一种基于迭代训练的多震源数据分离和插值同步处理方法

1.本发明涉及多震源数据的处理，特别是涉及一种基于迭代训练的多震源数据分离和插值同步处理方法。


背景技术：

2.多震源观测系统中，通过在采集过程中使用时间延迟编码策略，混叠噪声在共接收点道集、共中心点道集或者共偏移距道集上编程非相干性噪声，而有效信号是相干的。为了压制多震源数据中的混叠噪声，发展了基于去噪和基于反演思想的算法。基于去噪的算法主要是将混叠噪声看成是非相干的随机噪声，直接对混叠记录中的噪声进行压制处理。而基于反演的算法则是利用时间延迟编码和稀疏变换来对混叠噪声进行迭代估计。相对于直接去噪而言，基于反演思想的算法有更好分离效果，但计算量会明显大于基于去噪算法。对于地震数据中出现的道缺失或采样不规则的现象，数据插值技术一直是地震资料数据重构的重要手段。目前，已经发展了多种插值方法，主要分为两类：第一类是基于波动方程的预测插值方法，根据地震波在地下介质中的传播规律，对缺道进行预测插值。第二类是基于稀疏变换的插值方法，如小波变换、曲波变换、radon变换和傅里叶变换等方法，这类方法不受地质模型的约束，并且有着较好的插值效果，但需要人工不断的迭代调整阈值，添加约束，耗费大量的时间和精力。此外，近年来基于稀疏编码的字典学习的插值方法也在地震数据处理中取得了不错的效果，通过训练建立完备字典，对地震数据稀疏表征并预测插值，也取得了一定的效果。
3.对于不规则的混叠地震记录来说，不规则的采样会影响对混叠噪声的分离效果，而且混叠噪声也会反过来影响插值预测的准确性。因此，分别处理混叠噪声和插值不一定会取得令人满意的效果。相对于把插值和去混叠分开处理来说，可以同步分离混叠噪声和对地震道插值，例如，基于反演的噪声分离和插值同步处理方法在迭代优化和压制噪声的过程中需要大量的计算时间，而且还依赖人为的对一些约束项或阈值频繁的调参，以达到令人满意的效果。但是会延长数据处理的周期，从而影响后续地震资料解释工作的开展，基于深度学习技术的直接估计混叠噪声和插值的方法，在提升处理效率的同时也降低了噪声分离和插值重建的效果，这种不加迭代的处理方法会对有效信号造成损伤。


