鐘 鐵 陳 云 董新桐 李 月 楊寶俊

(①現(xiàn)代電力系統(tǒng)仿真控制與綠色電能新技術(shù)教育部重點(diǎn)實(shí)驗(yàn)室，吉林吉林 132012； ②東北電力大學(xué)通信工程系，吉林吉林 132012； ③吉林大學(xué)儀器科學(xué)與電氣工程學(xué)院，吉林長春 130026； ④吉林大學(xué)通信工程學(xué)院，吉林長春 130012； ⑤吉林大學(xué)地球探測科學(xué)與技術(shù)學(xué)院，吉林長春 130026)

0 引言

受采集條件限制，地震記錄中常?；煊写罅康碾S機(jī)噪聲，這對地震資料后續(xù)處理帶來了不利影響。沙漠地區(qū)通常地表地質(zhì)條件復(fù)雜，噪聲干擾嚴(yán)重。以塔里木盆地實(shí)際資料為例，沙粒介質(zhì)的吸收作用造成隨機(jī)噪聲高頻能量衰減，地震記錄中噪聲和實(shí)際信號之間存在嚴(yán)重的頻譜混疊[1-2]。同時(shí)，沙漠環(huán)境相對空曠，風(fēng)場強(qiáng)度大且作用復(fù)雜，導(dǎo)致地震資料表現(xiàn)出“強(qiáng)噪聲、弱信號”的特征。傳統(tǒng)方法在針對沙漠地區(qū)復(fù)雜噪聲的衰減能力可能發(fā)生退化[3]。隨著易探、易采資源枯竭，急需對復(fù)雜地質(zhì)結(jié)構(gòu)中的非常規(guī)油氣資源進(jìn)行開發(fā)利用[4]，如何實(shí)現(xiàn)沙漠地區(qū)低信噪比記錄中頻帶混疊噪聲的有效衰減，成為業(yè)內(nèi)亟待解決的技術(shù)瓶頸之一。

隨著勘探技術(shù)的發(fā)展，一系列隨機(jī)噪聲衰減方法已經(jīng)應(yīng)用于地震資料處理領(lǐng)域，例如維納濾波[5]、F-X預(yù)測濾波[6]、經(jīng)驗(yàn)?zāi)B(tài)分解(Empirical Mode Decomposition, EMD)[7]和時(shí)頻峰值濾波(Time-Frequency Peak Filtering, TFPF)[8]等方法。然而，上述傳統(tǒng)方法通常是建立在某些先驗(yàn)假設(shè)的基礎(chǔ)上，如F-X預(yù)測濾波要求隨機(jī)噪聲是平穩(wěn)的。當(dāng)實(shí)際資料不滿足上述條件時(shí)，方法性能可能發(fā)生退化[6]； 此外，上述方法也存在一定局限性，如EMD方法的模態(tài)混疊問題[9]和TFPF方法的窗函數(shù)確定問題[10]。

為持續(xù)提升噪聲衰減能力，多尺度方法也用于勘探隨機(jī)噪聲衰減處理，主要包括小波變換[11-12]、曲波變換[13-14]、Seislet變換和Shearlet變換[15-17]等。這些方法可以通過稀疏分解將有效信號和噪聲在變換域中進(jìn)行分離，進(jìn)而選擇合適的閾值函數(shù)實(shí)現(xiàn)不同尺度信息的提取與有效信號的恢復(fù)。盡管多尺度方法在性能上優(yōu)于傳統(tǒng)方法，但是閾值函數(shù)的選取問題制約著相關(guān)方法處理效果的提升。

