买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

申请/专利权人：中国地质大学(武汉)

摘要：本发明提供了一种基于无监督深度学习的随机缺失地震数据插值方法及装置。基于三维卷积神经网络CNN，使用原始数据中观测到的地震道作为标签构建损失函数，以自监督的方式训练插值网络参数。具体包括三步：使用一对互补的掩模算子分别与原始观测数据进行点积构造样本对作为训练数据集；使用训练数据集训练三维CNN参数，其中损失函数为对应于原始观测地震道位置的网络重建地震道和原始数据之间的均方误差；使用训练好的网络对整个原始缺失数据进行插值重建。本发明仅通过掩模算子实现网络的自监督训练，灵活性强、操作简单并且易于移植到各种监督学习网络框架中。数值实验表明，本发明插值精度优于传统MSSA方法，且接近同等条件下的监督学习性能。

主权项：1.一种基于无监督深度学习的随机缺失地震数据插值方法，其特征在于，包括以下步骤：获取预设的三维卷积神经网络；所述三维卷积神经网络为三维卷积核Unet网络，包括：三个下采样模块和三个上采样模块；每个下采样模块包括：两个基础模块和一个下采样层；其中基础模块包括：卷积层、激活函数和标准化层；卷积层中每个卷积核大小为3×3×3，激活函数使用线性整流Relu激活函数，标准化层使用批标准化，下采样层使用2×2×2大小的最大值池化；每个上采样模块包括：一个插值算子和两个基础模块，其中插值算子由最近邻插值实现；获取待插值的靶区三维地震数据；对所述待插值的靶区三维地震数据随机截取若干K×K×K大小的三维数据块，并将所述三维数据块划分为训练集Dtrain和验证集Dval；对所述训练集随机生成掩模算子构建输入、标签样本对；所述掩模算子为表示随机整道缺失的三维掩模算子，观测地震道用1表示，缺失的地震道用0表示；训练集采用在线生成方式，即，在网络训练过程中，每一次迭代都随机的从待插值的靶区三维地震数据中截取一批样本，并为当前批次样本随机生成一个掩模算子；构造自监督损失函数；所述构造自监督损失函数的步骤，包括：记完整数据块为si，原始观测的缺失数据块为di，对应的掩模算子为pi，di＝si⊙pi，⊙为哈达玛积；记人为随机生成的掩模算子为mi，预设的卷积神经网络为CNNθ,，θ表示待训练的网络参数，则网络的输入为两次缺失的缺失数据块di⊙mi，网络的输出为yi＝CNNθ,di⊙mi；所构造的自监督损失函数loss为： 其中，为Frobenius范数的平方，为训练集的样本个数；将所述输入、标签样本对输入所述三维卷积神经网络中，通过最小化所述自监督损失函数训练网络参数，并在每一轮训练后使用验证集评估网络性能；训练完成后，使用训练好的三维卷积神经网络对待插值的靶区三维地震数据进行插值。

全文数据：

权利要求：

百度查询： 中国地质大学(武汉) 基于无监督深度学习的随机缺失地震数据插值方法及装置