【技术实现步骤摘要】
本专利技术涉及地震噪声压制领域，尤其涉及一种基于双注意力引导gan的混叠噪声压制方法和装置。
技术介绍
1、在地震勘探领域，大多数情况下，多炮混叠地震资料处理是十分困难的。混叠噪声压制过程是指将干扰地震源产生的干扰地震记录进行压制或分离的过程，是多震源混采技术下地震数据处理环节中必不可少的环节，通过混叠噪声压制得到传统采集模式下的单炮地震数据，为后续偏移和反演地下介质提供高信噪比的数据支持。
2、目前，混叠噪声压制研究主要还是集中在传统滤波和稀疏反演上。滤波法是根据混叠噪声在不同域内与有效信号之间的分布差异来对混叠噪声进行压制。基于滤波的方法具有处理速度快的特点，但是去混叠精度较低。但当地下构造比较复杂时，滤波方法有其局限性，压制混叠噪声效果不理想，存在去噪精度较差、对有效信号的损失较大、滤波参数选择困难等问题。与滤波方法相比，稀疏反演方法具有更高的噪声压制精度。基于稀疏反演方法处理速度慢，但压制精度较滤波方法好。然而，反演问题需要一定的约束和先验知识，并且其噪声压制精度受约束和先验知识的影响较大。
3、由于传统滤波方法和稀疏反演方法的局限性，基于数据驱动的深度学习方法引起了研究人员的关注。基于深度学习理论进行混叠噪声压制的研究起步较晚，近三年逐渐发展起来。现有深度学习方法主要是基于一些基础的神经网络模型，如去噪神经网络dncnn、深度卷积神经网络、u-net网络等。目前这些方法取得了初步的成功，相比传统压制方法更加智能和高效，并且具有更高的压制精度。
4、但是，现有深度学习的去混叠噪声方法还
技术实现思路
1、针对现有技术之不足，本专利技术提出一种基于双注意力引导gan的混叠噪声压制方法，其特征在于，引入双注意力机制对混叠噪声进行压制，构建基于生成对抗网络gan的混叠噪声压制网络，通道注意力机制用于探索高级潜在特征的内部通道层次关系，空间注意力机制用于探索高级潜在特征的空间层次关系，更有效地捕获地震数据的丰富特征信息，生成高精度的单炮地震记录，所述压制方法具体包括：
2、步骤1：模拟数据生成，简单模拟数据通过五层的水平层状正演模型得到，第一震源和第二震源均设置在地面上，第一震源和第二震源的激发时间相隔100ms，从上到下每层的速度分别为3000m/s、3200m/s、3350m/s、3750m/s、4000m/s，采样率1ms，每炮400道数据，一道数据1300个采样点；
3、步骤2：构建模拟数据集，数据集包含混叠地震数据和无混叠地震数据构成的数据对，数据集按约定比例分为训练集和验证集，每个数据对的大小为256*256；
4、步骤3：将步骤2的训练集输入构建好的双注意力引导gan中进行训练，所述双注意力引导gan包括编码器、解码器和判别器，其中编码器和解码器构成生成器，并且在编码器和解码器之间依次设置通道注意力模块cab和空间注意力模块sab，所述双注意力引导gan网络的训练过程包括：
5、步骤31：将训练集中的混叠数据块输入编码器提取第一高级潜在特征，所述编码器包括五层卷积层；
6、步骤32：将编码器提取的第一高级潜在特征输入通道注意力模块进行通道层次关系的特征学习，具体的：
7、步骤321：通过双分支的平均池化和最大池化操作对所述第一高级潜在特征进行特征信息的聚合，平均池化操作侧重提取地震数据的整体信息，去除局部细节，最大池化操作侧重提取主要特征，去除次要特征；
8、步骤322：将双分支池化操作聚合后的两个特征输入多层感知机对特征信息进行线性变换处理，进一步整合聚合特征，得到两个特征信息；
9、步骤323：两个特征信息使用元素求和方式进行合并输出特征向量，最后利用sigmoid函数得到通道注意力特征图；
10、步骤33：通过跳跃的方式，将第一高级潜在特征与所述通道注意力特征图相乘，得到的第二高级潜在特征获取了特征的不同通道权重，分配了网络对不同通道的注意力强弱；
11、步骤34：将所述第二高级潜在特征输入空间注意力模块sab，所述空间注意力模块进一步捕捉潜在地震数据特征的空间层次的内在关系，具体的：
