基于CWT-CNN的地震噪声压制研究_赵金泉.pdf

赵金泉，尤加春，魏俊廷，等 基于 的地震噪声压制研究 石油物探，（）：，（）：收稿日期：。第一作者简介：赵金泉（），男，硕士在读，主要从事深度学习在地球物理中的应用研究工作。：通信作者：尤加春（），男，研究员，硕士研究生导师，主要从事地震偏移成像、深度学习、并行计算及分布式并行计算等方面的研究工作。：基金项目：国家自然科学基金项目（，）资助。（，）基于 的地震噪声压制研究赵金泉，尤加春，魏俊廷，黄聪（成都理工大学地球物理学院，四川成都 ）摘要：随着深度神经网络技术的发展，卷积神经网络（）被越来越多地应用于地震数据的噪声压制中。常规 方法一般是在时间域进行，为了提升 方法对地震噪声的压制效果，提出了基于连续小波变换（）的 地震噪声压制方法。该方法首先将一维时间域信号通过 转换为二维时频域信号。然后，在利用 对时频谱进行噪声压制时，提出了两种策略：能量谱策略（策略）是将 计算的复数矩阵的振幅谱作为 的训练样本，保持相位谱不变；复矩阵策略（策略）是将复数矩阵的实部和虚部图谱作为 的不同通道分别进行处理。最后，对于 的输出结果，利用逆连续小波变换（）将二维复数矩阵还原成一维地震信号。为了定量地对比方法的效果，提出利用峰值信噪比（）、结构相似性（）和均方根误差（）个指标对比基于两种策略的 方法与其它常规滤波（包括低通滤波、小波滤波和中值滤波）方法的噪声压制效果。相较于常规滤波方法，数值实验表明基于策略的 方法具有更好的随机噪声和涌浪噪声压制效果。为了提高模型处理地震数据的泛化性，引入迁移学习对预训练模型进行微调。迁移学习的成功应用表明基于的 地震噪声压制方法可以有效且可靠地处理实际地震信号。关键词：卷积神经网络；连续小波变换；涌浪噪声；随机噪声；迁移学习；时频谱；泛化性中图分类号：文献标识码：文章编号：（）：，（，）：，（），：，；，（）第 卷第期 年月石油物探 ，（，）：（），（），（），：，地震勘探野外采集的数据不可避免地含有噪声，如果不能合理地压制这些噪声，将会严重影响地震资料的品质，因此噪声压制通常是地震数据处理中的第一个环节。本文着重讨论两种类型的噪声：随机噪声和涌浪噪声。随机噪声作为地震数据中普遍存在的噪声类型，具有随机性或相干性。涌浪噪声是海洋勘探中常见的噪声类型，具有持续时间长、振幅相对更强的特点，消除涌浪噪声是海洋地震数据处理的重要环节之一，对提高海洋地震资料的品质具有重要意义。卷积神经网络（，）是一种经典的深度学习算法。由于其突出的图像处理性能被广泛应用于图像分类和图像去噪领域。与常规方法相比，神经网络在图像处理方面不需要太多的先验经验，只需要足够的训练样本即可具有良好的图像处理能力。由于其独特的优势，在地震信 号处理 中有 着 广泛 的应 用，如 地 震 信 号 分类、自动建模和自动识别地震事件等。此外，也被应用于地震信号噪声压制，在地震信号的随机噪声压制方面，有着广泛的应用 。杨翠倩等 使用了含注意力机制的 方法对地震信号进行去噪。等 使用基于深度卷积神经网络的无监督策略压制随机噪声。这些地震信号去噪方法大多是在时域进行的，没有充分利用地震信号在频域的特性。等 使用短时傅里叶变换（，）方法将时域信号转换为频域信号，然后对处理后的信号进行噪声压制。由于 在时域的窗口宽度是固定的，不能同时获得时域和频域的分辨率，故该方法具有一定的局限性。与 相比，连续小波变换（，）得到的结果具有更高的时域和频域分辨率。为了充分利用时域和频域的信息，本文倾向于采用将时域的地震信号转换为频域信号，这样既可以使时域和频域同时具有更好的分辨率，又可以在噪声压制时利用更多的细节信息。将计算得到的时频谱作为 的训练样本，据此提出了基于 的地震噪声压制方法。通常情况下，经过 计算之后的时频谱比较大，难以直接作为 的训练样本。为了解决该问题，本文提出采用双线性插值方法 调整图谱大小。为了量化所提出的 方法噪声压制效果，本文引入了峰值信噪比（，）、结 构 相 似 性（，）和 均 方 根 误 差（，）等性能指标进行评估。