技术实现要素：

4.本发明的目的在于克服现有技术的不足，提供一种基于迭代训练的多震源数据分离和插值同步处理方法，充分考虑了效率问题，在保证算法在高效实现的同时保证了处理后的数据质量。
5.本发明的目的是通过以下技术方案来实现的：一种基于迭代训练的多震源数据分离和插值同步处理方法，包括以下步骤：
6.s1.构建神经网络模型；
7.s2.对神经网络模型进行迭代训练；
8.s3.利用训练好的神经网络模型对输入进行预测，并进行神经网络的迭代更新，在并据此实现多震源数据分离和插值同步处理。
9.步骤s1中构建的神经网络模型中包含的神经网络参数为θ。
10.所述步骤s2包括：
11.s201.x表示神经网络输入，y表示神经网络的目标输出，则损失函数定义为：
[0012][0013]
其中表示l2范数的平方；表示网络对输入x进行预测，当预测结果越接近y时，则损失越小，神经网络通过最小化损失函数来逐步更新网络参数θ；
[0014]
通过使得损失函数最小化，对参数θ进行迭代训练，将参数θ更新为使得l(θ)最小的参数；
[0015]
然后利用更新后θ的估计参数估计结果为：
[0016][0017]
则表示通过神经网络预测得到的接近m的近似值，m表示所有震源的未混叠地震记录。n个震源“同步”激发时，则其中dk表示第k个震源的常规地震数据，d
ble
表示野外采集的缺失道集的混叠数据，表示第k个震源的时间延迟编码逆算子。
[0018]
s202.当训练数据和测试数据的特征或分布相差较大时，对测试数据处理时会损伤有效信号；然而在分离混叠噪声的时候，不仅要压制非相干的信号，也要尽可能的保留有效信号，因此将第i次迭代更新得到的参数记为：
[0019][0020]
其中i∈(1,2,3,
…
,m)表示第i次迭代，在第一次迭代的时候，即i＝0,则此时等同于的情况，在下一次迭代的时候，输入数据就变为其中的非相干的混叠噪声被网络估计，并从混合记录中减去；在经过多次迭代之后，逐渐收敛到干净的地震记录m，其中mk表示第k个震源的采样矩阵，控制数据的缺失情况，其元素值为0和1，0对应缺失的道集，1对应
采集到的道集。
[0021]
s203.当输入数据改变，用同一套网络参数来估计混叠噪声和插值时，在经过多次迭代后，预测结果的信噪比会降低，为了适应这种输入的变化，将的迭代更新应用到网络训练中，得到最终的损失函数如下
[0022][0023]
其中θ
i-1
表示第i-1次训练得到的网络参数，θi代表网络第i次训练得到的网络参数，当i＝1时,此时l(θi)与步骤s201中的l(θ)计算方式一致，即
[0024]
所述步骤s3包括：
[0025]
s301.在每一次迭代过程中，通过使得损失函数l(θi)最小化,对神经网络参数进行训练，即将θ
i-1
更新为使得l(θi)最小的θi；
[0026]
s302.在每一次迭代完成后，将迭代结果带得到去除混叠噪声和插值后的结果；
[0027]
s303.在每一次迭代后，输入数据会更接近目标数据，此时网络会快速地收敛，并且得到更高的信噪比和更低的损失，在经过多次迭代后，得到了更好迭代分离和插值处理效果。
[0028]
本发明的有益效果是：本发明利用迭代策略训练多套网络模型，从一套训练数据中捕捉不同混叠程度、不同缺道情况数据与标签数据之间的映射关系，从而显著改善网络模型训练过程，充分考虑了效率问题，在保证算法在高效实现的同时保证了处理后的数据质量。
附图说明
[0029]
图1为本发明的方法原理示意图；
[0030]
图2为两种不同训练策略的训练效果对比图；
[0031]
图3为实施例中传统的深度卷积神经网络迭代预测结果；
[0032]
图4为实施例中基于迭代训练的深度卷积神经网络预测结果。
具体实施方式
[0033]
下面结合附图进一步详细描述本发明的技术方案，但本发明的保护范围不局限于以下所述。
[0034]
本发明在基于深度神经网络的基础上引入了反演公式，从而实现高效率、高质量的混叠噪声分离和插值重建同步处理，并避免了之前技术中存在的缺点，即本次发明的同步处理方法，能保证高效地处理不规则的混叠记录，能保证处理后的地震数据的质量，具体地：
[0035]
如图1所示，一种基于迭代训练的多震源数据分离和插值同步处理方法，包括以下步骤：
[0036]
s1.构建神经网络模型；步骤s1中构建的神经网络模型中包含的神经网络参数为θ。
[0037]
s2.对神经网络模型进行迭代训练；
[0038]
所述步骤s2包括：
[0039]
s201.x表示神经网络输入，y表示神经网络的目标输出，则损失函数定义为：
[0040][0041]
其中表示l2范数的平方；表示网络对输入x进行预测，当的预测结果越接近y时，则损失越小，神经网络通过最小化损失函数来逐步更新网络参数θ；
[0042]
对于图像处理任务来说，如果输入和所要预测的目标之间的差距比较大，那么网络需要更多的周期才能收敛。对于不同的周期来说，网络的输入是不变的，但是网络的参数会一直迭代更新，通过使得损失函数最小化，对参数θ进行迭代训练，即将参数θ更新为使得l(θ)最小的参数；
[0043]
然后利用更新后θ的估计参数估计结果为：
