基于先验知识的深度学习表面相关多次波压制方法

摘要

深度学习(deep learning, DL)多次波压制方法一直是地震数据处理领域的重要研究方向。传统的监督型神经网络方法属于数据驱动，依赖端到端的直接映射，网络模型输出结果的物理可解释性较差，且多次波压制效果受限于标签地震数据的质量。本文提出一种改进的DL方法，将三维地震数据体的时-空物理信息作为先验知识，与神经网络输出相结合，构造关于多次波与原始地震数据的隐式关系多项式。在本文方法中，神经网络的输出不再是标签地震数据，而是多项式函数空间的系数组。通过将三维地震数据体的物理信息作为先验知识引入损失函数，并通过最小化损失函数，得到准确的自由表面多次波与原始地震数据的关系多项式，避免了传统表面相关多次波压制方法中的匹配相减过程。合成数据和实际数据的多次波压制结果表明，与传统端到端DL方法相比，本文提出的方法对自由表面多次波压制效果更好，精度更高。

关键词

深度学习 / 先验知识 / 神经网络 / 多次波压制