采用L1范数作为损失函数,增强网络模型的泛化能力.实验表明,与同类算法相比,该算法具有更高的泛化能力;数据处理结果中同相轴纹理保持更好,信噪比更高.
文献关键词：
地震数据去噪;深度学习;鲁棒性;L1损失函数;特征融合;残差网络
中图分类号：
作者姓名：
张岩;李新月;王斌;李杰;王洪涛;董宏丽
作者机构：
东北石油大学计算机与信息技术学院,黑龙江大庆163318;黑龙江省大庆市信息技术研究中心,黑龙江大庆163318;东北石油大学人工智能能源研究院,黑龙江大庆163318
文献出处：
引用格式：
[1]张岩;李新月;王斌;李杰;王洪涛;董宏丽-.基于深度学习的鲁棒地震数据去噪)[J].石油地球物理勘探,2022(01):12-25
A类：
B类：
地震数据去噪,地震勘探,噪声比,比较复杂,先验,建模方式,噪声分布,多层卷积神经网络,自动提取,提取数据,层次特征,非线性逼近,逼近能力,地学,去噪模型,去噪方法,习得,模型泛化,泛化能力,去噪效果,去噪算法,子网,分布估计,噪声压制,特征融合,融合策略,局部信息,残差学习,学习策略,噪声特征,L1,范数,损失函数,处理结果,同相轴,残差网络
AB值：
0.352956
相似文献
机标中图分类号，由域田数据科技根据网络公开资料自动分析生成，仅供学习研究参考。
