[发明专利]深度学习模型训练方法和地震数据去噪方法、装置及设备

权利要求书

1.一种深度学习模型训练方法，其特征在于，包括：

获取训练样本数据，其中，所述训练样本数据包括：原始地震数据，和所述原始地震数据中的噪声数据；

将所述训练样本数据输入至深度学习网络模型中进行训练，直至所述深度学习网络模型的损失函数值满足预设要求；

将所述深度学习网络模型的损失函数值满足预设要求时的训练模型，作为训练得到的地震数据去噪模型。

2.根据权利要求1所述的方法，其特征在于，所述损失函数为：

其中，l(W,b)表示损失函数，W为所述深度学习网络模型中的权重；b为所述深度学习网络模型中的偏置；‖·‖_F为F范数，当F＝0时表示向量中非0元素的个数，当F＝1时表示向量中各元素绝对值之和，当F＝2时表示向量各元素的平方和求平方根的值；n为所述训练样本数据的总个数，n为正整数；i是一个变量，其取值范围为从1到n的整数；F(x_i)为第i个训练样本数据输入深度学习网络模型实际输出的噪声数据；为第i个训练样本数据中不含噪声的地震数据的二次幂；x_i为第i个训练样本数据中含有噪声的地震数据；即为训练样本数据中的噪声数据。

3.根据权利要求1所述的方法，其特征在于，所述深度学习网络模型中有N层网络，其中，第a层网络中设置有一条通道，通过该通道信息可从第a层网络跳跃至第N-a+1层网络，其中，N为正整数，a为不大于N的正整数。

4.一种地震数据去噪方法，其特征在于，包括：

获取待去噪的地震数据；

将所述待去噪的地震数据输入预先训练得到的去噪模型中，得到所述待去噪的地震数据中的噪声数据；

将所述待去噪的地震数据与所述噪声数据做差值运算，得到去噪后的地震数据。

5.根据权利要求4所述的方法，其特征在于，所述去噪模型为基于深度学习网络训练得到的模型。

6.根据权利要求5所述的方法，其特征在于，按照以下方式训练得到所述去噪模型：

获取训练样本数据，其中，所述训练样本数据包括：原始地震数据，和所述原始地震数据中的噪声数据；

将所述训练样本数据输入至深度学习网络模型中进行训练，得到所述去噪模型。

7.一种地震数据去噪装置，其特征在于，包括：

获取模块，获取待去噪的地震数据；

输入模块，将所述待去噪的地震数据输入预先训练得到的去噪模型中，得到所述待去噪的地震数据中的噪声数据；

处理模块，将所述待去噪的地震数据与所述噪声数据做差值运算，得到去噪后的地震数据。

8.根据权利要求7所述的装置，其特征在于，所述去噪模型为基于深度学习网络训练得到的模型。

9.根据权利要求8所述的装置，其特征在于，按照以下方式训练得到所述去噪模型：

获取训练样本数据，其中，所述训练样本数据包括：原始地震数据，和所述原始地震数据中的噪声数据；

将所述训练样本数据输入至深度学习网络模型中进行训练，得到所述去噪模型。

10.一种深度学习模型训练装置，其特征在于，包括：

获取模块，获取训练样本数据，其中，所述训练样本数据包括：原始地震数据，和所述原始地震数据中的噪声数据；

训练模块，将所述训练样本数据输入至深度学习网络模型中进行训练，直至所述深度学习网络模型的损失函数值达到预设要求；

处理模块，将所述深度学习网络模型的损失函数值达到预设要求时的训练模型，作为训练得到的地震数据去噪模型。