在當(dāng)前的油氣地震勘探發(fā)展背景下,地震數(shù)據(jù)的質(zhì)量和數(shù)量均給傳統(tǒng)的地震數(shù)據(jù)處理帶來了一定程度的挑戰(zhàn)。如何快速有效且不施加人為參數(shù)干預(yù)的對大批量地震數(shù)據(jù)進(jìn)行處理,是地震數(shù)據(jù)處理面臨的新問題。本文從機(jī)器學(xué)習(xí)方法的統(tǒng)計學(xué)基礎(chǔ)出發(fā),將監(jiān)督學(xué)習(xí)問題轉(zhuǎn)變?yōu)轱L(fēng)險函數(shù)的最優(yōu)化問題。通過對自編碼器和卷積神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)模式的分析與總結(jié),認(rèn)為深層網(wǎng)絡(luò)結(jié)構(gòu)下的卷積自編碼器具有更強(qiáng)的特征提取能力。本文對卷積自編碼器網(wǎng)絡(luò)結(jié)構(gòu)進(jìn)行了優(yōu)化和改進(jìn),提出了一種多層、多模塊的卷積自編碼器�；诰矸e自編碼器深度神經(jīng)網(wǎng)絡(luò)的地震數(shù)據(jù)處理方法從地震數(shù)據(jù)的空間分布特征出發(fā),將地震噪聲壓制和地震數(shù)據(jù)重建等問題視為不同環(huán)境下有效信號的提取問題。通過設(shè)計不同地質(zhì)模型的地下速度結(jié)構(gòu),本文利用波動方程正演模擬構(gòu)建了大量不同特征的地震數(shù)據(jù)訓(xùn)練集。卷積自編碼器深度神經(jīng)網(wǎng)絡(luò)的訓(xùn)練過程中使用了L1范數(shù)下的損失函數(shù)和Adam優(yōu)化算法,以增強(qiáng)算法的魯棒性和提高計算效率。數(shù)值實驗表明,訓(xùn)練后的卷積自編碼器深度神經(jīng)網(wǎng)絡(luò)能夠有效進(jìn)行隨機(jī)噪聲壓制、線性噪聲壓制、面波壓制、地震數(shù)據(jù)重建以及同時進(jìn)行地震數(shù)據(jù)重建和隨機(jī)噪聲壓制�；诰矸e自編碼器深度神經(jīng)網(wǎng)絡(luò)的地震數(shù)據(jù)處理方法是...

【文章頁數(shù)】：67 頁

【學(xué)位級別】：碩士

【部分圖文】：

因此，當(dāng)規(guī)則推理的“演繹法”碰壁受阻時，人們開始將目光投向“歸納法”�；诟怕式y(tǒng)計的機(jī)器學(xué)習(xí)（MachineLearning,ML）就這樣逐漸成為人工智能的主流方法。機(jī)器學(xué)習(xí)與專家系統(tǒng)不同，它不需要輸入任何規(guī)則，而是將真實世界產(chǎn)生的大量數(shù)據(jù)組成樣本（Samples），讓算法直接在....

窬??緄難?澳Ｊ絞粲諞恢止檳裳?啊８?萆窬??緄牧??方式，大致可分為前饋神經(jīng)網(wǎng)絡(luò)、反饋神經(jīng)網(wǎng)絡(luò)和自組織神經(jīng)網(wǎng)絡(luò)等模型。前饋神經(jīng)網(wǎng)絡(luò)（FeedForwardNeuralNetwork）是一種單向多層的網(wǎng)絡(luò)結(jié)構(gòu)，主要由輸入層、隱含層和輸出層組成。數(shù)據(jù)從輸入層開始，逐層向一個方向傳遞....

的權(quán)值參數(shù)是通過反向傳播算法不斷調(diào)整得到的，其主要包括信號的正向傳播和誤差的反向傳播兩個過程（李曉峰等,2000）。在信號的正向傳播過程中，信號從輸入層至隱含層再到輸出層，這種逐層處理模式中，每一層的神經(jīng)元狀態(tài)只影響下一層的神經(jīng)元狀態(tài)，如果輸出層的結(jié)果不滿足期望要求，則進(jìn)入誤差反....

浙江大學(xué)碩士學(xué)位論文1緒論9教授于2006年在《Science》的一篇文章，文章通過逐層預(yù)訓(xùn)練的方案解決了深度神經(jīng)網(wǎng)絡(luò)訓(xùn)練中的梯度消失問題，并表明深度自編碼器網(wǎng)絡(luò)具有更優(yōu)異的特征學(xué)習(xí)能力（HintonandSalakhutdinov,2006）。此后深度自編碼器的研究獲得了更多人....

本文編號：4011570