为了进一步提升 方法对实际地震数据的处理能力，本文将迁移学习方法用于预训练模型的训练，解决了 方法的泛化性问题。基本原理基于 方法的噪声压制原理傅里叶变换实际上是将时域信号转换为不同频率三角函数的叠加，在整体上将信号分解为不同的频率分量，因而往往导致信号缺乏局域性信息。首先将傅里叶变换基函数乘以一个窗函数，然后经过 得到 基函数，一维信号在此过程中转换为包含时间域和频率域信息的二维矩阵，最终获得该信号的时频谱图。不能够根据信号所需动态调整时域和频域分辨率，因此我们利用连续小波变换（）将傅里叶变换的三角函数基替换为小波基函数，进而可以实现对不同频率信号分辨率的动态调整。基于上述特性，本文利用 将时域中的一维信号变换为二维矩阵，因二维时频信号能将一维信号所携带的信息分散到一个矩阵上，故更能体现信号特征，便于图谱处理。卷积神经网络包括卷积层、规范化层、激活层和池化层等元素。卷积层的功能是利用多个卷积核从输入数据中提取特征。激活层用于协助表达复杂的石油物探第 卷功能。在卷积层进行特征提取后，输出的特征图被传递至池化层进行特征选择和信息过滤。本文将含噪声的图谱作为输入数据，将无噪声的图谱作为输出结果，采用梯度下降算法调整网络参数进行优化。经过多次训练，卷积神经网络的参数将趋于稳定，即完成训练。实际情况中，原始的时域地震信号（）往往由两部分组成，其表达式为：（）（）（）（）式中：（）是有效信号；（）是噪声。地震数据进行噪声压制的目的是从含噪声信号（）中估计有效信号（）。为了更多地显示（）的特征，我们根据 模型进行图谱处理，然后利用 将（）转换成（，），表达式为：（）（，）（）对变换之后的时频谱再利用 方法进行网络训练和预测，即：（，）（，）（，）（）式中：（，）为卷积神经网络；和分别为网络的权重和偏置；（，）为采用 方法预测得到的图谱。在得到预测图谱之后，利用逆连续小波变换（，）将二维图谱转换为一维地震信号，如（）式所示：（，）（）（）由（）式至（）式的描述可知，本文方法的实现步骤如下：首先，利用连续小波变换将一维信号转换为二维时频 谱（，）；然 后，将变换 后 的结 果作为 模型的输入，并将无噪声地震信号时频谱（，）作为 模型的输出，使得经过训练的 模型具有针对地震信号时频谱去噪的能力；最后，利用 将去噪后的时频谱转换回时域信号（）。经过处理后的结果以复数形式表示为 。针对频率域噪声压制问题，本文采用了两种策略：基于时频谱中的振幅谱方法即能量谱策略（策略），基于时频谱中的实部和虚部方法即复矩阵策略（策略）。策略是将写成 的形式，将连续小波变换后时频谱的振幅谱作为 模型训练输入图谱，利用 模型输出的振幅谱和含噪声信号的相位谱重构时域信号；策略是将复数写为 形式，将连续小波变换后时频谱的实部和虚部作为 模型训练的双通道输入图谱。这两种策略流程如图所示。根据两种策略利用的信息差异，对这两种策略的噪声压制效果进行对比研图基于两种策略的 方法流程第期赵金泉等 基于 的地震噪声压制研究究。首先，将含有不同强度高斯噪声的信号和无噪声信号作为训练样本对，通过连续训练，使网络参数达到一个相对理想的状态。本文根据这两种训练策略分别训练了两个 模型，然后对比分析这两种模型的应用效果。迁移学习是一种在计算机视觉领域中被广泛应用的方法，利用该方法可以在之前训练好的网络基础上建立更为精确的模型，且耗时更短。通常，在基于大量数据训练得来的预训练模型上，使用不同于预训练数据集的少量新数据集对预训练的模型再次训练调整，一方面节省了算力资源，另一方面通过网络参数的微调，使模型获得对新数据的处理能力。定量评价指标为了定量地评价不同噪声压制方法的去噪效果，本文使用了个指标：结构相似性（）、均方根误差（）和峰值信噪比（）来量化去噪效果，其计算公式分别如下：（）（）（）（）（）式中：，分别代表，的平均值；，分别代表，的标准差；代表，的协方差。，均为常数，以避免分母为带来的系统错误。