基于堆叠自编码器的机器学习在地球物理数据降噪与信号重建中的应用

自编码器是一种神经网络形式，其网络的输入与输出相同，目标是识别所提供数据集中的隐藏表示。一般而言，自编码器将数据非线性地投影到较低维的隐藏空间，其中重要特征被突出，数据解释更为容易。近期研究表明，即便输入数据中存在噪声，也可训练自编码器从降维隐藏空间中重建数据的无噪声分量。本文探讨在数据驱动方法下自编码器在地球物理数据集去噪方面的应用。讨论了自编码器的构造，并提出了深度自编码器的一种堆叠变体。所提方法首先使用基本自编码器（各含一个隐藏层）对权重进行局部训练；将这些初始化权重作为优化模型的起点，第二步再训练完整的自编码器网络。去噪自编码器的适用性已在一个基础数学例子和若干地球物理例子上得到验证。所有情况下，自编码器均显著降低了输入数据中的噪声。