[发明专利]基于迭代多尺度注意力网络的DAS井中勘探数据噪声抑制方法

权利要求书

1.一种基于迭代多尺度注意力网络的DAS井中勘探数据噪声抑制方法，其特征在于，包括下列步骤：

(一)迭代多尺度注意力网络的建立

迭代多尺度注意力网络由浅层特征提取、深层特征提取和特征域到信号域转换三部分组成，含噪数据Y和去噪结果分别为迭代多尺度注意力网络的输入和输出，迭代多尺度注意力网络基于递归残差设计；

(1)、构建浅层特征提取部分

浅层特征提取目的是将输入的含噪数据Y进行特征提取，该部分为一层卷积层Conv；

(2)、构建深层特征提取部分

多尺度残差块是网络的主体结构，用于提取深层特征，多尺度残差块采用三个并行卷积流设计，确保DAS地震数据在整个网络中保持空间精确的高分辨率表示，同时从低分辨率表示中接收丰富的特征信息，网络包含的关键因素：用于提取多尺度特征的并行多分辨率卷积流、捕获信息的双重注意力模块及选择性特征融合模块；

①构建并行多分辨率卷积流

迭代多尺度注意力网络框架采用递归残差设计来简化学习过程中的信息流，构建三条并行多分辨率卷积流1×，2×，4×，为了保持架构的残差性质，引入残差采样模块来执行下采样和上采样操作，在多尺度残差块中，特征图的大小沿卷积流保持不变，跨流特征图大小根据输入分辨率索引a和输出分辨率索引b变化，如果ab，则对输入特征张量进行下采样；如果ab，则对特征图进行上采样，下采样模块中集成了抗锯齿下采样以改善网络的平移不变性；

②构建捕获信息的双重注意力模块

特征M分别经过通道注意力和空间注意力后生成两个新的特征图，将二者在通道维度上拼接应用一层卷积得到新的输出，通过学习系数和空间注意力特征图对输入的特征重新调整，增强重要的特征，减弱不重要的特征，从而让输出的特征具有更强的指向性；

由于不同通道之间所占的重要性不同，通道注意力利用压缩和激励模块学习一组权值，对特征进行重新标定，将输入的特征M∈R^H×W×C应用全局平均池化，生成特征描述符d∈R^1×1×C，对其应用卷积层Conv和PRelu激活函数，进行通道下采样生成紧凑的特征，然后经一层卷积后通过Sigmoid函数生成系数Sigmoid的作用是将系数限制在[0:1]的范围，将系数乘到特征M对应的通道上，实现对特征M的重新调整，通道注意力实现了通过学习系数增强更有用通道的权重，抑制了不重要通道的影响；

空间注意力聚焦的是特征在空间上最具有信息量的部分，在通道维度上对特征M分别应用全局平局池化和全局最大池化，将得到的两个结果基于通道做合并操作得到新的特征图f∈R^H×W×2，特征图f经过一层卷积Conv降维到1个通道，再经过Sigmoid函数生成空间注意力特征图将空间注意力特征图与特征M相乘从而对特征M进行重新缩放；

③构建选择性特征融合模块

采用三个并行卷积流的设计，将输入的三个尺度特征进行融合：

L＝L₁+L₂+L₃,L∈R^H×W×C， (1)

其中H，W，C分别表示特征的高度、宽度以及通道，全局平均池化可以将特征图L进行全局平均池化，将所有像素值相加求平均，降低参数数量，避免过拟合，得到通道统计数据S∈R^1×1×C，再对通道统计数据S进行通道下采样生成紧凑的特征表示：

其中H_CDS(·)表示通道下采样，特征向量Z通过三个平行通道上采样卷积层与卷积流一一对应、生成三个特征描述符v₁∈R^1×1×C，v₂∈R^1×1×C，v₃∈R^1×1×C，分别对三个特征描述符v₁、v₂、v₃应用softmax激活函数产生三个相对应的注意力系数s₁、s₂、s₃，将其分别与多尺度特征L₁、L₂、L₃按元素相乘，以实现通过自注意机制的重新调整，再按元素相加聚合，以上整个选择性特征融合模块的过程可以用如下公式描述：

U＝s₁·L₁+s₂·L₂+s₃·L₃ (3)

(3)构建特征域到信号域转换部分

特征域到信号域转换部分目的是将提取的深层特征从特征域转换到信号域，该部分为一层卷积层Conv；

(二)训练集的构建

用于训练迭代多尺度注意力网络的数据集称为训练集，所用的训练集包括纯净信号集和含噪数据集；

(1)纯净信号集

通过前向建模的方式模拟大量DAS纯净信号Y^*，使用128×128的滑块从纯净记录中截取9000块有效信号作为纯净信号集；

(2)含噪数据集

为了构建含噪信号数据集，从实际采集的DAS记录中提取9000块128×128的噪声数据Y，与纯净信号Y^*一一相加实现含噪数据集的构建；

(三)迭代多尺度注意力网络的训练

(1)浅层特征提取

首先应用一个卷积层Conv从含噪数据Y中提取浅层特征F_S，其过程可以表示为：

F_S＝H_SF(Y)， (4)

其中H_SF(·)表示利用卷积核对输入的含噪数据Y进行浅层特征提取；

(2)深层特征提取

通过多尺度残差块从浅层特征F_S中进行深层特征提取，表示为公式形式如下：

式中表示第1个多尺度残差块特征提取函数，表示第i个多尺度残差块的特征提取函数，为对提取特征经过i次提取得到的结果；

(3)特征域到信号域的转换

网络最后应用一个卷积层Conv，将最后一个多尺度残差块的输出从特征域转换到信号域，并采用残差学习方式来促进网络训练，于是得到网络的去噪结果为：

其中H_LF(·)表示最后一个卷积层进行特征域到信号域的转换函数，于是，整个网络的输出和输入的关系可以表示为：

式中H_Net(·)表示整个去噪网络的处理函数；

(4)为了使得去噪后信号具有较好的保幅性，采用Charbonnier损失函数来优化去噪结果，具体如下：

其中Y^*表示纯净信号，为网络的输出结果，ε是一个常数，将其设置为10^-3；

(四)DAS数据消噪处理

利用基于迭代多尺度注意力网络生成的模型对DAS数据进行消噪处理，将实际的DAS数据输入到迭代多尺度注意力网络中，网络的输出结果就是消噪后的DAS数据。