12、步骤341：所述第二高级潜在特征沿通道方向通过平均池化和最大池化操作分别对特征图进行细化，并将细化后的两个特征图按通道拼接操作得到整合后的特征图；
13、步骤342：将整合后的特征图输入到一系列的卷积块，经sigmoid激活函数后输出最终的空间注意力特征图；
14、步骤35：通过跳跃的方式，将第二高级潜在特征与所述空间注意力特征图相乘进一步获得特征的空间级位置关系，得到最终的细化特征图；
15、步骤36：将所述细化特征图输入解码器进行解码，得到预测无混叠地震数据；
16、步骤37：将所述预测无混叠地震数据和真实无混叠地震数据一起送入补丁判别器进行真假判断，并根据判断结果给生成器一个反馈，生成器根据该反馈调整网络参数，直至判别器无法分辨模型输出的去噪地震单炮结果和真实地震单炮数据时，生成器和判别器网络达到平衡状态，则模型训练完成；
17、步骤38：将验证集输入训练好的模型中进行验证。
18、一种基于双注意力引到gan的混叠噪声压制装置，所述混叠噪声压制装置，所述装置包括：模拟数据生成模块，训练集生成模块、混叠噪声压制模块、判别模块和输出模块，其中，
19、所述模拟数据生成模块，用于根据正演模型生成模拟数据，所述模拟数据包括混叠地震数据和无混叠地震数据；
20、所述模拟训练集生成模块，用于根据生成的模拟数据制作训练集，训练集包含混叠数据和无混叠地震数据构成的数据对；
21、所述混叠噪声压制模块，包括特征提取模块和特征恢复模块，所述特征提取模块用于提取输入混叠数据的特征，所述特征恢复模块为根据提取的特征恢复得到预测无混叠地震数据，
22、所述判别模块，所述判别模块用于对预测无混叠地震数据和真实无混叠地震数据进行判别，并输出要给判别反馈给所述混叠噪声压制模块；
23、所述输出模块，用于当判别器无法对预测无混叠地震数据和真实无混叠地震数据进行判别时，输出最终的无混叠地震数据。
24、根据一种具体的实施方式，所述混叠噪声压制模块还包括依次连接的通道注意力模块和空间注意力模块，两个注意力模块设置在所述特征提取模块和特征恢复模块之间，所述通道注意力模块用于通道层次关系的特征学习，所述空间注意力模块用于捕捉潜在地震数据特征的空间层次的内在关系。
25、相比现有技术来说，本专利技术的有益效果在于：
26、1、针对现有神经网络压制混叠噪声存在的不足，我们引入了双注意力机制，在本文档来自技高网...
【技术保护点】
1.一种基于双注意力引导GAN的混叠噪声压制方法，其特征在于，引入双注意力机制对混叠噪声进行压制，构建基于生成对抗网络GAN的混叠噪声压制网络，通道注意力机制用于探索高级潜在特征的内部通道层次关系，空间注意力机制用于探索高级潜在特征的空间层次关系，更有效地捕获地震数据的丰富特征信息，生成高精度的单炮地震记录，所述压制方法具体包括：
2.一种基于双注意力引到GAN的混叠噪声压制装置，其特征在于，所述混叠噪声压制装置包括：模拟数据生成模块，训练集生成模块、混叠噪声压制模块、判别模块和输出模块，其中，
3.如权利要求2所述的混叠噪声压制装置，其特征在于，所述混叠噪声压制模块还包括依次连接的通道注意力模块和空间注意力模块，两个注意力模块设置在所述特征提取模块和特征恢复模块之间，所述通道注意力模块用于通道层次关系的特征学习，所述空间注意力模块用于捕捉潜在地震数据特征的空间层次的内在关系。
【技术特征摘要】
1.一种基于双注意力引导gan的混叠噪声压制方法，其特征在于，引入双注意力机制对混叠噪声进行压制，构建基于生成对抗网络gan的混叠噪声压制网络，通道注意力机制用于探索高级潜在特征的内部通道层次关系，空间注意力机制用于探索高级潜在特征的空间层次关系，更有效地捕获地震数据的丰富特征信息，生成高精度的单炮地震记录，所述压制方法具体包括：
2.一种基于双注意力引到gan的混叠噪声压制装置，其特征在于...
【专利技术属性】
技术研发人员：文晓涛，任红萍，唐超，林凯，张天悦，朱桓，李超，
申请(专利权)人：成都理工大学，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。