1.一种基于注意力引导的卷积神经网络地震信号去噪方法,其特征在于,包括如下:S1:采用雷克子波合成地震记录中的有效信号,得到20个大小为640×128的干净地震信号,采用高斯白噪声合成20个大小为1500×5000的噪声信号;
S2:对合成的地震数据集进行预处理,获得9600个254×60的预训练数据,构建一个包含噪声的地震信号训练集;
S3:构造一个由稀疏块、特征增强块、注意力块、重建块四个模块构成的ADNet网络模型并开始采用步骤S2的地震信号训练集训练;
S4:待训练完成后,采用基于注意力引导的卷积神经网络对地震数据噪声进行压制。
2.按照权利要求1所述的一种基于注意力引导的卷积神经网络的地震信号去噪方法,其特征在于,S2中具体包括:
S21、将S1中合成的20个大小为640×128的地震信号,使用大小为50×50的滑动窗口,步长为10来截取信号,经过振幅归一化处理后生成包含9600个信号样本的信号集;
S22、将S1中合成的20个大小为1500×5000的噪声信号,使用大小为50×50的滑动窗口,步长为25来截取噪声数据,经过振幅归一化处理后生成包含11741个噪声样本的噪声集;
S23、将步骤S21中得到的干净地震信号与步骤S22中得到的噪声信号叠加,得到带有噪声的地震数据作为ADNet网络的输入。
3.按照权利要求1所述的一种基于注意力引导的卷积神经网络的地震信号去噪方法,其特征在于,S3中具体包括:
S31、构建17层的ADNet网络结构包括:稀疏块、特征增强块、注意力块、重建块;
S32、稀疏块包含12层,第2层、第5层、第9层、第12层的操作包括扩张卷积、BN和激活,第
1层、第3层、第4层、第6层、第7层、第8层、第10层、第11层的操作包括卷积、BN和激活;其中,所述激活采用的激活函数为ReLU,卷积滤波器大小为3×3;
S33、特征增强块包含4层,第13层、第14层、第15层的操作包括卷积、BN和激活,第16层仅进行卷积操作,所述激活采用的函数为ReLU;
S34、特征增强块后接注意力块,所述注意力块包含1个卷积层。
S35、重建块通过剩余学习的方法重建干净地震信号;
S36、设置均方误差函数为上述ADNet去噪神经网络训练中的损失函数:其中, 分别表示第i个给定的干净地震信号和噪声信号,N表示带有噪声的地震数据样本个数,θ为训练去噪模型中的参数。
4.按照权利要求2所述的一种基于注意力引导的卷积神经网络的地震信号去噪方法,其特征在于,S4中包括:
S41、将步骤S23得到的带有噪声的地震数据输入ADNet去噪模型,其中,稀疏块将扩张率为2的卷积作为高能点,将普通卷积作为低能点,使用高能点来获取更多有用信息,输出噪声信号的映射函数;
S42、将步骤S41输出的映射函数与输入的带有噪声地震信号串联起来,特征增强模块将获得的特征转换为非线性;
S43、注意力块采用大小为1×1的卷积将步骤S42获得的特征压缩成向量调整前一阶段的权重,其次利用获得的权重乘以特征增强模块的输出,以提取更显著的噪声特征,得到预测残差信号。
S44、重建块以步骤S43的结果作为输入,联合S23中输入的带有噪声的地震数据,通过剩余学习的方法重建干净地震信号。