近年來，基于卷積神經(jīng)網(wǎng)絡(luò)(Convolutional Neural Networks， CNN)的去噪理論得到了快速發(fā)展[18-19]，以生成對抗網(wǎng)絡(luò)(Generative Adversarial Network，GAN)、去噪卷積神經(jīng)網(wǎng)絡(luò)(Feed-forward Denoising Convolutional Neural Networks，DnCNN)及其改進(jìn)的方法為代表的一系列智能衰減網(wǎng)絡(luò)被提出并應(yīng)用于地震數(shù)據(jù)處理中?；贑NN的衰減方法通過構(gòu)建信號和噪聲訓(xùn)練數(shù)據(jù)集，從大量標(biāo)記數(shù)據(jù)中構(gòu)建非線性映射關(guān)系[20-21]，提取并分析地震數(shù)據(jù)集的潛在特征并自適應(yīng)地實(shí)現(xiàn)有效信號的高保真恢復(fù)[22-23]。由于淺層提取的為邊緣、空間的細(xì)節(jié)信息，并且特征圖分辨率相對較高，而深層提取的是語義信息，特征圖分辨率相對較低，會丟失一些空間信息，導(dǎo)致信息嚴(yán)重失衡[24]。同時(shí)，相關(guān)方法在整個(gè)網(wǎng)絡(luò)幾乎都是相同的卷積操作，網(wǎng)絡(luò)結(jié)構(gòu)單一，只是通過堆疊的方式擴(kuò)大感受野提取不同的特征，隨著網(wǎng)絡(luò)深度的增加，這種方式容易造成過擬合。

為獲得更好的噪聲衰減性能，本文提出一種新型多分支去噪卷積神經(jīng)網(wǎng)絡(luò)(Diverse Branch Block Convolutional Neural Networks, DBBCNN)，并將其應(yīng)用于地震勘探隨機(jī)噪聲的衰減領(lǐng)域。與傳統(tǒng)的去噪卷積神經(jīng)網(wǎng)絡(luò)DnCNN相比，DBBCNN引入空洞卷積獲取多尺度信息，降低了網(wǎng)絡(luò)的復(fù)雜度，用來提高去噪性能； 引入多分支模塊DBB((Diverse Branch Block，DBB)，將不同尺度、不同復(fù)雜度的分支結(jié)合在一起，增強(qiáng)單個(gè)卷積的表示能力，豐富特征空間，使訓(xùn)練的微結(jié)構(gòu)復(fù)雜化； 引入了長路徑操作融合全局特征和局部特征以增強(qiáng)去噪網(wǎng)絡(luò)的表達(dá)能力。

模擬和實(shí)際數(shù)據(jù)結(jié)果表明，DBBCNN網(wǎng)絡(luò)可有效提升地震數(shù)據(jù)信噪比，同時(shí)在有效信號幅度保持和地震勘探隨機(jī)噪聲壓制方面也具有明顯的優(yōu)勢。

1 DnCNN結(jié)構(gòu)

DnCNN是由Zhang等[25]提出的一種去噪卷積神經(jīng)網(wǎng)絡(luò)，其網(wǎng)絡(luò)采用級聯(lián)的結(jié)構(gòu)(圖1)，包括多個(gè)卷積層(Conv)、批標(biāo)準(zhǔn)化層(BN)和線性整流單元(ReLU)。卷積層是通過卷積運(yùn)算對高維特征進(jìn)行自動提取[1]，每個(gè)卷積層需64個(gè)3×3的卷積核，步長為1，其基本作用為

c=ω*a+b

(1)

式中：c表示卷積層的輸出；a表示卷積層的輸入；ω和b分別表示卷積濾波器的權(quán)重和偏置。該網(wǎng)絡(luò)引入BN層有效地避免梯度消失問題，即通過一定的規(guī)范化手段，把輸入到激活函數(shù)的數(shù)據(jù)強(qiáng)行拉回到均值為0、方差為1的標(biāo)準(zhǔn)正態(tài)分布，使每一層的輸入有一個(gè)近似的分布[25-26]，從而提高網(wǎng)絡(luò)的收斂速度。BN層操作可表示為

(2)

式中：mi和nγ,β(mi)分別為BN的輸入和輸出；B為批標(biāo)準(zhǔn)化尺寸；η為一個(gè)極小的常數(shù)，主要是為了防止分母為0；γ和β表示可學(xué)習(xí)的參數(shù)。ReLU代表修正線性單元，是一種常用的激活函數(shù)[25-26]，其基本作用如下式所示

fReLU=max[0,nγ,β(mi)]

