原创力文档- 1、原创力文档（book118）网站文档一经付费（服务费），不意味着购买了该文档的版权，仅供个人/单位学习、研究之用，不得用于商业用途，未经授权，严禁复制、发行、汇编、翻译或者网络传播等，侵权必究。。
- 2、本站所有内容均由合作方或网友上传，本站不对文档的完整性、权威性及其观点立场正确性做任何保证或承诺！文档内容仅供研究参考，付费前请自行鉴别。如您付费，意味着您自己接受本站规则且自行承担风险，本站不退款、不进行额外附加服务；查看《如何避免下载的几个坑》。如果您已付费下载过本站文档，您可以点击 这里二次下载。
- 3、如文档侵犯商业秘密、侵犯著作权、侵犯人身权等，请点击“版权申诉”（推荐），也可以打举报电话：400-050-0827(电话支持时间：9:00-18:30)。
- 4、该文档为VIP文档，如果想要下载，成为VIP会员后，下载免费。
- 5、成为VIP后，下载本文档将扣除1次下载权益。下载后，不支持退款、换文档。如有疑问请联系我们。
- 6、成为VIP后，您将拥有八大权益，权益包括：VIP文档下载权益、阅读免打扰、文档格式转换、高级专利检索、专属身份标志、高级客服、多端互通、版权登记。
- 7、VIP文档为合作方或网友上传，每下载1次， 网站将根据用户上传文档的质量评分、类型等，对文档贡献者给予高额补贴、流量扶持。如果你也想贡献VIP文档。上传文档
查看更多
基于深度残差网络的地震数据去噪
/金宇晨*，吴旭晴，陈杰夫，韩竹，休斯顿大学胡文毅，高级地球物理技术
g
r
o
.公司
g
e
s
.
y摘要块，并学习了一个与块大小相匹配的字典。该方法提供
r
a
r了一个框架，无需其他转换即可自适应地构建稀疏数据
b
i深度学习利用多层神经网络架构，在许多机器学习应用
l
/
/表示。字典可以基于有噪声的数据或无噪声的数据学习。
:中表现出卓越的能力。深度去噪自编码器技术从地震数
p
t
t当在有噪声的数据上学习时，需要经验估计噪声方差以
h据中提取更好的相干特征。该技术使我们能够以非线性、
t
a平衡去噪过程中的数据保真度。Siahsar等人（2017）
e数据驱动和无监督的方式自动从高维特征空间中提取低
s也采用了数据驱动的字典学习方法。由于地震数据中存
U维特征。经过适当训练的去噪自编码器可以接受部分损
f在有意义的几何重复结构，这使得它在时间‑空间域内
o
s坏的输入并恢复原始未失真的输入。本文提出了一种基
m本质上是低秩的，因此将促进稀疏性的字典学习重新表
r于深度残差网络的新自编码器，用于对地震数据进行噪
e述为一个非负矩阵分解问题。低秩属性将减少噪声，额
T
声衰减。我们使用合成数据集评估了所提出的方法，结
e
e外的L1范数约束将使字典矩阵中的原子相关性降低。
s果证实了该方法的有效去噪性能。
;
t
h
g
i
r
y所有上述稀疏编码模型都具有相同的浅层线性结构。最
p
o
c新的深度学习网络研究（LeCun等，2015）表明，非
r引言
o
线性和深层模型在解决实际问题时可以实现更优的性能。
e
s
n噪声衰减是获得高质量地震数据后处理的重要步骤。近已经提出了多层神经网络，如自动编码器（Vincent
e
c
i
l年来，地震数据的稀疏表示越来越受欢迎。由于自然信等，2010），用于去噪图像。自动
文档评论（0）