[发明专利]一种自适应地震泄漏信号补偿的降噪方法

说明书

本发明公开了一种自适应地震泄漏信号补偿的降噪方法，本发明通过基于迭代自编码器IDAE和非线性局部信号互相关的地震泄漏信号补偿降噪，具体通过引入非线性局部相关层，以补偿迭代形式构建IDAE，使其能够从去除的噪声中提取出泄漏信号并实现高精度的噪声衰减。非线性局部相关层可以用于提取泄漏信号和压制提取的泄漏信号中的噪声，不但能够有效提取泄漏信号，而且避免了信号与噪声的假设，从而实现了对泄漏信号的高精度提取；DAE对随机噪声压制的单一性决定了其不会在多次迭代去噪的情况下引入新的噪声。本发明的方法采用IDEA以迭代的形式可以实现从去除的噪声中恢复泄漏信号，从而达到对地震数据的高精度去噪。

技术领域

本发明属于地震数据处理技术领域，具体涉及一种自适应地震泄漏信号补偿的降噪方法。

背景技术

勘探地震信号是人工激发地震波之后，由检波器接收到的速度信号。由于复杂的地面地下环境和接收系统的观测误差，勘探地震信号不可避免的包含有随机噪声。所以随机噪声去除是勘探地震资料处理中的必要环节。噪声随着实际环境的变化而变得复杂时，虽然大多数去噪方法能够有效的去除随机噪声，但是同时也会把难以识别的有效信号作为干扰去除，使得在去除的噪声中包含有用的信号，导致地震信号出现能量损失，这种现象被称为“信号泄漏”，处理中这些有效信号就直接损失掉了，其包括的地质细节信息也同时消失了。除此之外，从振幅的角度出发，信号能量的损失直接表现为信号振幅的衰减，而这对于AVO等跟振幅密切相关的油气勘探技术有着巨大影响。因此如何对去除的噪声中的有效地震信号进行追回并补偿回原始信号对于地震资料处理十分重要。

地震去噪方法可以根据假设分为基于物理假设和数学假设两类。而深度学习技术(DL)根据人脑视觉成像的生物学假设，以抽象化图像特征的方式在计算机视觉等领域取得了巨大突破，尤其在图像去噪等领域获得了优异的成绩并取得了广泛应用。二维地震数据可以看作计算机视觉中的灰度图，所以可以使用DL方法对地震数据进行去噪处。最简单的处理可以直接使用“含噪-干净”数据对作为数据集训练DL网络获得去噪网络，这种训练方式被称为监督学习；还有一种训练方式为非监督学习，它采用数据驱动的方式，不需要干净数据作为标签，利用网络结构就可以达到直接去噪的目的。非监督学习使用的网络大都为“编码-解码”形式，其中去噪自编码器(Denoising Autoencoder,DAE)常被用于去除随机噪声。但是即使是得益于海量参数和大数据，当噪声复杂时，DL去噪网络中“信号泄漏”的情况仍然存在。

发明内容

为解决现有技术存在的上述问题，实现对随机噪声的高精度衰减，本发明提出了一种自适应地震泄漏信号补偿的降噪方法。

本发明的具体技术方案为：一种自适应地震泄漏信号补偿的降噪方法，具体包括如下步骤：

步骤S1.设定去噪自编码器DAE的超参数，并根据设定的超参数初始化DAE；

步骤S2.使用含噪输入S_n无监督训练DAE；

步骤S3.使用训练好的DAE去除噪声得到{S_t，N_t}，其中，S_t表示预测的信号，N_t表示预测的噪声；

步骤S4.利用{S_t，N_t}在非线性局部互相关层中补偿泄漏信号得到S′_n：S′_n＝FL(S_t，S_n)，其中，FL代表非线性局部图像互相关算子，(S_n-S_t)表示去除的噪声剖面；R′表示非线性相似度矩阵；表示R′与(S_n-S_t)的哈达玛积；R为相似度矩阵；α和β为形状伸缩系数，α用于控制算子值域范围，β用于定义域范围；