(3)

圖1 DnCNN結(jié)構(gòu)

式中：max表示最大值函數(shù)；fReLU表示激活函數(shù)。與其他激活函數(shù)相比，修正線性單元具有更好的效果。并且，該網(wǎng)絡(luò)采用的是殘差的思想恢復(fù)被破壞的圖像，能夠很好地解決深度神經(jīng)網(wǎng)絡(luò)的退化問題，提高去噪性能。

2 DBBCNN結(jié)構(gòu)和去噪原理

2.1 DBBCNN絡(luò)結(jié)構(gòu)

DBBCNN是一種DnCNN的改進(jìn)網(wǎng)絡(luò)，主要針對DnCNN在特征提取、特征融合和無法有效利用淺層信息等方面存在的不足而提出的一種多分支的特征增強(qiáng)網(wǎng)絡(luò)，其網(wǎng)絡(luò)結(jié)構(gòu)如圖2所示。對比Dn-CNN，DBBCNN的主要改進(jìn)可概括為以下四點(diǎn)。

首先，針對DnCNN特征空間單一問題，DBB-CNN利用DBB模塊部分替代傳統(tǒng)DnCNN中的Conv+BN+ReLU模塊。DBB模塊結(jié)構(gòu)如圖3所示，利用卷積核大小為1×1、填充為0、步長為1的卷積序列、多尺度的卷積(卷積核大小為3×3、填充為1、步長為1)以及平均池化Avg(池化核大小為3×3、填充為1、步長為1)增強(qiáng)單個(gè)卷積的表示能力，將不同尺度、不同復(fù)雜度的分支結(jié)合在一起，豐富特征空間，使訓(xùn)練的微結(jié)構(gòu)復(fù)雜化，從而使訓(xùn)練模型達(dá)到更高的性能水平。

其次，對于去噪網(wǎng)絡(luò)而言，獲取多尺度上、下文信息十分重要，一般通過擴(kuò)大感受野獲取上、下文信息，但利用下采樣操作增大感受野會導(dǎo)致空間分辨率的丟失。為了不損失空間分辨率，還要擴(kuò)大感受野，該去噪網(wǎng)絡(luò)引入了空洞卷積(DilConv)，空洞卷積可在不改變卷積核大小的同時(shí)增大感受野，在不損失圖像信息的前提下，更好地保留圖像的空間特征。因此本文在網(wǎng)絡(luò)的第2、第5、第9和第12層引入了空洞卷積來擴(kuò)大感受野。

再次，在此基礎(chǔ)上，隨著網(wǎng)絡(luò)深度的增加，淺層信息越來越被忽視，導(dǎo)致一些關(guān)鍵特征丟失，故引入長路徑操作(Cat)融合全局特征和局部特征，以增強(qiáng)去噪網(wǎng)絡(luò)的表達(dá)能力。由于輸入的噪聲圖像包含了強(qiáng)噪聲信息，因此選擇原始輸入與深層互補(bǔ)增強(qiáng)去噪模型的表示能力，即用一種拼接操作融合全局特征和局部特征。

圖2 DBBCNN結(jié)構(gòu)

圖3 多分支模塊(DBB)結(jié)構(gòu)

最后，由于BN就是在每一層的非線性處理之前加入標(biāo)準(zhǔn)化、縮放、移位操作減輕內(nèi)部協(xié)變量的移位，給訓(xùn)練帶來更快的速度、更好的表現(xiàn)，減輕協(xié)變量對網(wǎng)絡(luò)初始化變量的影響，故本文從第1層開始就加入BN。

綜上所述，與DnCNN相比，DBBCNN能夠?qū)崿F(xiàn)對特征更精細(xì)、更準(zhǔn)確地提取，從而更好地從含噪數(shù)據(jù)中恢復(fù)有效信號。

2.2 去噪原理

沙漠地區(qū)實(shí)際地震資料可表示為純凈信號與隨機(jī)噪聲在時(shí)空域的疊加[27-28]

y=x+n

(4)

