基于深度卷积自编码网络地震数据去噪方法_滑世辉.pdf

2023 年第 38 卷 第2期2023，38(2):0654-0661地球物理学进展Progress in Geophysicshttp:/wwwprogeophyscnISSN 1004-2903CN 11-2982/P滑世辉，韩立国 2023 基于深度卷积自编码网络地震数据去噪方法 地球物理学进展，38(2):0654-0661，doi:106038/pg2023GG0290HUA ShiHui，HAN LiGuo 2023 Seismic data denoising method based on deep convolutional auto-encoder network Progress in Geophysics(in Chinese)，38(2):0654-0661，doi:106038/pg2023GG0290基于深度卷积自编码网络地震数据去噪方法Seismic data denoising method based on deep convolutional auto-encodernetwork滑世辉，韩立国HUA ShiHui，HAN LiGuo收稿日期2022-08-21;修回日期2022-12-10投稿网址http:/www progeophys cn基金项目国家自然科学基金“基于机器学习的主动源与被动源地震数据融合与直接建模研究”(45074154)资助第一作者简介滑世辉，男，1998 年生，硕士研究生，主要从事深度学习地震数据处理方面的研究 E-mail:2293778456 qq com吉林大学地球探测科学与技术学院，长春130026College of Geo-exploration Science and Technology，Jilin University，Changchun 130026，China摘要在采集得到地震数据中，随机噪声常常与有效信号混合在一起，并且毫无规律，使用常规去噪方法不能够达到理想的效果，影响后续的地震数据处理工作 为有效压制地震数据中的随机噪声，本文根据深度学习的相关理论，提出了一种基于深度卷积自编码网络的数据驱动的去噪方法，可以解决随机噪声难以去除的问题 在卷积自编码器的基础之上，网络使用了较多的层数并加入跳跃连接构造，从而增加了网络的深度，能够提取并结合数据中深层与浅层特征，增强对随机噪声的处理能力，更好地恢复有效信号的细节 经过实验证明该方法对于不同水平的随机噪声的压制均有优异的表现，在去噪的效果上远超中值滤波、小波变换等传统去噪方法，同时也比经典的 DnCNN 网络更加优秀，能够完整地保留有效信号，极大提升地震数据的质量关键词随机噪声;深度学习;深度卷积自编码网络;跳跃连接;去噪中图分类号P631文献标识码Adoi:10 6038/pg2023GG0290AbstractIn the obtained seismic data，random noise isoften mixed with effective signals，and we dont know thelaw behind itConventional denoising methods can notachieve the satisfying effect，so it will affect the subsequentseismic data processing work To attenuate random noisein seismic data effectively，according to the theory of deeplearning，this paper proposes a data-driven denoisingmethod based on deep convolutional auto-encoder network，which can solve the problem that random noise is difficultto remove On the basis of convolutional auto-encoder，thenetwork usesmorelayersandaddsskipconnectionstructure，which makes the network increase the depth andcan extract and combine the deep and shallow features ofthe dataIt enhances the processing ability of randomnoise，and recovers the details of the effective signalbetterThe network discards thepoolingandbatchnormalization，which avoiding the loss of details caused bypooling Experiments show that this method performs verywell in suppressing random noise at different levels Theeffect of denoising is much better than traditional denoisingmethods，such as median filter and wavelet transform Atthe same time，it is also better than the classical DnCNNnetwork It can well retain effective signals and improvethe quality of seismic data