摘要
仪器、环境等因素的影响使得地震数据在采集过程难免会引入随机噪声，而随机噪声的存在影响着后续的地震资料处理流程。因此，随机噪声衰减是地震信号处理中非常重要的步骤。虽然一些传统方法能够压制住地震数据中的噪声，但存在有效信号丢失、噪声残留等问题，因此有必要研究出一种有效的去噪新方法。近年来，以深度学习为代表的人工智能技术迅速发展，已经在图像处理、语音识别等领域取得了显著的成果。目前，基于标签数据的深度学习方法是地震随机噪声压制的主流方法，但是它的去噪效果依赖于庞大而复杂的标签数据。因此，开发不依赖于标签数据的无监督学习方法对于地震数据噪声压制具有重要意义。为此，本文提出了一种基于无监督学习的去噪新方法，该方法不需要额外制作标签训练集，仅需使用由原始噪声数据构成的训练集训练网络。 (1)基于降噪自编码器的去噪研究。针对有标签数据的深度学习去噪需要耗费大量的时间与精力制作训练样本库的问题，因此提出了一种基于降噪自编码器的去噪方法。该方法首先对输入数据进行一定程度的随机损坏，然后将损坏后的数据输送到编码框架与解码框架。降噪自编码器的编码框架与解码框架由全连接层网络组成，编码框架将输入数据编码为压缩特征表达，解码器将压缩特征表达重构为无噪的地震数据。由于没有给定的标签数据，该方法使用重构地震数据与原始地震数据之间的误差作为收敛代价进行模型训练。合成数据与实际数据的实验结果表明，该方法能有效地压制随机噪声，改善剖面质量。 (2)基于卷积降噪自编码器的去噪研究。针对降噪自编码器没有将2D图像的结构考虑在内，因此提出了一种基于卷积降噪自编码器的去噪方法。该方法的编码框架由卷积层与池化层组成，解码框架由上采样层与卷积层组成。编码框架负责捕捉地震数据波形特征，据此消除噪声；解码框架能够对特征图进行扩大并恢复地震数据细节信息，从而得到重构的地震数据。考虑到地震数据的复杂性与特殊性，在编码和解码阶段使用了多尺度卷积模块提取地震数据特征。合成数据与实际数据的实验结果表明，该方法可以显著提高信噪比，去噪效果优于传统方法。
NETL