式中：y為含噪地震記錄；x為有效信號；n為低頻噪聲。

DBBCNN去噪網(wǎng)絡(luò)采用了殘差思想，通過標(biāo)簽數(shù)據(jù)建立y與n之間的復(fù)雜的非線性映射關(guān)系

(5)

為了最優(yōu)化式(5)中的網(wǎng)絡(luò)，利用損失函數(shù)[1,23]

(6)

(7)

3 網(wǎng)絡(luò)訓(xùn)練及參數(shù)選取

3.1 訓(xùn)練集的構(gòu)建

DBBCNN是一種有監(jiān)督的深度學(xué)習(xí)方法，其需要大量的高真實(shí)性訓(xùn)練數(shù)據(jù)優(yōu)化網(wǎng)絡(luò)參數(shù)，訓(xùn)練集的完備性對網(wǎng)絡(luò)的學(xué)習(xí)效果和去噪的準(zhǔn)確性影響很大。雖然已有去噪網(wǎng)絡(luò)在地震資料去噪領(lǐng)域取得成效，但目前仍沒有完備的、公開的地震資料的訓(xùn)練集，為更好地從實(shí)際地震資料特征出發(fā)，本文利用正演建模數(shù)據(jù)同實(shí)際勘探數(shù)據(jù)相結(jié)合，共同構(gòu)建用于地震勘探隨機(jī)噪聲消減的訓(xùn)練集。

DBBCNN作為有監(jiān)督的學(xué)習(xí)網(wǎng)絡(luò)，其訓(xùn)練集包括有效信號集和含噪信號集。由于無法從實(shí)際記錄中獲取有效反射信號，本文通過正演建模方式構(gòu)建有效信號訓(xùn)練集，即用雷克子波模擬地震資料中的有效信號，具體定義為

s(t)=A{1-2[πf0(t-t0)2]}e-[πf0(t-t0)]2

(8)

式中：A為振幅；t為時(shí)間；t0為起始時(shí)間；f0為主頻。具體建模參數(shù)范圍如表1所示，共生成100幅模擬記錄。研究過程中，利用64×64的滑動窗截取模擬信號數(shù)據(jù)，共得到8500個(gè)信號片，這些正演數(shù)據(jù)通過幅值歸一化后共同組成了有效信號訓(xùn)練集。

為保證衰減方法的處理精度，本文采用塔里木盆地沙漠地區(qū)被動源噪聲數(shù)據(jù)構(gòu)建噪聲訓(xùn)練集。在無人工震源激發(fā)情況下，采集得到2000道、30000采樣點(diǎn)的實(shí)際噪聲數(shù)據(jù)，對數(shù)據(jù)進(jìn)行隨機(jī)截取后得到8750個(gè)噪聲片，對其進(jìn)行幅度歸一化后，得到噪聲訓(xùn)練集。此外，為提高DBBCNN的泛化能力，利用信號片和噪聲片疊加生成隨機(jī)信噪比含噪數(shù)據(jù)，具體而言，就是將實(shí)際噪聲數(shù)據(jù)能量進(jìn)行放縮后與信號訓(xùn)練集數(shù)據(jù)進(jìn)行疊加，得到分布在[-10,0]dB范圍內(nèi)隨機(jī)信噪比含噪記錄，組構(gòu)含噪信號訓(xùn)練集，用以模擬不同條件下實(shí)際記錄中的噪聲水平。同時(shí)，以有效信號為標(biāo)簽將含噪數(shù)據(jù)與有效信號數(shù)據(jù)進(jìn)行一一匹配，用以滿足網(wǎng)絡(luò)訓(xùn)練需求，不同訓(xùn)練數(shù)據(jù)范例如圖4所示。

表1 正演建模參數(shù)

