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

技术特征：
1.一种基于迭代训练的多震源数据分离和插值同步处理方法，其特征在于：包括以下步骤：s1.构建神经网络模型；s2.对神经网络模型进行迭代训练；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。2.根据权利要求1所述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，其特征在于：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。3.根据权利要求1所述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，其特征在于：所述步骤s2包括：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：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时y，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；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；然后利用更新后θ的估计估计结果为：估计结果为：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d
k
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；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：其中，i∈(1,2,3,
…
,m)表示第i次迭代，在第一次迭代的时候，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m
k
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；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其中，θ
i-1
表示第i-1次训练得到的网络参数，θ
i
代表网络第i次训练得到的网络参数，当i＝1时，此时l(θ
i
)与步骤s201中的l(θ)计算方式一致，即4.根据权利要求1所述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，其特征在于：所述步骤s3包括：s301.在每一次迭代过程中，通过使得损失函数l(θ
i
)小化,对神经网络参数进行训练，即将θ
i-1
更新为使得l(θ
i
)最小的θ
i
；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；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。

技术总结
本发明公开了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：S1.构建神经网络模型；S2.对神经网络模型进行迭代训练；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。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。在高效实现的同时保证了处理后的数据质量。在高效实现的同时保证了处理后的数据质量。


技术研发人员：祖绍环 柯超凡 侯成志 刘兴业 李超 蒋旭东
受保护的技术使用者：成都理工大学
技术研发日：2022.07.20
技术公布日：2022/10/11