[发明专利]一种基于3D-DnCNN网络的叠后三维地震资料随机噪声压制方法

权利要求书

1.一种基于3D-DnCNN网络.的叠后三维地震资料随机噪声压制方法，其特征在于，包括以下步骤：

步骤01：构造3D-DnCNN网络，任意选定三维地震资料中的一块三维立体区域作为训练区域Y_training，剩余区域作为测试区域Y_test，并使用随机噪声压制方法对训练区域Y_training的随机噪声进行压制，将噪声压制后的数据作为标签数据，构造训练样本对；

步骤02：使用梯度结构张量进一步筛选步骤01得到的训练样本对，以得到质量更优的训练样本；

步骤03：将步骤02得到的训练样本对送入3D-DnCNN网络进行训练，待训练完成后，使用3D-DnCNN网络压制测试区域的随机噪声，完成三维地震资料的随机噪声压制。

2.如权利要求1所述的一种基于3D-DnCNN网络的叠后三维地震资料随机噪声压制方法，其特征在于，步骤01，包括：

3D-DnCNN网络的输入数据为原始的三维地震资料y；而y＝x+v，其中x表示有效信号，v表示噪声，使用残差学习训练一个残差映射这个残差映射得到的结果是网络学习到的噪声，这样，就得到了网络输出的地震资料有效信号

3D-DnCNN网络的卷积核采用三维结构，卷积滤波器的大小设置为3×3×3并且移除所有的池化层；采用零填充，若步幅设置为1，则零填充设置为：

式中，K表示滤波器的尺寸；

对于步幅设置不为1时的情况，网络中任意给定卷积层经过卷积操作后的输出尺寸根据如下公式计算：

式中，O表示输出的尺寸；W表示原始尺寸；K表示滤波器的尺寸；P表示填充的大小；S表示步幅的大小；

3D-DnCNN网络采用了残差学习和批归一化技术；

残差学习在网络的结构层面解决了梯度在反向传播过程消失的现象，对残差学习基本单元计算偏导数得到：

批归一化降低了内部协变量转移，保证了随着模型的训练，层与层之间在近似相同的输入分布下继续学习，加速了网络训练；批归一化网络层的前向传导公式如下所示：

式中，β^(k)＝E[x^(k)]；

批归一化层的链式求导如下式所示：

从实际地震资料中选择出信噪比较高的区域作为训练区域Y_training，其余区域作为测试区域Y_test；然后使用随机噪声压制传统方法对训练区域的随机噪声进行压制，将噪声压制后的数据作为标签数据X′_training，构造出训练样本对。

3.如权利要求2所述的一种基于3D-DnCNN网络的叠后三维地震资料随机噪声压制方法，其特征在于，步骤02，包括：

梯度结构张量的计算步骤为：

01)、对训练区域数据X′_training进行希尔伯特变换如下式所示：

02)、计算X′_training的瞬时相位ψ和瞬时频率A：

03)、以ψ中的每个点为中心，构建正方体集合其中，w表示正方体的长和宽，b表示正方体的高，N表示正方体的总数；然后分别沿time、crossline和inline方向计算正方体集合Z中每个正方体的梯度结构张量，如下式所示：

式中，g_x,g_y,g_z分别表示z_i沿time、crossline和inline方向的梯度，表示z_i中所有点的平均值；

0.4)、对g_i进行特征值分解，得到λ₁ⁱ,λ₂ⁱ,λ₃ⁱ，构建断层置信度C，如下所示：

0.5)、对断层置信度C设置硬阈值λ进一步筛选训练样本X′_training，硬阈值函数公式如下：

式中：为硬阈值函数，λ为硬阈值。