典型文献
基于联合小波域深度学习的地震数据规则化方法
文献摘要：
数据规则化是地震资料处理的关键步骤之一,基于物理建模的传统方法计算量大且不具备广泛适用性.当前基于卷积神经网络的地震数据规则化方法通常局限在时域,尤其在低采样率条件下,重建数据过于平滑,纹理细节信息损失严重.小波分析具有多尺度、多方向的特性,更适于表示二维数据的纹理特性,可以聚焦地震数据信号的细节信息.为此,提出一种联合小波域的卷积神经网络模型,学习地震数据在时域与小波域的联合分布特征以逼近实际数据,将不规则地震数据重建问题转化为在卷积神经网络框架下各尺度不同方向分量的小波系数预测,重建规则化的地震数据;构建时域与小波域的联合损失函数,结合地震数据的整体分布和局部细节特征,约束网络模型,通过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,提高重建地震数据信噪比.实验结果表明,与其他方法对比,该方法细节保持效果更好,对地震数据缺失位置不敏感,更具鲁棒性.
文献关键词：
地震数据规则化;深度学习;联合损失函数;小波变换;卷积神经网络
中图分类号：
作者姓名：
张岩;李杰;王斌;李新月;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;东北石油大学人工智能能源研究院,黑龙江大庆163318;黑龙江省网络化与智能控制重点实验室,黑龙江大庆163318
文献出处：
引用格式：
[1]张岩;李杰;王斌;李新月;董宏丽-.基于联合小波域深度学习的地震数据规则化方法)[J].石油地球物理勘探,2022(04):777-788
A类：
地震数据规则化
B类：
小波域,地震资料处理,关键步骤,物理建模,计算量,低采样,采样率,细节信息,信息损失,小波分析,多方向,适于,数据信号,卷积神经网络模型,联合分布,逼近,实际数据,地震数据重建,问题转化,网络框架,同方向,小波系数,联合损失函数,细节特征,正联,权重调整,整卷,神经网络学习,建地,其他方法,方法对比,细节保持,持效,数据缺失,不敏,小波变换
AB值：
0.267024
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。
