初至拾取在地震勘探問題里是一個很基礎(chǔ)但很重要的問題,因為在近地表獲取的數(shù)據(jù)往往帶有很強的靜校正特征,會有能量低,信噪比低等問題,會導(dǎo)致初至拾取問題的困難,尤其是傳統(tǒng)的自動初至拾取方法。過去初至拾取主要依靠人工拾取,比較依靠經(jīng)驗判斷,并需要很多的人力和很大的工作量,后來產(chǎn)生了許多的傳統(tǒng)方法,比如長短時窗比、分形維法、相關(guān)法等,但都離不開人為的大量參與,還是不夠智能,而且在初至拾取工作中容易出現(xiàn)的高噪聲、道缺失等情況上,傳統(tǒng)方法的表現(xiàn)不夠好。現(xiàn)在深度學(xué)習(xí)在圖像處理上有很好的表現(xiàn),所以很多工作開始嘗試將深度學(xué)習(xí)的方法應(yīng)用于初至拾取這一問題,比如使用卷積神經(jīng)網(wǎng)絡(luò),循環(huán)神經(jīng)網(wǎng)絡(luò)進行模型訓(xùn)練等。初至拾取在圖像處理中可以看作是圖像分類的問題,把初至之前和初至之后做一個分類,而且初至作為分界線,所以也可以看作是一個圖像分割的問題。本文的主要工作就是將初至拾取看作圖像分割問題,并使用卷積神經(jīng)網(wǎng)絡(luò)中在醫(yī)學(xué)圖像上表現(xiàn)效果很好的U-Net網(wǎng)絡(luò)作為訓(xùn)練框架,合成了需要的帶標(biāo)簽的初至拾取訓(xùn)練集,并對損失函數(shù)做了修改,結(jié)合圖像梯度,增大了初至部分的權(quán)重,使模型的訓(xùn)練更聚焦于初至的部分。從實驗結(jié)果來看,深度學(xué)習(xí)可以提... 

【文章來源】：哈爾濱工業(yè)大學(xué)黑龍江省 211工程院校 985工程院校

【文章頁數(shù)】：50 頁

【學(xué)位級別】：碩士

【部分圖文】：

STA/LTA方法流程（圖片來源于參考文獻[31]）

哈爾濱工業(yè)大學(xué)理學(xué)碩士學(xué)位論文7圖2-2LeNet-5網(wǎng)絡(luò)結(jié)構(gòu)（來源于參考文獻[24]）2.2.1卷積和反卷積2.2.1.1卷積卷積運算]33[相較于傳統(tǒng)神經(jīng)網(wǎng)絡(luò)，優(yōu)化的的方式有三個：稀疏交互、參數(shù)共享、等變表示，所以卷積神經(jīng)網(wǎng)絡(luò)具有局部連接和參數(shù)共享的特征。卷積是卷積神經(jīng)網(wǎng)絡(luò)的核心，它的作用是提取特征，在卷積層中用卷積核掃描輸入圖像或者說按順序地在圖像的某個卷積核大小的位置上覆蓋上卷積核，再將卷積核中的值和圖像中對應(yīng)的像素的值互相乘起來之后把所有乘積加一塊，這就是提取特征的過程。通常來說，卷積可以幫助找到特定的局部圖像特征，用于后續(xù)的處理。通過不同的卷積核可以實現(xiàn)各種應(yīng)用，比如邊緣檢測、圖像銳化等，所以卷積在圖像處理的領(lǐng)域里有著很廣泛的應(yīng)用。淺層的卷積操作可以提取出圖片的一些簡單特征，比如邊緣、角、線條等，然后深層的卷積可以從淺層的卷積層的輸出中挖掘出比較復(fù)雜的特征。圖2-3卷積操作：藍色的是輸入，綠色的是輸出假設(shè)我們輸入的圖像大小是nm,卷積核是lk,在沒有填充層和步長為1的情況下，我們可以得到一個lnkm)1()1(的特征映射；如果有填充層p層

哈爾濱工業(yè)大學(xué)理學(xué)碩士學(xué)位論文7圖2-2LeNet-5網(wǎng)絡(luò)結(jié)構(gòu)（來源于參考文獻[24]）2.2.1卷積和反卷積2.2.1.1卷積卷積運算]33[相較于傳統(tǒng)神經(jīng)網(wǎng)絡(luò)，優(yōu)化的的方式有三個：稀疏交互、參數(shù)共享、等變表示，所以卷積神經(jīng)網(wǎng)絡(luò)具有局部連接和參數(shù)共享的特征。卷積是卷積神經(jīng)網(wǎng)絡(luò)的核心，它的作用是提取特征，在卷積層中用卷積核掃描輸入圖像或者說按順序地在圖像的某個卷積核大小的位置上覆蓋上卷積核，再將卷積核中的值和圖像中對應(yīng)的像素的值互相乘起來之后把所有乘積加一塊，這就是提取特征的過程。通常來說，卷積可以幫助找到特定的局部圖像特征，用于后續(xù)的處理。通過不同的卷積核可以實現(xiàn)各種應(yīng)用，比如邊緣檢測、圖像銳化等，所以卷積在圖像處理的領(lǐng)域里有著很廣泛的應(yīng)用。淺層的卷積操作可以提取出圖片的一些簡單特征，比如邊緣、角、線條等，然后深層的卷積可以從淺層的卷積層的輸出中挖掘出比較復(fù)雜的特征。圖2-3卷積操作：藍色的是輸入，綠色的是輸出假設(shè)我們輸入的圖像大小是nm,卷積核是lk,在沒有填充層和步長為1的情況下，我們可以得到一個lnkm)1()1(的特征映射；如果有填充層p層

【參考文獻】：
期刊論文
[1]基于改進的STA/LTA方法的微地震P波自動拾取技術(shù)[J]. 劉曉明,趙君杰,王運敏,彭平安.  東北大學(xué)學(xué)報(自然科學(xué)版). 2017(05)
[2]圖像理解中的卷積神經(jīng)網(wǎng)絡(luò)[J]. 常亮,鄧小明,周明全,武仲科,袁野,楊碩,王宏安.  自動化學(xué)報. 2016(09)
[3]微震信號自動檢測的STA/LTA算法及其改進分析[J]. 劉晗,張建中.  地球物理學(xué)進展. 2014(04)
[4]基于時窗能量比和AIC的兩步法微震初至自動拾取[J]. 張喚蘭,朱光明,王云宏.  物探與化探. 2013(02)
[5]聯(lián)合小波變換與偏振分析自動拾取微地震P波到時[J]. 吳治濤,駱循,李仕雄.  地球物理學(xué)進展. 2012(01)
[6]分形理論在地震學(xué)中的應(yīng)用研究[J]. 李信富,李小凡,武曄.  地球物理學(xué)進展. 2007(02)
[7]基于邊緣檢測的初至波自動拾取方法[J]. 李輝峰,鄒強,金文昱.  石油地球物理勘探. 2006(02)
[8]基于圖論的圖像分割研究進展[J]. 閆成新,桑農(nóng),張?zhí)煨?  計算機工程與應(yīng)用. 2006(05)
[9]圖像分割方法綜述[J]. 羅希平,田捷,諸葛嬰,王靖,戴汝為.  模式識別與人工智能. 1999(03)
[10]利用人工神經(jīng)網(wǎng)絡(luò)自動拾取地震記錄初至[J]. 莊東海,肖春燕,顏永寧.  石油地球物理勘探. 1994(05)



本文編號：3402209