（，）（，）（）式中：，分别为不同的图谱矩阵。（）（）式中：表示图谱颜色的最大数值。对于结构相似性和峰值信噪比这两个指标而言，数值越大，表明噪声压制的效果越好；而均方根误差则相反，该指标值越小，表明噪声压制效果越好。数值实验地震数据随机噪声压制为了获得 的训练样本，本文在无噪声地震信号中加入一定量的高斯白噪声得到含噪信号，将含噪信号及其相应的原始信号组成训练样本集，并使用少量与训练样本不同的数据组成验证数据集。在 训练过程中，本文将均方根误差函数作为损失函数，将峰值信噪比作为训练模型的评价指标。本文采用卷积盲去噪网络（）开展噪声压制研究，其网络结构如图所示。该网络结构主图 网络结构（图中数字，代表卷积核数量）石油物探第 卷要是在 网络结构前面加入个卷积层用于噪声估计。首先随机选取了 道地震信号，然后在原始地震信号中加入 高斯白噪声，生成含噪地震信号，并将原始地震信号作为 模型的输入样本。为验证方法的可行性，利用基于策略的 方法进行初步实验。训练结束后，对某个单道含噪地震信号进行噪声压制，以验证方法的噪声压制效果。实验结果如图所示，可以看出，所采用的方法具有良好的去噪效果，表明该方法在地震信号噪声压制上的有效性。图对单道地震信号采用基于策略的 方法得到的噪声压制结果含噪信号与原始信号；原始信号与去噪后信号对单道地震数据的随机噪声进行压制之后，尝试对多道的炮集记录进行噪声压制研究。对 道地震数据利用基于策略的 方法计算其频谱，再采用预训练的 模型对频谱进行噪声压制，最后利用 将频谱图转换回一维信号，经过随机噪声压制之后的炮集记录如图所示，可以看出，基于策略的 方法对高斯白噪声的压制效果明显。图对 道地震信号采用基于策略的 方法进行噪声压制的结果加入 高斯白噪声的炮集记录；采用基于策略的 方法进行噪声压制后的炮集记录涌浪噪声压制涌浪噪声是海洋地震勘探中常见的强随机噪声，在原始地震记录上具有较强的低频背景。由于涌浪噪声的频谱与信号的频谱有较多的重叠，故常规的带通滤波难以对这种含有噪声的地震信号进行处理。因此，本文尝试采用基于策略的 方法对该噪声进行压制。如图所示，原始地震信号频谱与涌浪噪声的频谱对比后发现，在低频端，原始信号和涌浪噪声具有很高的重合度，地震信号的能量大多集中在 ，涌浪噪声在这个范围内也有较高的能量分图原始地震信号与涌浪噪声的频谱第期赵金泉等 基于 的地震噪声压制研究布，因此很难在频率域将两者直接分开。利用基于策略的 方法分析含涌浪噪声的信号时，可以发现，干净 的地 震 信 号和噪 声在时 频域 可 分 离（图）。这意味着它们在频率域中重叠的部分可能在时域中存在一些差异，这为本文的研究奠定了基础。图地震信号时频谱无噪声的原始地震信号；含涌浪噪声的原始地震信号；涌浪噪声如图所示，地震有效信号的主要能量分布在黄色区域。地震信号与涌浪噪声在频率域上的重叠部分为 ，在此范围内，地震信号主要分布于 和 ，涌浪噪声信号主要分布于 和 。时域重叠部分在 和 范围内。本文的目标是将信号从含涌浪噪声的地震信号时频谱（图）处理为无噪声的地震信号时频谱（图）。我们尝试采用基于不同策略的 方法来处理涌浪噪声，同样以无噪声地震信号和含涌浪噪声的地震信号为训练样本，训练用于处理含涌浪噪声地震信号的 模型。然后利用此模型对不同于训练样本的地震信号进行去噪处理，结果如图和图所示。可以看出，采用基于不同策略的 方法处理图对含涌浪噪声的地震信号采用基于策略的 方法处理前（）、后（）的道集图对含涌浪噪声的地震信号采用基于策略的 方法处理前（）、后（）的道集含涌浪噪声的地震信号时均具有较好的效果，基于策略的 方法对涌浪噪声的压制效果比基于策略的 方法压制效果更加明显。本文提出的 方法和常规方法噪声压制效果对比为了对比本文提出的 方法与常规噪声压制方法的性能差异，选取地震信号处理中比较常用的中值滤波（）、小波滤波器（）和低通 滤波 器（）及本文提出的基于策略（）和策略（）的 方 法，分 别 针 对 ，噪声的数据进行处理，并对结果进