技术摘要：
一种基于多尺度卷积自编码神经网络的地震随机噪音压制方法，包括以下步骤：S1，地震数据预处理：对原始地震数据进行分块处理；S2，建立神经网络模型：搭建多尺度卷积自编码神经网络模型，用于地震随机噪音压制；S3，去噪：将步骤S1中预处理后的地震数据输送到步骤S2中  全部
背景技术：
高质量的地震数据毫无疑问易于解释与分析，然而，地震数据经常被随机噪音污 染，所以我们得到的地震数据往往信是低信噪比的。低信噪比的数据意味着地震数据质量 很低，这不利于对后续的处理与解释。因此，在对地震数据进行解释之前，必须对图像质量 进行改善，以得到更清晰更有用的信号。 在过去的几十年，大量的地震资料去噪方法已经提出。基于预测的去噪方法假定 在相干信号是可预测的，而随机噪声是不可预测的，这样的方法包括在T-X预测滤波、F-X反 褶积；基于变换的去噪方法利用信号与噪声在变换域内具有较好的分选性，传统的方法包 括小波变换、曲波变换、拉东边换，由于他们建立在固定的变换基函数，没有办法自适应的 应对更复杂结构的地震数据；而字典学习是一种基于数据驱动的算法，它通过使用可学习 的字典代替传统的变换基函数，因此可以自适应的表示数据内容，然而，字典的更新将不享 受效率；基于分解的方法将含噪的地震数据首先分解成不同的分量，然后选择主要代表有 用信号的成分，属于这些基于分解的去噪方法的典型方法包括经验模式分解及其变体。 以上方法大部分都需要设置一个与噪声相关的参数，设置的不合理，就会削弱有 效信号或噪音清除不干净。
技术实现要素：
针对上述问题，本发明提供一种基于多尺度卷积自编码神经网络的地震随机噪音 压制方法。 为实现上述目的，本发明所采用的技术方案是： 一种基于多尺度卷积自编码神经网络的地震随机噪音压制方法，包括以下步骤： S1，地震数据预处理：对原始地震数据进行分块处理； S2，建立神经网络模型：搭建多尺度卷积自编码神经网络模型，用于地震随机噪音 压制； 所述多尺度卷积自编码神经网络模型的结构包括： 输入层：用于输入原始地震数据； 编码框架与解码框架：编码框架用于压缩输入，它由三层卷积层和池化层组成；解 码框架用于重建输入，它由三层卷积层和上采样层组成； 输出层：用于输出去噪地震数据； S3，去噪：将步骤S1中预处理后的地震数据输送到步骤S2中的多尺度卷积自编码 神经网络模型中，模型的输出数据为去噪地震数据。 进一步的，编码框架的每个卷积层跟着一个非线性函数ReLU。 3 CN 111580161 A 说　明　书 2/4 页 进一步的，在每一层卷积层组合使用不同尺寸的卷积核。 进一步的，所述多尺度卷积自编码神经网络模型中，损失函数为均方差损失函数： J表示损失函数，W与b代表权重和偏置，y表示输入数据，表示输出数据，P、P2表示 概率。 本发明的有益效果如下： 其一，本发明所提供的方法可以不需要干净样本进行训练，直接从含噪数据恢复 出干净信号。 其二，本发明所提供的方法可以显著的提高地震数据的质量，并且能够恢复出更 多的细节信息，在清除噪音的同时几乎不损伤有用信号。 附图说明 图1为基于多尺度卷积自编码神经网络的地震随机噪音压制方法的工作流程图。 图2为自编码器结构示意图。 图3为卷积自编码器结构示意图。 图4为不同尺寸的卷积核组合示意图。 图5为合成的地震数据示意图。 图6为合成地震数据去噪结果对比。 图7为平均振幅谱对比示意图。 图8为单道去噪结果对比示意图。 图9为实际地震数据。 图10为实际地震数据去噪结果对比。