申请/专利权人：成都理工大学

申请日：2023-12-08

公开（公告）日：2024-04-12

公开（公告）号：CN117874451A

主分类号：G06F18/20

分类号：G06F18/20;G01V1/36;G06F18/213;G06N3/0464;G06N3/08

优先权：

专利状态码：在审-实质审查的生效

法律状态：2024.04.30#实质审查的生效;2024.04.12#公开

摘要：本发明涉及一种基于多级纹理感知和多输出的混叠噪声压制方法和装置，提出了多级纹理感知从无混叠地震数据中获取纹理信息，以对输出结果的纹理生成进行约束和控制，输出更具精细地震数据纹理的结果。同时，引入多输入多输出机制，通过多输入获取多个尺度上更丰富的特征信息，如浅层的弱信号特征；通过多输出对输出结果进行多尺度上的约束，加快网络收敛速度。本发明的网络模型充分利用了U‑net网络和残差网络Resnet的优点，增强了MTMI‑GAN模型提取混叠地震数据的精细特征信息的能力。实验结果表明，本发明所提出的方法相比对比方法具有更好的混叠噪声压制效果和有效信号保持能力。

主权项：1.基于多级纹理感知和多输出的混叠噪声压制方法，其特征在于，针对地震数据具有横向连续的双曲线型纹理特征，引入了多级纹理感知机制，通过纹理感知对输出地震数据进行约束，提升去混叠性能，同时，提出多输入多输出机制来利用输入的多尺度特征和输出的多重损失约束，加快模型收敛速度，所述混叠噪声抑制方法具体包括：步骤1：生成模拟数据，所述模拟数据通过五层的水平层状正演模型得到；步骤2：构建模拟数据集，数据集包含混叠地震数据和无混叠地震数据构成的数据对，数据集按约定比例分为训练集和验证集，每个数据对的大小为512*512；步骤3：构建多级纹理感知和多输入多输出机制的混叠噪声压制网络，所述混叠噪声压制网络包括：生成器、第一判别器、多输出约束模块、纹理感知模块，将步骤2的模拟数据集输入构建好的混叠噪声压制网络中进行训练，具体过程包括：步骤31：将混叠数据块输入到所述生成器中，所述生成器以U-net结构为基础，所述生成器包括第一编码器、第二编码器、中间模块和对应的第一解码器和第二解码器，同时，在解码器和编码器中引入了残差模块，有效地抑制了网络梯度消失，具体过程包括：步骤311：首先将混叠数据块（h，w）进行两次下采样，得到三种不同尺度的地震数据块作为多级输入，得到的尺度大小分别为（h，w），（h2，w2），（h4，w4）；步骤312：将（h，w）尺度大小的数据块输入第一编码器中，第一编码器进行浅层的特征提取得到第一特征图，将第一特征图输入到第二编码器中进行深层特征提取；步骤313：同时，将（h2，w2）尺度大小的地震数据块一起输入到第二编码器中进行特征提取得到第二特征图；步骤314：将所述第二特征图和（h4，w4）尺度大小的数据块经过中间模块进行特征恢复，输出预测的（h4，w4）尺度大小的去混叠地震结果，并将这个结果输出到第一解码器；步骤315：同时，将第二特征图输入第一解码器，最终，第一解码器输出第三特征图，第四特征图经过一个卷积模块得到恢复的（h2，w2）尺度大小的去混叠地震结果，将该去混叠结果输入到第二解码器中；步骤316：同时，将第一特征图输入第二解码器得到第五特征图，第五特征图分别经过一个卷积模块得到恢复的（h，w）尺度大小的多级输出地震数据块；步骤32：将恢复的三种尺度大小的多级输出地震数据块输入所述多输出约束模块，以对生成器输出（h，w）尺度大小的去混叠地震数据进行约束得到预测无混叠地震数据；步骤33：将所述预测无混叠地震数据输入到所述纹理感知模块中，所述纹理感知模块感知真实无混叠地震数据和所述预测无混叠地震数据之间的纹理差异，进一步对预测的无混叠地震数据进行约束；步骤34：将步骤33的预测无混叠地震数据块输入第一判别器，第一判别器对其进行判别，同时输出一个反馈信息给生成器，生成器根据所述反馈信息修改参数，继续生成高质量的去混叠地震数据，直到第一判别器无法分辨预测无混叠地震数据的真假或达到预设的迭代次数，训练结束；步骤4：将验证集输入训练好的混叠噪声压制网络中进行验证。

全文数据：

权利要求：

百度查询： 成都理工大学 基于多级纹理感知和多输出的混叠噪声压制方法和装置

免责声明
1、本报告根据公开、合法渠道获得相关数据和信息，力求客观、公正，但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解，仅供参考使用，不能作为本公司承担任何法律责任的依据或者凭证。

阅读全文 双屏查看 官方信息 专利公告 收藏专利 下载PDF 下载WORD