用于地震数据降噪的深度自联想神经网络
计算工程、金融与科学
2018-05-02 v1
摘要
机器学习目前是各科学和工程学科的热门话题，地球物理学领域也不例外。随着强大计算机的出现，现在可以训练机器学习数据中复杂的模式，而这是传统方法不易实现的。在各种机器学习方法中，人工神经网络（ANNs）受到了极大关注。ANNs 的一个变体——自联想神经网络（autoNN）试图利用反向传播学习输入自身的重构。在 autoNN 中，输入和输出相同，并在非线性设定下获得对恒等映射的近似。AutoNNs 主要用于提取任意输入的稀疏内部表示并降低其维数。在本文中，我们探索了 autoNNs 在降低地球物理数据随机噪声方面的潜力。本文给出了该研究的初步结果。合成数学算例演示了 autoNN 的概念。对于测试地震数据，观察到 autoNN 能显著去除垂直时间-和频率-局部噪声，但输出信号的分辨率在一定程度上有所折损。未来的工作包括用几种不同类型噪声测试更大的算例，并使用深度堆叠 autoNNs 进一步降噪，同时确保对信号分辨率的折损最小。
引用
@article{arxiv.1805.00291,
title = {Deep Autoassociative Neural Networks for Noise Reduction in Seismic data},
author = {Debjani Bhowmick and Deepak K. Gupta and Saumen Maiti and Uma Shankar},
journal= {arXiv preprint arXiv:1805.00291},
year = {2018}
}
备注
6 pages; Accepted at 80th EAGE Annual Conference & Exhibition 2018