圖4 訓(xùn)練數(shù)據(jù)示例(a)純凈信號片； (b)噪聲片； (c)含噪信號片

3.2 網(wǎng)絡(luò)參數(shù)選取以及網(wǎng)絡(luò)訓(xùn)練流程

實(shí)驗(yàn)環(huán)境為Matlab2016，服務(wù)器配置為E5-2600 v4處理器、Windows 10(64位)操作系統(tǒng)、64GB內(nèi)存、雙NVIDA GeForce GTX 1080顯卡。在訓(xùn)練過程中，基于服務(wù)器硬件條件，批標(biāo)準(zhǔn)化次數(shù)設(shè)置為64，訓(xùn)練塊大小設(shè)置為64×64，并采用L2損失函數(shù)計(jì)算訓(xùn)練過程中的損失。此外，網(wǎng)絡(luò)共17層，利用Adam算法實(shí)現(xiàn)損失函數(shù)優(yōu)化，網(wǎng)絡(luò)的初始學(xué)習(xí)率設(shè)置為[10-3， 10-4]。為方便訓(xùn)練，對訓(xùn)練數(shù)據(jù)進(jìn)行歸一化處理，訓(xùn)練周期設(shè)置為50。具體訓(xùn)練參數(shù)如表2所示。

表2 雷克子波在不同相位旋轉(zhuǎn)下的波峰時(shí)移量

DBBCNN的詳細(xì)訓(xùn)練流程可概括為以下步驟。

(1)從有效信號集和噪聲集中隨機(jī)選取一個(gè)有效信號片和一個(gè)噪聲片，構(gòu)造含噪信號片并使其作為去噪網(wǎng)絡(luò)的輸入； 噪聲片作為去噪網(wǎng)絡(luò)的標(biāo)簽數(shù)據(jù)。

(2)通過映射，去噪網(wǎng)絡(luò)輸出去噪后的結(jié)果。

(3)計(jì)算誤差(式(6)中損失函數(shù)的值)，并將誤差通過梯度下降法進(jìn)行反向傳播，通過Adam優(yōu)化器調(diào)整網(wǎng)絡(luò)參數(shù)。

(4)重復(fù)步驟(1)～步驟(3)，式(6)中的損失函數(shù)趨于穩(wěn)定。

(5)經(jīng)過50個(gè)訓(xùn)練周期，可得到針對沙漠地區(qū)地震資料的去噪模型。利用該模型就可預(yù)測含噪地震資料中的有效信號，進(jìn)而實(shí)現(xiàn)信噪分離。

4 地震記錄處理與分析

4.1 模擬數(shù)據(jù)去噪結(jié)果對比

為驗(yàn)證DBBCNN的網(wǎng)絡(luò)性能，本文采用正演建模方法構(gòu)建模擬純凈記錄。仿真記錄共包含128道記錄，記錄由1024個(gè)采樣點(diǎn)組成，采樣頻率為500Hz。此外，為模擬實(shí)際勘探記錄特征，生成了具有不同形狀和主頻的反射同相軸，結(jié)果如圖5a所示； 在此基礎(chǔ)上，將實(shí)際噪聲同仿真記錄進(jìn)行疊加，得到-6dB的含噪數(shù)據(jù)，實(shí)際噪聲和含噪數(shù)據(jù)結(jié)果分別如圖5b和圖5c所示； 應(yīng)用DBBCNN對含噪記錄進(jìn)行處理，去噪結(jié)果和濾除噪聲如圖5d和圖5e所示。由圖可見，DBBCNN可有效抑制復(fù)雜噪聲，較好地恢復(fù)受到強(qiáng)噪聲影響的反射信息，恢復(fù)的同相軸在連續(xù)性和光滑性上都具有明顯改善，同時(shí)處理后的信噪比達(dá)到了12.1dB，這也驗(yàn)證了本文方法的有效性。同時(shí)，對上述結(jié)果進(jìn)行了F-K譜分析，結(jié)果如圖6所示。由圖可見，信號和噪聲成分在頻率分布方面存在明顯的混疊，例如純凈信號能量主要分布在0～40Hz頻帶內(nèi)，而噪聲能量主要集中在更低頻段(0～20Hz)。信號和噪聲的頻帶混疊對噪聲衰減帶來巨大影響，可能導(dǎo)致傳統(tǒng)噪聲衰減算法在處理性能方面出現(xiàn)退化。圖6c為含噪記錄F-K譜，明顯的混疊現(xiàn)象和噪聲成分導(dǎo)致信號特征模糊，難以恢復(fù)。利用DBBCNN方法對上述含噪記錄進(jìn)行處理，恢復(fù)信號和濾除噪聲的F-K譜分別如圖6d和圖6e所示。結(jié)果表明，所提方法可有效壓制復(fù)雜低頻噪聲，恢復(fù)的有效信號同純凈信號在F-K域分布特征方面表現(xiàn)出極其相近的特征，充分驗(yàn)證了所提算法的有效性。同時(shí)濾除噪聲與疊加的實(shí)際噪聲也具有相近的F-K譜，并無明顯有效信號特征殘留，這也說明了噪聲衰減算法對于信號幅度保持具有明顯優(yōu)勢。

