[发明专利]去除沉积背景的方法、装置、计算机设备及可读存储介质

权利要求书

1.一种去除沉积背景的方法，其特征在于，包括：

对原始地震体进行90度相位化处理，得到90度相位化地震体；

对90度相位化地震体进行Wheeler域变换，得到90度相位化Wheeler域地震体；

将所述90度相位化Wheeler域地震体输入Hebb神经网络，通过Hebb神经网络主分量分析进行迭代计算，输出沉积背景体，其中，所述Hebb神经网络中权值系数的计算包括衰减项且学习率按步长衰减；

对所述90度相位化Wheeler域地震体和所述沉积背景体进行体运算，得到岩性体；

其中，将所述90度相位化Wheeler域地震体输入所述Hebb神经网络，通过Hebb神经网络主分量分析进行迭代计算，输出所述沉积背景体，包括：

将所述90度相位化Wheeler域地震体归一化后输入所述Hebb神经网络；

初始化所述Hebb神经网络主分量分析中权值系数矩阵和输出主分量矩阵；

通过初始化的所述Hebb神经网络主分量分析进行迭代计算，得到输出主分量矩阵和权值系数矩阵，当相邻两次迭代的权值系数矩阵的特征空间距离符合迭代门槛，则停止迭代，输出的第一主分量矩阵为所述沉积背景体。

2.如权利要求1所述的去除沉积背景的方法，其特征在于，在所述Hebb神经网络中通过以下公式计算权值系数矩阵中的权值系数：

其中，a_ji(t+1)表示t+1时刻神经网络权值系数，它将输入层的源节点i和输出层计算节点j链接起来；τ表示衰减项；η表示学习率；η₀＝η×β^{IterationCounter/Iterationsize}，Iterationsize表示一个触发衰减的阈值，IterationCounter表示当前迭代的步数，β表示衰减系数，当前迭代的步数IterationCounter除以阈值Iterationsize的商向下取整作为β的指数；a_ji(t)表示t时刻神经网络权值系数；b_j(t)表示在时刻t输出层计算节点j对输入集的响应产生的输出；b_p(t)表示在时刻t输出层计算节点p对输入集的响应产生的输出；a_pi(t)表示t时刻神经网络权值系数，它将输入层的源节点i和输出层计算节点p链接起来；p表示输出层计算节点，p＝1,2…j；i＝1,2,…,n，n为输入层的源节点总数；j＝1,2,…,l，l为输出层计算节点总数；t表示时间。

3.如权利要求1所述的去除沉积背景的方法，其特征在于，还包括：

将所述90度相位化Wheeler域地震体输入所述Hebb神经网络之前，采用扩散滤波方法对所述90度相位化Wheeler域地震体进行滤波。

4.一种去除沉积背景的装置，其特征在于，包括：

相位处理模块，用于对原始地震体进行90度相位化处理，得到90度相位化地震体；

变换模块，用于对90度相位化地震体进行Wheeler域变换，得到90度相位化Wheeler域地震体；

背景体计算模块，用于将所述90度相位化Wheeler域地震体输入Hebb神经网络，通过Hebb神经网络主分量分析进行迭代计算，输出沉积背景体，其中，所述Hebb神经网络中权值系数的计算包括衰减项且学习率按步长衰减；

背景去除模块，用于对所述90度相位化Wheeler域地震体和所述沉积背景体进行体运算，得到岩性体；

其中，所述背景体计算模块，包括：

归一化单元，用于将所述90度相位化Wheeler域地震体归一化后输入所述Hebb神经网络；

初始单元，用于初始化所述Hebb神经网络主分量分析中权值系数矩阵和输出主分量矩阵；

背景体计算单元，用于通过初始化的所述Hebb神经网络主分量分析进行迭代计算，得到输出主分量矩阵和权值系数矩阵，当相邻两次迭代的权值系数矩阵的特征空间距离符合迭代门槛，则停止迭代，输出的第一主分量矩阵为所述沉积背景体。