[0044][0045]
则表示通过神经网络预测得到的接近m的近似值，m表示所有震源的未混叠地震记录。n个震源“同步”激发时，则其中dk表示第k个震源的常规地震数据，d
ble
表示野外采集的缺失道集的混叠数据，表示第k个震源的时间延迟编码逆算子。
[0046]
s202.当训练数据和测试数据的特征或分布相差较大时，对测试数据处理时会损伤有效信号；然而在分离混叠噪声的时候，不仅要压制非相干的信号，也要尽可能的保留有效信号，因此将第i次迭代更新得到的参数记为：
[0047][0048]
其中i∈(1,2,3,
…
,m)表示第i次迭代，在第一次迭代的时候，即i＝0,则此时等同于的情况，在下一次迭代的时候，输入数据就变为其中的非相干的混叠噪声被网络估计，并从混合记录中减去；在经过多次迭
代之后，逐渐收敛到干净的地震记录m。其中mk表示第k个震源的采样矩阵，控制数据的缺失情况，其元素值为0和1，0对应缺失的道集，1对应采集到的道集；
[0049]
s203.当输入数据改变，用同一套网络参数来估计混叠噪声和插值时，在经过多次迭代后，预测结果的信噪比会降低，为了适应这种输入的变化，将的迭代更新应用到网络训练中，得到最终的损失函数如下
[0050][0051]
其中，θ
i-1
表示第i-1次训练得到的网络参数，θi代表网络第i训练得到的网络参数，当i＝1时，l(θi)与步骤s201中的l(θ)计算方式一致，即
[0052]
s3.利用训练好的神经网络模型对输入进行预测，并进行神经网络的迭代更新，在并据此实现多震源数据分离和插值同步处理。
[0053]
所述步骤s3包括：
[0054]
s301.在每一次迭代过程中，通过使得损失函数l(θi)最小化,对神经网络参数进行训练，即将θ
i-1
更新为使得l(θi)最小的θi；
[0055]
s302.在每一次迭代完成后，将迭代结果带入得到去除混叠噪声和插值后的结果；
[0056]
s303.在每一次迭代后，输入数据会更接近目标数据，此时网络会快速地收敛，并且得到更高的信噪比和更低的损失，在经过多次迭代后，得到了更好迭代分离和插值处理效果。
[0057]
在本技术的实施例中，采用轻量级网络的例子进行说明。为了公平比较，在迭代训练过程中，将迭代次数设置为3，每次迭代设定为训练4个周期，即一共要训练得到三套网络参数，总的训练时期也和技术二中的一样。
[0058]
图2为两种不同训练策略的训练效果对比图，其中图2(a)为损失函数图，图2(b)为信噪比图。为了避免随机初始化带来的不确定性，我们给定了随机种子来保证两种不同训练策略的网络其初始值是相同。从图2中可以明显看到，1～4个周期两个训练策略的收敛情况的相同的，此时虚线和实线完全重合。当周期为5时，迭代训练框架开始第二轮迭代训练，由于网络参数会重新随机初始化，这导致一开始的损失增大，但后面损失下降的非常快，并且下降到比传统训练方式低。信噪比的变化情况和损失函数一致，迭代框架训练的信噪比会比传统训练方法的高。到第三轮迭代时，基于迭代训练框架的网络收敛的更好了，这充分说明了本发明的显著优势。
[0059]
利用合成地震记录和网络模型来观察基于迭代训练的深度卷积神经网络的噪声分离和插值同步处理效果，并且为了公平比较，我们将传统的深度神经网络参数带入迭代
公式做对比评估实验。如图3所示，图3(a)为传统的深度卷积神经网络经过三次迭代的处理结果，其最后恢复的信噪比为14.80db，图3(b)则是其处理结果对应的残差。图4(a)为使用迭代训练框架的深度卷积神经网络同步处理结果,其信噪比为17.46db，图4(b)为对应的残差。从图3和图4中可以看出，基于迭代训练框架的深度卷积神经网络有更好的去混叠和插值重建效果。
[0060]
本发明主要解决了不规则混叠地震数据中高效、高质量分离混叠噪声和插值重建的问题，提出了能够适应噪声和插值迭代规律的基于深度神经网络的迭代训练框架。目前多震源高效采集技术是地震数据采集中一个热点，准确的分离混叠噪声和缺道插值，能够为后续的地震数据处理和叠前反演奠定坚实的基础：
[0061]
(1)高效、高质量地同步处理混叠噪声和插值为地震数据处理，为后续的地震资料解释提供了支撑。不规则的混叠地震记录因包含混叠噪声和地震道缺失而相对复杂，地震资料解释时，混叠噪声的残余或地震道预测不准，对正确认识地下的地质规律造成不便。因此在地震数据处理中，精准、高效地分离混叠噪声和重建地震道，能让我们更加清晰的认识到地下地质信息。
[0062]
(2)多震源技术作为“两宽一高”数据采集的高效实现方式，其混叠噪声和不规则性受复杂的构造和地下介质情况的影响而加剧。因此，准确、高效的分离混叠噪声和插值重建，为地震波成像的精度提供了保障。
[0063]
上述说明示出并描述了本发明的一个优选实施例，但如前所述，应当理解本发明并非局限于本文所披露的形式，不应看作是对其他实施例的排除，而可用于各种其他组合、修改和环境，并能够在本文所述发明构想范围内，通过上述教导或相关领域的技术或知识进行改动。而本领域人员所进行的改动和变化不脱离本发明的精神和范围，则都应在本发明所附权利要求的保护范围内。