1.一种基于卷积神经网络的少量震源虚拟炮信号增强方法,其特征在于,包括以下步骤:a、利用正演方法分别收集不同速度模型下,震源数量较少、震源分布不均匀以及震源数量较多且分布广泛的原始被动源地震记录;
b、利用互相关地震干涉法对收集到的被动源原始记录进行虚拟炮记录的构建,其构建方程为:R(xB,xA,t)+R(xB,xA,‑t)=δ(xH,B,xH,A)δ(t)‑T(xA,‑t)*T(xB,t)其中,R(xB,xA,t)代表某一道相对于另一炮的地震反射记录,即xA处进行放炮,xB处进行接收得到的地震记录;R(xB,xA,‑t)代表的是其非因果部分;δ()代表Dirac函数;T(xA,‑t)和T(xB,t)分别代表xA和xB两个检波器接收到的透射波响应;“*”代表卷积运算;
c、截取合适的采样点数的虚拟炮记录制作训练集和测试集以及其所对应的标签,并采用归一化处理:其中,x代表地震重构记录中的某一像素点,xmin代表x所在的地震重构记录中最小像素点的值,xmax代表x所在的地震重构记录中最大像素点的值;
d、设计卷积神经网络的模型框架,设置合理的超参数;
e、将制作好的训练集及其对应标签输入到设计好的网络中去,卷积神经网络进行训练,迭代更新权重参数;
f、将测试集数据输入训练好的网络中去,最终得到相干噪声水平较低,虚假同相轴较少,且波形连续性较好的虚拟炮记录,并将直线型同相轴恢复成双曲线型同相轴。
2.根据权利要求1所述的一种基于卷积神经网络的少量震源虚拟炮信号增强方法,其特征在于:步骤c,采用的是单张记录的归一化,利用每一张地震记录的极大值和极小值做归一化处理,保证每一张记录的高对比度和像素点横向上的连续性。