圖5 模擬數(shù)據(jù)DBBCNN去噪分析(a)純凈信號； (b)實(shí)際沙漠噪聲； (c)含噪數(shù)據(jù)； (d)去噪結(jié)果； (e)濾除噪聲

圖6 模擬數(shù)據(jù)去噪結(jié)果F-K譜分析(a)純凈信號； (b)實(shí)際沙漠噪聲； (c)含噪數(shù)據(jù)； (d)去噪結(jié)果； (e)濾除噪聲

為進(jìn)一步分析DBBCNN的去噪性能，分別選取帶通濾波器、小波變換和DnCNN網(wǎng)絡(luò)進(jìn)行對比。其中帶通濾波器通帶頻率設(shè)置為15～38Hz，以實(shí)現(xiàn)信號的有效恢復(fù)； 小波基函數(shù)為db4小波，分解層數(shù)為15層，采用軟閾值方法實(shí)現(xiàn)噪聲壓制。此外，為保證結(jié)果的客觀性，DnCNN方法同本文所提方法使用相同的訓(xùn)練集和實(shí)驗(yàn)環(huán)境。三種方法對圖5c所示含噪記錄進(jìn)行處理，結(jié)果和濾除的噪聲如圖7所示。結(jié)果表明：由于信號和噪聲的頻率混疊，帶通濾波在恢復(fù)有效信號的同時(shí)，無法有效抑制同頻噪聲(圖7a)； 小波方法無法有效恢復(fù)有效信號(圖7b)； 傳統(tǒng)DnCNN方法濾除噪聲中存在明顯信號成分殘留(圖7c下)，說明相關(guān)方法在面對沙漠地區(qū)復(fù)雜噪聲時(shí)處理結(jié)果不甚理想； 相比之下，DnCNN和DBBCNN對噪聲壓制效果較好，同相軸清晰、連貫，濾除的噪聲特征與實(shí)際噪聲相近，但是DnCNN結(jié)果中有少量假軸存在，而DBBCNN可準(zhǔn)確恢復(fù)有效反射信息。

將圖5c中的含噪數(shù)據(jù)通過帶通濾波器和小波變換分別將信噪比提高了8.3dB和8.4dB，說明傳統(tǒng)方法處理能力有待提升； DnCNN和DBBCNN分別將信噪比提高了15.5dB和18.1dB，表明DBBCNN網(wǎng)絡(luò)在復(fù)雜噪聲衰減領(lǐng)域的有效性。同時(shí)，在F-K域比較、分析了去噪結(jié)果和濾除噪聲的性質(zhì)(圖8)。觀察帶通濾波器處理結(jié)果的F-K譜可見，帶通濾波器只是簡單濾除相關(guān)通帶外的信息，導(dǎo)致通帶外與噪聲混疊在一起的有效信號也被濾除掉了，并且?guī)V波器的去噪結(jié)果中可清晰觀察到同頻噪聲成分的殘留(圖8a)； 小波變換恢復(fù)信號同純凈信號在F-K譜方面存在較大差異，不僅噪聲壓制不徹底，而且在去除噪聲的同時(shí)，有效信息明顯也被壓制了，在濾除噪聲的F-K譜中可看到明顯的殘留信號(圖8b)。反觀去噪網(wǎng)絡(luò)處理結(jié)果，DnCNN和DBBCNN可有效去除噪聲，并且有效信息恢復(fù)的很完整(圖6e)，但仔細(xì)觀察，DnCNN處理后濾除的噪聲中有細(xì)微有效信號殘留(圖8c)。因此，相較于帶通濾波器、小波變換以及DnCNN算法，DBBCNN可以實(shí)現(xiàn)復(fù)雜沙漠隨機(jī)噪聲背景下有效反射信息的高質(zhì)量恢復(fù)，具有更好的噪聲衰減能力。

