基于联合小波域深度学习的地震数据规则化方法OA北大核心CSTPCD
数据规则化是地震资料处理的关键步骤之一,基于物理建模的传统方法计算量大且不具备广泛适用性。当前基于卷积神经网络的地震数据规则化方法通常局限在时域,尤其在低采样率条件下,重建数据过于平滑,纹理细节信息损失严重。小波分析具有多尺度、多方向的特性,更适于表示二维数据的纹理特性,可以聚焦地震数据信号的细节信息。为此,提出一种联合小波域的卷积神经网络模型,学习地震数据在时域与小波域的联合分布特征以逼近实际数据,将不规则地震数据重建问题转化为在卷积神经网络框…查看全部>>
张岩;李杰;王斌;李新月;董宏丽
东北石油大学计算机与信息技术学院,黑龙江大庆163318东北石油大学计算机与信息技术学院,黑龙江大庆163318东北石油大学计算机与信息技术学院,黑龙江大庆163318东北石油大学计算机与信息技术学院,黑龙江大庆163318东北石油大学人工智能能源研究院,黑龙江大庆163318 黑龙江省网络化与智能控制重点实验室,黑龙江大庆163318
天文与地球科学
地震数据规则化深度学习联合损失函数小波变换卷积神经网络
《石油地球物理勘探》 2022 (4)
P.777-788,I0002,13
评论