基于深度卷积自编码网络噪声衰减的混采数据分离研究.pdf

基于深度卷积自编码网络噪声衰减的混采数据分离研究

摘要

（作者：滑世辉指导教师：韩立国）

传统地震数据的采集方式通常采用震源独立激发，多个检波点接收的方式，

为了取得高质量的地震数据往往需要花费大量的时间和成本。多震源混合采集方

法的出现成功克服了这个缺点，极大提升了地震数据采集的效率。但是这种方式

也带来了另外一个问题：地震记录之中多个震源的波场相互混叠，这会导致地震

数据处理困难、成像质量下降等问题，因此需要进行震源波场的分离工作。同时

在地震数据采集的过程之中，由于环境等因素的干扰难免会采集到随机噪声，而

对于随机噪声的压制问题对于地震数据处理阶段一直是个难题。因此本文旨在研

究出能够解决这两方面的难题的方法。

深度学习是机器学习中一个新兴的研究领域，近年来，各种神经网络在图像

处理、语音识别等领域发挥了关键的作用。本文依据深度学习的相关理论知识，

在卷积自编码器的基础上进行改进，提出了一种深度卷积自编码网络，在网络中

加入了对称式的跳跃连接结构以用于解决网络层数增多时产生的退化问题，从而

提升网络的学习能力和压制噪声的水平。因此针对随机噪声压制与混采数据的分

离问题，本文通过深度卷积自编码网络进行深入探究。

随机噪声的信号常常表现得毫无规律，而且它与地震数据中的有效信号混合

在一起，严重影响了数据的信噪比，因此本文利用深度卷积自编码网络通过大量

的数据训练来学习随机噪声信号的特征并达到压制随机噪声的目的。在研究中，

本文发现跳跃连接结构的使用加速并改善了网络的训练过程，提高了对随机噪声

的压制水平。在随机噪声的处理效果测试中发现网络对于不同程度的噪声均有着

出色的衰减效果，并且可以恢复出原有的有效信号的结构特征。此外，在研究中

发现深度卷积自编码网络的噪声处理能力强于DnCNN而且处理的效果是明显优

于传统去噪的方法。因此，深度卷积自编码网络能够有效压制地震数据中的随机

噪声，并且相比于传统方法减少了对于参数的依赖性，是一种更适用于处理随机

噪声的智能化方法。

多震源混合采集的数据在经过伪分离等处理后可以将待分离的震源波场作

I

为有效信号，而其他震源的波场则成为了随机脉冲状的混叠噪声信号，将混叠噪

声去除即可实现混合采集数据的分离。在此基础之上，由于深度卷积自编码网络

已经展现出强大的随机噪声压制能力，因此本文将其用于混合采集数据分离问题

的研究中。本文中自行制作相应的数据集训练网络，通过另一组混合采集数据作

为测试集研究深度自编码网络的混叠噪声压制的效果与网络泛化的能力，最终发

现网络能够有效保留待分离震源的波场信号并且消除混叠噪声，实现混合采集数

据的分离。同时也与基于噪声压制原理分离混采数据的方法进行对比，发现深度

卷积自编码网络的去噪的结果是更加理想的。此外，本文对于高强度的混叠噪声

也进行了网络的去噪处理，结果表明深度卷积自编码网络依然有着出色的的噪声

压制效果，这进一步证明了网络极强的泛化性，是一种适用于混合采集数据分离

的智能化方法。

本文以深度卷积自编码网络为基础，针对两种不同的噪声压制问题，通过相

应的探究，证明了深度卷积自编码网络能够有效压制随机噪声与混叠噪声，实现

有效信号的完整保留与混合采集数据的分离，进而为后续的处理与解释工作提供

一定的帮助。

关键词：深度卷积自编码网络；跳跃连接；随机噪声；混叠噪声；去噪

II

TheStudyonBlendedDataSeparationBasedonNoise

AttenuationinDeepConvolutionalAuto-encoderNeural

Network

Abstract

(Author:HuaShihuiSupervisor:HanLiguo)

Traditi