greatlyKeywordsandomnoise;Deeplearning;Deepconvolutionalauto-encodernetwork;Skipconnection;Denoising2023，38(2)滑世辉，等:基于深度卷积自编码网络地震数据去噪方法(www progeophys cn)0引言在野外采集的过程之中，由于受到环境以及仪器等各方面因素的影响，使得采集得到地震数据会产生各种各样的噪声，严重影响了后续的处理和研究工作，因此对于噪声的压制就显得尤为重要 噪声又可以分为规则噪声和不规则噪声，对于规则的噪声信号可以根据其特定的规律进行滤波即可达到不错的效果，而对于随机噪声，其常常与有效信号混合在一起，没有规律的特征，很难利用常规方法得到令人满意的去噪效果 为了能够有效去除地震数据中的随机噪声发展了很多方法，主要有 f-x 反褶积(Naghizadeh and Sacchi，2012;Glnay，2017)、中值滤波(Duncan and Beresford，1995;Liu et al，2009)、小波变换(Shan et al，2009)、曲波变换(Cao et al，2015)、字典学习(Beckouche and Ma，2014)等，这些方法能够对地震数据中的随机噪声在一定程度上进行压制，但对所用参数等因素有着很强的依赖性，特别是处理复杂地质情况下的地震数据，去噪的效果会更加的不理想近年来，深度学习的理论得到了充分发展，各种神经网络在图像处理、语音识别、自然语言处理等领域都展现出非常强大的能力(Krizhevsky et al，2012;Collobert et al，2011;Hinton et al，2012)在压制地震随机噪声领域中深度神经网络也得到了迅速的应用 韩卫雪等(2018)使用卷积神经网络对实际叠前及叠后数据进行去噪 Yu 等(2019)利用卷积神经网络及残差学习策略实现对随机噪声、线性噪声及多次波的压制工作 王钰清等(2019)提出一种数据集增广的方法，并利用卷积神经网络对去噪过程进行了探索 Saad 和 Chen(2020)利用深度去噪自编码器的网络模型来重构出干净的地震信号，实现随机噪声的衰减 宋辉等(2020)提出了一种基于无监督学习的卷积降噪自编码器，省去了标注数据所需的大量工作 俞若水等(2020)通过生成对抗网络来去除瑞雷波信号中的随机噪声 高好天等(2021)进行了 DnCNN 与 U-net 对随机噪声压制效果的对比 本文则在卷积自编码器的基础上进行改进，提出深度卷积自编码网络，它有着较大的网络深度，不再使用诸多网络模型中的池化操作，并且加入了跳跃连接构造，从而避免了池化导致的地震信号细节上的损失，同时也能够提取出更深层次的数据特征，得到更好的去噪效果 本文也通过各种实验证明了所用网络对于地震数据中随机噪声的压制有着出色的表现1原理1.1卷积自编码器在深度学习发展中，自编码器(Auto Encoder，AE)的概念最早由 umelhart 等(1986)提出，它属于神经网络的一个分支，通过编码与解码的网络结构使得网络输入输出尽可能达到一致 如图 1 为最基础的三层自编码神经网络，从输入映射到隐藏层为编码过程，可以表示为 H=F(X)，从隐藏层到输出层为解码部分，表示为 Y=G(H)其中输入 X=x1，x2，xnT，隐藏层 H=h1，h2，hmT，输出层 Y=y1，y2，ynT 对于确定的训练样本数 k，L1 损失函数为:argmin1kki=1Xi Yi=argmin1kki=1Xi G(F(xi)，(1)通过求解损失函数的最小值来使得网络的参数达到最优，使得输入输出尽可能的相同 但是自编码器的网络并不能达到压制噪声信号的目的，因此需要对其网络结构进行改进来实现对地震数据降噪的功能图 1自编码器网络模型Fig 1Auto-encoder network model对于卷积自编码器而言，其通过卷积神经网络(Convolutional Neural Network，CNN)中的卷积层以及激活函数来替代自编码器中的编码框架，反卷积层(转置卷积层)和激活函数来代替解码框架 如图 2 所示，卷积层和激活函数构成一编码单元，反卷积层和激活函数构成一个解码单元，若干个编码单556地球物理学进展www progeophys cn2023，38(2)图 2卷积自编码器网络模型Fig 2Convolutional auto-encoder network model元以及对应的解码单元的组合即组成一个卷积自编码器 本文的激活函数选用 eLU 激活函数，其数学表达式为(z)=max(0，z)，z=wx+b，其中 w 为权重，b 为偏置图 3跳跃连接构造Fig 3Skip connection architecture相比于传统的自编码器，卷积自编码器利用卷积层以及反卷积层中共享权重和偏置的特点，减少了所需参数的数量，提高了计算效率;同时也使得网络能够对二维图像的特征进行感知，在编码部分通过卷积一步步提取特征，消除包含在数据中的噪声信号，之后在解码部分利用反卷积层来逐渐学习并恢复图像细节，从而具有从含噪声的图像数据中分离干净数据的能力，为进行地震数据去噪提供了基础1.2跳跃连接跳跃连接(Skip Connection)也可称为恒等映射，其最先在残差网络 esNet 中得到使用 实验证明，在网络深度逐渐加深时网络的性能并没有随之提高，反而出现退化现象，带来了梯度消失和梯度爆炸等问题，而 He 等(2016)发现在 esNet 中应用跳跃连接可以有效地解决了网络出现的这些状况如图 3 为具有跳跃连接的单个模块，其可以表示为 y=x+F(x)，x 为输入，y 为输出，F(x)代表在未添加恒等映射时的函数 如果恒等映射是最优的，将中间的几个非线性层的权重趋于 0 来逼近即可，相比于没有跳跃连接的模块，这远比非线性层重新学习恒等映射更加高效，从而能够解决深层网络学习退化的问题 此外，在 Li 等(2018)的工作中也可视化地证明了具有