1.一种多粒度特征融合卷积神经网络的地震资料去噪方法,其特征在于,包括以下步骤:S1、通过在干净的地震资料中添加同一标准差的高斯白噪声,得到待训练数据集,即单通道含噪地震资料;
S2、将单通道含噪地震资料输入神经网络,并通过神经网络的头部将其转换为多通道地震资料;
S3、通过多粒度特征融合块即神经网络的中部从不同粒度提取各个通道的地震资料的近似特征;
S4、在神经网络的尾部将含有近似特征的多通道地震资料转换成可预测的单通道地震资料;
S5、通过干净的地震资料和可预测的单通道地震资料构建损失函数;
S6、通过梯度下降方法计算损失函数的最小值得到去噪后的地震资料和网络参数,并得到当前标准差的高斯白噪声的去噪模型;
S7、依次将不同标准差的高斯白噪声加入干净的地震资料,重复步骤S1到步骤S6,得到不同标准差的高斯白噪声的去噪模型,完成模型训练;
S8、估计待去噪地震资料的标准差,根据标准差选择已训练好的去噪模型进行去噪。
2.根据权利要求1所述的多粒度特征融合卷积神经网络的地震资料去噪方法,其特征在于,步骤S1的具体方法为:根据公式:
Y=X+N
2
N~Ν(μ,σ)
2
得到单通道含噪地震资料Y;其中X为干净的地震资料,N为随机噪声,Ν(μ,σ)表示服从均值为μ、标准差为σ的标准正态分布。
3.根据权利要求1所述的多粒度特征融合卷积神经网络的地震资料去噪方法,其特征在于,步骤S2的具体方法包括:根据公式:
得到多通道地震资料 其中多通道地震资料共16通道,Relu(·)为激活函数,Cov(·)为卷积层,w为地震资料的宽度,h为地震资料的高度,Y1×w×h为单通道含噪地震资料Y处理得到的包含通道数、宽度和高度的地震资料。
4.根据权利要求1所述的多粒度特征融合卷积神经网络的地震资料去噪方法,其特征在于,步骤S2中的神经网络的头部包括卷积层和Relu激活函数。
5.根据权利要求3所述的多粒度特征融合卷积神经网络的地震资料去噪方法,其特征在于,步骤S3的具体方法包括:根据公式:
得到含有近似特征多通道地震资料H16×w×h;其中body(·)为含有三个多粒度特征融合块的网络对输入数据的处理。
6.根据权利要求1所述的多粒度特征融合卷积神经网络的地震资料去噪方法,其特征在于,步骤S3中的神经网络的中部包括三个依次连接的多粒度融合块;多粒度融合块包括依次连接的三个并行的多粒度特征提取部分和一个特征融合部分;多粒度特征提取部分包括依次连接的第一卷积层加第一批处理归一化层、第二卷积层加第二批处理归一化层和第三卷积层加第三批处理归一化层加第一激活函数层;特征融合部分包括依次连接的融合层、第四卷积层加第四批处理归一化层加第二激活函数层和第五卷积层加第五批处理归一化层加第三激活函数层。
7.根据权利要求5所述的多粒度特征融合卷积神经网络的地震资料去噪方法,其特征在于,步骤S4的具体方法包括:根据公式:
得到可预测的单通道地震资料 其中tail(·)为神经网络的尾部对数据的处理过程;其中神经网络的尾部包含Cov(·)卷积层和Relu(·)激活函数。
8.根据权利要求1所述的多粒度特征融合卷积神经网络的地震资料去噪方法,其特征在于,步骤S5中构建损失函数的具体方法为:根据公式:
得到损失函数loss;其中θ为网络参数,Xij为宽度为i高度为j的干净的地震资料,为宽度为i高度为j的可预测的单通道地震资料,w为地震资料的宽度,h为地震资料的高度。
9.根据权利要求8所述的多粒度特征融合卷积神经网络的地震资料去噪方法,其特征在于,步骤S6中通过梯度下降方法计算损失函数的最小值得到去噪后的地震资料和网络参数的具体方法为:S6‑1、随机初始化网络参数θ;
S6‑2、根据公式:
得到损失函数关于网络参数的导数;
S6‑3、根据公式:
更新网络参数;其中n为正整数,α为学习率;
S6‑4、判断损失函数前后两次变化是否小于预设的阈值,若是则判定损失函数收敛取得最小值,并得到对应的网络参数θ和可预测的单通道地震资料 即去噪后的地震资料;否则返回步骤S6‑3继续进行迭代更新。