圖7 模擬數(shù)據(jù)三種方法去噪結(jié)果(上)及濾除噪聲對比(下)(a)帶通濾波器； (b)小波變換； (c)DnCNN

圖8 模擬數(shù)據(jù)三種方法去噪結(jié)果(上)和濾除噪聲(下)的F-K譜圖(a)帶通濾波； (b)小波變換； (c)DnCNN

為定量分析不同方法在去噪能力方面的差異，定義去噪結(jié)果的信噪比和均方誤差分別為

(9)

(10)

式中M和N分別表示道數(shù)和采樣點(diǎn)數(shù)。不同方法去噪結(jié)果的SNR和MSE如表3所示， DBBCNN方法在去噪能力方面明顯優(yōu)于帶通濾波器、小波變換以及DnCNN方法，其SNR最大和MSE最小。與此同時(shí)，DBBCNN同樣可以有效恢復(fù)低信噪比記錄中的有效信息，例如-10dB含噪記錄，經(jīng)過DBBCNN處理后，信噪比提升了近20dB。以上對比分析表明，DBBCNN可在恢復(fù)信號的同時(shí)有效壓制沙漠地區(qū)強(qiáng)隨機(jī)噪聲，在去噪能力方面明顯優(yōu)于傳統(tǒng)方法。

4.2 實(shí)際勘探數(shù)據(jù)去噪結(jié)果對比

本文選取塔里木盆地三維沙漠地面地震數(shù)據(jù)對DBBCNN衰減方法性能進(jìn)行驗(yàn)證。處理的共炮點(diǎn)記錄共216道，采樣頻率為2ms，每道記錄長度為3s，實(shí)際記錄如圖9a所示，部分反射同相軸受到隨機(jī)噪聲的影響已無法有效辨識，如淺層反射信息(紅框所示)； 同時(shí)由于面波等強(qiáng)干擾的影響(綠框所示)，同相軸連續(xù)性被破壞且難以辨認(rèn)。利用帶通濾波器、小波變換、DnCNN和DBBCNN方法對實(shí)際資料進(jìn)行處理，結(jié)果如圖9b～圖9e所示。

對上述結(jié)果進(jìn)行對比分析表明： ①帶通濾波器(圖9b)和小波變換(圖9c)無法取得較好的去噪效果，雖然部分噪聲有所衰減，但去噪后的記錄中仍然存在大量的低頻噪聲，有效信號仍然在隨機(jī)噪聲的淹沒之中，同相軸連續(xù)性很差，不易識別； 同時(shí)，對面波的去除也不夠明顯，依然有大量殘留的面波導(dǎo)致同相軸不清晰和不連貫，在濾除的噪聲中仍有明顯的同相軸存在，即經(jīng)帶通濾波器和小波變換處理后，在壓制噪聲的同時(shí)有效信號的幅值也被削弱了。②經(jīng)DnCNN(圖9d)和DBBCNN(圖9e)處理后，地震記錄的背景較為干凈，表明DnCNN和DBBCNN對于初至前隨機(jī)噪聲的壓制非常徹底，且有效信號恢復(fù)較清晰，對面波的壓制也很有效，同相軸的連續(xù)性明顯增強(qiáng)。但DnCNN處理后，部分恢復(fù)的同相軸不清晰，部分區(qū)域同相軸出現(xiàn)間斷的現(xiàn)象。為便于比較，對圖9b～圖9e中黃色方框處放大顯示(圖10和圖11)?？梢妿V波(圖10b、圖11b)和小波變換(圖10c、圖11c)處理后，有效信號依然受大量噪聲影響，濾除掉的噪聲可見有明顯的信號殘留，DnCNN整體上對噪聲壓制效果良好(圖10d、圖11d)，但一些淺層信息恢復(fù)不佳，在濾除的噪聲中，能夠看到殘留的淺層信息。經(jīng)DBBCNN處理后，恢復(fù)的有效信號更清晰、更連續(xù)，一些淺層的細(xì)節(jié)信息也被很好地恢復(fù)出來，即使是在嚴(yán)重頻譜混疊噪聲和低SNR條件下，也能有效地壓制噪聲并重構(gòu)有效信號(圖10e、圖11e)； 在DBBCNN的殘差結(jié)果中，幾乎不存在有效信號殘留，即DBBCNN處理幾乎沒有造成有效信號的能量損失。

