[发明专利]一种神经网络以及利用该神经网络压制海上光纤拖缆地震数据噪声的方法

权利要求书

1.一种神经网络，为卷积神经网络，包括输入层、隐藏层、输出层，其特征在于，所述隐藏层包括卷积层、归一化层、激活层，所述卷积层、归一化层、激活层多个交替构成所述隐藏层。

2.根据权利要求1所述的一种神经网络，其特征在于，所述卷积层运用在地震数据中时，将待处理的二维数据作为输入，然后用可学习的卷积核与其进行卷积运算，获得局部信息特征，卷积操作的计算公式如下：

在上式中，x表示输入的二维数据；ω表示卷积核，其大小为p×q；b代表偏置项；f(x)表示激活函数；y表示最终的输出结果。

3.根据权利要求2所述的一种神经网络，其特征在于，所述激活层激活函数采用ReLU函数，当输入信号小于0时，经过ReLU函数后其输出值为0，使得网络具有一定的稀疏性；当输入信号大于0时，其输出为其本身。

4.根据权利要求3所述的一种神经网络，其特征在于，所述归一化层保证每一层的输入保持相同的分布，使得梯度下降过程更加稳定。

5.根据权利要求1-4任一所述的一种神经网络，其特征在于，所述卷积神经网络的传播算法包括前向传播算法与反向传播算法。

6.根据权利要求5所述的一种神经网络，其特征在于，所述前向传播算法是将数据按照已建立好的网络结构，从输入层依次流入隐藏层，最后从输出层中输出，计算公式如下：

其中，代表第m层的第i个神经元与第m+1层的第j个神经元连接的权重；代表第m+1层第j个神经元的偏置；f(x)代表激活函数。

7.根据权利要求6所述的一种神经网络，其特征在于，所述反向传播算法是进行完前向传播后，输出层得到输出结果，需要和真实标签进行比较，当输出结果和真实标签有差异的时候，计算两者之间的误差，可以引入损失函数来描述该误差，损失函数可以定义为：

其中，y_i表示前向传播算法中第i个数据的输出；y′_i表示第i个数据所对应的标签数据；n是输入数据的个数。损失函数越小说明模型训练的越好，网络的训练过程就可以看成是求损失函数的最小极值点的过程，在求最小点的过程中用到了所述反向传播算法。

8.根据权利要求7所述的一种神经网络，其特征在于，反向传播的目的是求取网络的总误差对各个权重参数的梯度，从而利用梯度下降法来更新权重。以输入层、隐藏层、输出层组成的3层简单的网络为例，该网络有两个输出，总误差权重的梯度的求取方式如下：

其中参数的命名方式与前向传播中相同。

求取的梯度时，因两个输出y₁与y₂都对其产生了影响，所以需要分别求：

同理可得

综上，

若网络越深，反向传播时计算越复杂，但是万变不离其宗，原理相同。求得了权重的梯度后，便可利用梯度下降法来更新权重：

其中，η表示步长，一般步长可以在模型训练伊始选择大一点，之后逐渐减小。至此，网络就完成了一次前向传播与反向传播，权重也完成了一次更新。