[发明专利]基于3D卷积神经网络自监督3D地震数据随机噪声压制方法

权利要求书

1.一种基于3D卷积神经网络自监督3D地震数据随机噪声压制方法，其特征在于：所述压制方法包括以下步骤：

步骤一、设计3D卷积神经网络架构；

所述3D卷积神经网络为带有跳跃连接的Encoder-Decoder结构，由3DPConv、3DConv、LeakyReLU、3DMaxPooling、3DUpSampling和Dropout组成；其中3DPConv通过利用3D卷积滤波器替换2D部分卷积层中的2D卷积滤波器获得，3DPConv可表示为：

weight为3D卷积滤波器的权重，bias表示相应的偏差，feature表示当前3D卷积滑动窗口的特征值，mask表示3D的二进制掩码，sum(1)表示与mask具有相同维度但元素均为1的矩阵，表示两个矩阵中对应位置的元素相乘，前一层的3DPConv可以为下一层的3DPConv自动生成更新的掩码，掩码更新函数为

将3DPConv—LeakyReLU组成的模块记为3DPL，3DPConv—LeakyReLU—3DMaxPooling组成的模块记为3DPLM，将Dropout—3DPConv—LeakyReLU组成的模块记为D3DPL，Dropout—3DConv—LeakyReLU组成的模块记为D3DCL；

Encoder的结构为：

InputMask—3DPL—3DPLM—3DPLM—3DPLM—3DPLM—3DPL

Decoder的结构为：

3DUpSampling①—D3DPL②—D3DPL③—3DUpSampling④—D3DPL⑤—D3DPL⑥—3DUpSampling⑦—D3DPL⑧—D3DPL⑨—3DUpSampling⑩—D3DPL—D3DPL—D3DCL—D3DCL—D3DCL—Output

跳跃连接是将编码器某一阶段的特征向量与解码器某一阶段的特征向量在通道方向进行连接，该网络结构跳跃连接方式为：—①、—④、—⑦、—⑩；

输入神经网络的数据首先利用编码器映射到特征空间，随后采用不对称的解码器重构地震资料中的有效信号并压制随机噪声，此过程中借助跳跃连接将编码阶段的特征融合到解码过程中；

步骤二、准备含有随机噪声的3D地震数据；

将步骤一设计的神经网络用于单个3D噪声数据去噪，这样就不需要设计大量的数据用于训练，只准备需要压制随机噪声的数据体；输入神经网络的3D噪声数据d可以通过在干净的有效信号上添加高斯随机噪声获得，干净的有效信号作为真实的标签c；Xline方向的采样点数为nx，Inline方向的采样点数为ni，Time方向的采样点数为nt，由于神经网络能够自适应输入数据的维度，因此nx、ni、nt可以选择大于1的任意值；

步骤三、设计自监督辅助任务；

将伯努利采样用于3D含有随机噪声的地震数据，使得3D卷积神经网络实现自监督学习；神经网络迭代次数为N，在进行每次训练时均需要以概率p对步骤二中准备的3D噪声数据d进行伯努利采样生成训练数据集输入数据为bs_n表示二进制伯努利矩阵的一个实例，因此3D噪声数据d中每个元素被置为0的概率为1-p，标签为利用伯努利采样实例训练神经网络，构造3D地震数据中的监督信息，避免恒等映射，神经网络每次训练时的优化目标为：Y_θ表示神经网络的参数模型；

步骤四、设计避免过拟合的策略；

避免过拟合策略用于3D卷积神经网络和3D含有随机噪声的地震数据；

策略1：利用步骤三设计的自监督辅助任务训练步骤一设计的3D卷积神经网络，分别在mI次迭代后进行测试，其中m＝1,2…M，在mI次迭代后进行测试时，采用基于Dropout的集成策略使本阶段训练完成的神经网络模型生成K个参数模型采用与步骤三相同的概率p对步骤二准备的3D噪声数据d进行伯努利采样生成测试数据集分别作为K个参数模型的输入，相应的预测结果为其均值即为经过mI次迭代后最终的测试结果；

策略2：由于3D卷积神经网络的输入数据仅为单个3D噪声数据d，在利用伯努利采样获得步骤三的训练数据集以及策略1的测试数据集中每个样本之前随机选择是否对3D噪声数据d应用数据增强技术，若应用数据增强技术，则在水平翻转、垂直翻转、对角翻转三种方法中随机选择一种；

步骤五、运行3D卷积神经网络；

选择优化器，设置学习率，设置每次训练和测试时的初始掩码矩阵，运行3D卷积神经网络压制随机噪声，神经网络边训练边测试，训练完成后得到有效信号压制掉的随机噪声为s_m＝d-o_m；

步骤六、确定最优压制噪声结果；

选择信噪比作为衡量压制随机噪声能力的评价指标，利用公式计算o_m与已知的真实有效信号c之间的信噪比，选择信噪比最高的o_m作为最终的结果o*，压制掉的随机噪声s*＝d-o*，绘制o*与s*之间的局部相似图衡量对有效信号的保护能力。

2.根据权利要求1所述的一种基于3D卷积神经网络自监督3D地震数据随机噪声压制方法，其特征在于：在所述步骤一中，所有3DPConv的滤波器个数为32，滑动步长为(1,1,1)，卷积核尺寸为3×3×3；3DConv的滤波器个数分别为32、32和1，滑动步长为(1,1,1)，卷积核尺寸为1×3×3；LeakyReLU负半轴斜率为0.1，3DMaxPooling的输入张量的每个维度的窗口大小为(2,2,2)，滑动步长为(2,2,2)；3DUpSampling的上采样因子为(2,2,2)；Dropout的输入张量中每个元素被设置为零的概率为0.15。