總之，經(jīng)DBBCNN處理后，實(shí)際記錄中大部分低頻噪聲、面波得到有效抑制，有效信號恢復(fù)較好。

表3 四種方法去噪結(jié)果對應(yīng)的SNR和MSE

圖9 實(shí)際沙漠地震數(shù)據(jù)不同方法的處理結(jié)果(左)及濾除噪聲(右)對比(a)實(shí)際沙漠共炮點(diǎn)記錄； (b)帶通濾波器； (c)小波變換； (d)DnCNN； (e)DBBCNN

圖10 圖9區(qū)域1局部放大的處理結(jié)果(左)及濾除噪聲(右)效果對比(a)實(shí)際地震數(shù)據(jù)； (b)帶通濾波； (c)小波變換； (d)DnCNN； (e)DBBCNN

圖11 圖9區(qū)域2局部放大的處理結(jié)果(左)及濾除噪聲(右)效果對比(a)實(shí)際地震數(shù)據(jù)； (b)帶通濾波； (c)小波變換； (d)DnCNN； (e)DBBCNN

5 結(jié)論

本文搭建了一種新型DBBCNN去噪網(wǎng)絡(luò)，采用“模擬建模加真實(shí)數(shù)據(jù)”的策略構(gòu)建訓(xùn)練集，并將訓(xùn)練好的網(wǎng)絡(luò)應(yīng)用于地震資料隨機(jī)噪聲的衰減中，模擬數(shù)據(jù)和實(shí)際地震資料處理結(jié)果表明，DBBCNN對于復(fù)雜隨機(jī)噪聲的壓制和有效信號的恢復(fù)是行之有效的。獲得的認(rèn)識和結(jié)論如下。

(1)空洞卷積、DBB以及長路徑操作可有效地豐富特征空間，使網(wǎng)絡(luò)對特征的提取更加精細(xì)、準(zhǔn)確，從而進(jìn)一步增強(qiáng)網(wǎng)絡(luò)的表達(dá)能力。

(2)DBBCNN作為一種有監(jiān)督的深度學(xué)習(xí)方法，訓(xùn)練集中有效信號集通過正演模擬的方式構(gòu)建，噪聲集通過選取真實(shí)沙漠低頻噪聲片構(gòu)建。實(shí)驗(yàn)結(jié)果表明，這種“模擬建模加真實(shí)數(shù)據(jù)”的策略使數(shù)據(jù)集更接近于真實(shí)地震勘探數(shù)據(jù)，從而使網(wǎng)絡(luò)能夠發(fā)揮更優(yōu)的性能。

(3)通過比較DBBCNN和帶通濾波器、小波變換以及DnCNN等方法的處理結(jié)果發(fā)現(xiàn)，無論是模擬數(shù)據(jù)還是實(shí)際的數(shù)據(jù)，DBBCNN的去噪結(jié)果同相軸更清晰和連續(xù)，在壓制噪聲的同時(shí)有效信號得以保護(hù)，是一種更高效的去噪方法。