[发明专利]一种基于深度卷积神经网络的可控震源数据振铃压制方法

权利要求书

1.一种基于深度卷积神经网络的可控震源数据振铃压制方法，其特征在于，所述振铃压制方法包括以下步骤：

步骤1：首先从实际地震数据中提取地震子波，并合成伪反射系数，将地震子波与伪反射系数进行卷积，得到合成地震数据；

步骤2：将伪反射系数作为要拟合的输出，合成地震数据作为输入，对深度卷积神经网络进行训练；

步骤3：将实际地震数据输入已训练好的网络中，在输出端得到振铃压制后的结果。

2.根据权利要求1所述的基于深度卷积神经网络的可控震源数据振铃压制方法，其特征在于：利用自相关法提取所述步骤1中的地震子波，具体包括以下步骤：实际地震道数据与地震子波的关系，如公式(1)模型：

y(t)＝r(t)*w(t) (1)

其中y(t)表示实际地震道数据，r(t)为反射系数，w(t)为地震子波，反射系数与地震子波进行卷积操作；

若假设反射系数是白噪声，即自相关为脉冲函数，对于地震道数据的自相关与地震子波的自相关之间有公式(2)关系：

在共含有N道数据的地震道集中，每一道的数据y_i(t)都是由反射系数r_i(t)与地震子波w(t)卷积而成，其中i表示道号，即公式(3)：

y_i(t)＝r_i(t)*w(t)，i＝1,2,...,N (3)

在反射系数的均值上加汉宁窗进行约束，如公式(4)所示：

又由维纳-辛钦定理定理，得到地震子波的功率谱，如公式(5)所示：

其中FT表示傅里叶变换，利用地震子波功率谱得到振幅谱并通过傅里叶反变换IFT得到提取出的地震子波，即公式(6)所示：

3.根据权利要求1所述的基于深度卷积神经网络的可控震源数据振铃压制方法，其特征在于：所述步骤1中的伪反射系数合成采用复地震道变换方法，复地震道变换方法生成逼近实际数据的人工合成标签样本，具体步骤如下：

对于典型道集中的每一道，都通过希尔伯特变换分解成包络与相位的乘积，如公式(7)所示：

y(t)＝env(t)cosθ(t) (7)

其中env(t)表示信号y(t)的包络，θ(t)为瞬时相位；

对于信号的包络，计算出其低频部分b(t)并从信号包络中减去低频部分，如公式(8)所示：

g(t)＝env(t)-b(t) (8)

完成以上操作后，将g(t)和原始地震道信号的相位θ(t)按照公式(9)所示方法重新组合，即可合成伪反射系数：

4.根据权利要求3所述的基于深度卷积神经网络的可控震源数据振铃压制方法，其特征在于：所述步骤2中的深度卷积神经网络的网络层数为9层，所述深度卷积神经网络由卷积层、批规范化层和激活层组成。

5.根据权利要求4所述的基于深度卷积神经网络的可控震源数据振铃压制方法，其特征在于：所述深度卷积神经网络的第二深度卷积神经网络层至第八深度卷积神经网络层的外结构相同，卷积核的数量不同；第一深度卷积神经网络层得到的输出结果利用跳线传至网络中间与第四和第六深度卷积神经网络层的输出共同作为下一层的输入，以提高训练效率，并保护图像细节；

其中，所述卷积层利用卷积核k对输入图像进行卷积操作，并加入偏置b后送到下一层；使用所述批规范化层解决深度网络训练中的内部协方差偏移；所述激活层中间采用ReLU函数，激活层的操作如公式(10)：

ReLU(x)＝max(0,x) (10)

第九深度卷积神经网络层采用tanh激活函数，tanh激活函数的操作如公式(11)：

因此，作为操作层的第一深度卷积神经网络层表示为公式(12)：

o_1,c＝ReLU(k_1,c*x+b_1,c)，c＝1,...,C₁ (12)

其中，x为输入图像，k_1,c为第1层中卷积层的第c个卷积核，b_1,c为第1层的第c个偏置，o_1,c表示第1层的输出中对应于第c个卷积核和偏置的特征映射，C₁为第一层卷积核的总数，即输出的特征映射的数量；

同理，中间层的操作可以表示为公式(13)：

o_j,c＝ReLU(BN(k_j,c*n_j+b_j,c)),j＝2,...,L-1；c＝1,...,C_j (13)

其中，n_j为第j层的输入，k_j,c为第j层中卷积层的第c个卷积核，b_j,c为第j层的第c个偏置，o_j,c表示第j层的输出中对应于第c个卷积核和偏置的特征映射，C_j为第j层卷积核的总数，L为网络总层数；

输出层的操作为公式(14)：

其中为网络的输出，即振铃压制后的结果。