基于一维循环生成对抗网络的地震信号高分辨率处理方法研究.pdf

成都信息工程大学硕士学位论文

基于一维循环生成对抗网络的地震信号高分辨率处理方法

研究

摘要

地震信号中包含着丰富的地面下岩层的地质资料，但是这些资料通常是经

过复杂的环境干扰因素获得的含噪声和低分辨率结果。信号的质量直接关系到

地下介质的特征和地层构造的信息的准确性和可靠性，传统的方法由于其自身

基于算法模型、受限于先验知识等因素影响，在处理日渐复杂的地震信号时不

能达到理想效果。近年来随着神经网络技术的发展，基于神经网络技术的地震

信号的去噪技术和高分辨率处理方法成为了当今研究的热点。本文的方法是利

用循环生成对抗网络（CycleGenerativeAdversarialNetwork,CycleGAN）获得

高信噪比和高分辨率的地震信号。

首先合成一定量的模拟地震序列作为网络的训练集，这些训练集是由地震

子波和合成的反射系数卷积得到的一维地震信号，其中地震子波是从真实地震

数据中提取的雷克子波，反射序列模拟不同地层的反射系数。然后用合成训练

集训练CycleGAN的两个生成器，使其学习从自身领域特征到目标领域特征的

非线性复杂映射关系，进而使其中一个生成器学会将低信噪比低分辨率映射到

高信噪比高分辨率地震信号。传统的CycleGAN采用二维卷积层，本文在传统

的CycleGAN的基础上改进了算法和模型，将二维卷积层替换为适用于地震序

列的一维卷积层，得到1-DCycleGAN，其通过沿着输入序列的时间维度移动

卷积核来卷积输入的模拟地震序列。CycleGAN作为广义的深度学习模型，能

够通过学习来获得信号中的多种特征的表达能力。在高分辨率处理研究中，基

于1-DCycleGAN的方法相对于传统时频分析方法，处理后的地震信号恢复了

更多的高频细节，提高了纵向分辨率和信号主频，并拓宽了频带。在地震信号

去噪研究中，本文将1-DCycleGAN模型引入基于压缩和激励网络的注意力机

制得到压缩和激励的1-DCycleGAN（1-DSECycleGAN），以便更好地关注

原始信号中存在于高频的有用信号和噪声，捕捉地震信号中的关键特征，从而

达到去噪效果并进一步提高地震信号的分辨率。相对于传统方法，基于1-DSE

CycleGAN的去噪方法在合成地震信号和实际地震信号中都能去掉更多噪声，

得到更高信噪比的信号，还能保留更多的原始地震信号细节，使地层和断层更

加清晰。

关键词：地震信号，循环生成对抗网络，去噪，高分辨率处理

ii

成都信息工程大学硕士学位论文

Highresolutionseismicsignalprocessingbasedon

one-dimensionalcyclegenerativeadversarialnetwork

ABSTRACT

Seismicsignalscontainabundantgeologicaldataofsubsurfacestrata,butthese

dataareusuallyobtainedwithnoiseandlowresolutionaftercomplexenvironmental

interferencefactors.Thequalityofthesignalisdirectlyrelatedtothecharacteristics

ofundergroundmediaandtheaccuracyandreliabilityoftheinformationofstratum

structure.Becausethetraditionalmethodisbasedonthealgorithmmodel,limitedby

thepriorknowledgeandotherfactors,itcannotachievetheidealeffectwhen

processingtheincreasinglycomplexseismicsignal.