申请/专利权人：吉林大学

申请日：2021-10-19

公开（公告）日：2024-05-07

公开（公告）号：CN113935467B

主分类号：G06N3/0455

分类号：G06N3/0455;G06N3/082;G06F18/213;G06F18/214;G06F18/25

优先权：

专利状态码：有效-授权

法律状态：2024.05.07#授权;2022.02.01#实质审查的生效;2022.01.14#公开

摘要：本发明涉及一种基于迭代多尺度注意力网络的DAS井中勘探数据噪声抑制方法，属于地球物理技术领域。包括迭代多尺度注意力网络的建立，训练集的构建，迭代多尺度注意力网络的训练和DAS数据消噪处理。本发明合成数据和实际资料的去噪结果均表明，相比于带通滤波器和前馈去噪卷积神经网络，可以更有效地抑制DAS数据中的复杂噪声，提高其信噪比，恢复的信号在频率和幅度上都很接近于纯净信号，有利于后续的数据处理和解释。

主权项：1.一种基于迭代多尺度注意力网络的DAS井中勘探数据噪声抑制方法，其特征在于，包括下列步骤：一迭代多尺度注意力网络的建立迭代多尺度注意力网络由浅层特征提取、深层特征提取和特征域到信号域转换三部分组成，含噪数据Y和去噪结果分别为迭代多尺度注意力网络的输入和输出，迭代多尺度注意力网络基于递归残差设计；1、构建浅层特征提取部分浅层特征提取目的是将输入的含噪数据Y进行特征提取，该部分为一层卷积层Conv；2、构建深层特征提取部分多尺度残差块是网络的主体结构，用于提取深层特征，多尺度残差块采用三个并行卷积流设计，确保DAS地震数据在整个网络中保持空间精确的高分辨率表示，同时从低分辨率表示中接收丰富的特征信息，网络包含的关键因素：用于提取多尺度特征的并行多分辨率卷积流、捕获信息的双重注意力模块及选择性特征融合模块；①构建并行多分辨率卷积流迭代多尺度注意力网络框架采用递归残差设计来简化学习过程中的信息流，构建三条并行多分辨率卷积流1×，2×，4×，为了保持架构的残差性质，引入残差采样模块来执行下采样和上采样操作，在多尺度残差块中，特征图的大小沿卷积流保持不变，跨流特征图大小根据输入分辨率索引a和输出分辨率索引b变化，如果ab，则对输入特征张量进行下采样；如果ab，则对特征图进行上采样，下采样模块中集成了抗锯齿下采样以改善网络的平移不变性；②构建捕获信息的双重注意力模块特征M分别经过通道注意力和空间注意力后生成两个新的特征图，将二者在通道维度上拼接应用一层卷积得到新的输出，通过学习系数和空间注意力特征图对输入的特征重新调整，增强重要的特征，减弱不重要的特征，从而让输出的特征具有更强的指向性；由于不同通道之间所占的重要性不同，通道注意力利用压缩和激励模块学习一组权值，对特征进行重新标定，将输入的特征M∈RH×W×C应用全局平均池化，生成特征描述符d∈R1×1×C，对其应用卷积层Conv和PRelu激活函数，进行通道下采样生成紧凑的特征，然后经一层卷积后通过Sigmoid函数生成系数Sigmoid的作用是将系数限制在[0:1]的范围，将系数乘到特征M对应的通道上，实现对特征M的重新调整，通道注意力实现了通过学习系数增强更有用通道的权重，抑制了不重要通道的影响；空间注意力聚焦的是特征在空间上最具有信息量的部分，在通道维度上对特征M分别应用全局平局池化和全局最大池化，将得到的两个结果基于通道做合并操作得到新的特征图f∈RH×W×2，特征图f经过一层卷积Conv降维到1个通道，再经过Sigmoid函数生成空间注意力特征图将空间注意力特征图与特征M相乘从而对特征M进行重新缩放；③构建选择性特征融合模块采用三个并行卷积流的设计，将输入的三个尺度特征进行融合：L＝L1+L2+L3,L∈RH×W×C，1其中H，W，C分别表示特征的高度、宽度以及通道，全局平均池化可以将特征图L进行全局平均池化，将所有像素值相加求平均，降低参数数量，避免过拟合，得到通道统计数据S∈R1×1×C，再对通道统计数据S进行通道下采样生成紧凑的特征表示： 其中HCDS·表示通道下采样，特征向量Z通过三个平行通道上采样卷积层与卷积流一一对应、生成三个特征描述符v1∈R1×1×C，v2∈R1×1×C，v3∈R1×1×C，分别对三个特征描述符v1、v2、v3应用softmax激活函数产生三个相对应的注意力系数s1、s2、s3，将其分别与多尺度特征L1、L2、L3按元素相乘，以实现通过自注意机制的重新调整，再按元素相加聚合，以上整个选择性特征融合模块的过程可以用如下公式描述：U＝s1·L1+s2·L2+s3·L333构建特征域到信号域转换部分特征域到信号域转换部分目的是将提取的深层特征从特征域转换到信号域，该部分为一层卷积层Conv；二训练集的构建用于训练迭代多尺度注意力网络的数据集称为训练集，所用的训练集包括纯净信号集和含噪数据集；1纯净信号集通过前向建模的方式模拟大量DAS纯净信号Y*，使用128×128的滑块从纯净记录中截取9000块有效信号作为纯净信号集；2含噪数据集为了构建含噪信号数据集，从实际采集的DAS记录中提取9000块128×128的噪声数据Y，与纯净信号Y*一一相加实现含噪数据集的构建；三迭代多尺度注意力网络的训练1浅层特征提取首先应用一个卷积层Conv从含噪数据Y中提取浅层特征FS，其过程可以表示为：FS＝HSFY，4其中HSF·表示利用卷积核对输入的含噪数据Y进行浅层特征提取；2深层特征提取通过多尺度残差块从浅层特征FS中进行深层特征提取，表示为公式形式如下： 式中表示第1个多尺度残差块特征提取函数，表示第i个多尺度残差块的特征提取函数，为对提取特征经过i次提取得到的结果；3特征域到信号域的转换网络最后应用一个卷积层Conv，将最后一个多尺度残差块的输出从特征域转换到信号域，并采用残差学习方式来促进网络训练，于是得到网络的去噪结果为： 其中HLF·表示最后一个卷积层进行特征域到信号域的转换函数，于是，整个网络的输出和输入的关系可以表示为： 式中HNet·表示整个去噪网络的处理函数；4为了使得去噪后信号具有较好的保幅性，采用Charbonnier损失函数来优化去噪结果，具体如下： 其中Y*表示纯净信号，为网络的输出结果，ε是一个常数，将其设置为10-3；四DAS数据消噪处理利用基于迭代多尺度注意力网络生成的模型对DAS数据进行消噪处理，将实际的DAS数据输入到迭代多尺度注意力网络中，网络的输出结果就是消噪后的DAS数据。

全文数据：

权利要求：

百度查询： 吉林大学 基于迭代多尺度注意力网络的DAS井中勘探数据噪声抑制方法

免责声明
1、本报告根据公开、合法渠道获得相关数据和信息，力求客观、公正，但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解，仅供参考使用，不能作为本公司承担任何法律责任的依据或者凭证。

阅读全文 双屏查看 官方信息 专利公告 收藏专利 下载PDF 下载WORD