期刊文献+
任意字段
题名或关键词
题名
关键词
文摘
作者
第一作者
机构
刊名
分类号
参考文献
作者简介
基金资助
栏目信息
共找到1篇文章
< 1 >
每页显示 20 50 100
已选择0条
导出题录 引用分析
参考文献
引证文献
 统计分析
检索结果
已选文献
显示方式：
基于Huber-U-Net网络的地震数据重建与去噪 被引量：4
1
作者 欧炳霖 曾同生 +3 位作者 柳天成 高好天 李钟晓 李振春 《地球物理学进展》 CSCD 北大核心 2023年第6期2540-2552,共13页
实际地震数据通常存在缺失地震道、噪声,需对其进行重建与去噪处理.基于压缩感知理论的凸集投影(Projection onto Convex Sets, POCS)方法对重建误差施加Huber范数最小化约束,等价于对大重构误差(异常噪声)施加L1范数最小化约束、对小... 实际地震数据通常存在缺失地震道、噪声,需对其进行重建与去噪处理.基于压缩感知理论的凸集投影(Projection onto Convex Sets, POCS)方法对重建误差施加Huber范数最小化约束,等价于对大重构误差(异常噪声)施加L1范数最小化约束、对小重构误差(高斯随机噪声)施加L_(2)范数最小化约束,可以对缺失含噪地震数据实现同时重建与去噪.但由于POCS方法只是一个单层的无监督学习方法,数学表征能力较弱,导致其重建效果较差且难以将噪声压制完全.基于深度学习的U-Net方法以L_(2)范数最小化约束为损失函数对含噪随机缺失地震数据进行重建与去噪,该方法假设重建误差满足高斯分布.因此,U-Net方法虽能有效压制高斯随机噪声却难以有效去除超高斯分布的异常强振幅噪声.本文创新性地将上述两种方法进行结合,使用Huber范数约束替代L_(2)范数约束作为U-Net网络的误差函数,建立Huber-U-Net网络.合成数据和实际数据的处理结果表明,Huber-U-Net方法相比于POCS方法,能够实现更好重建效果和噪声压制效果;相比于传统U-Net方法,具有更好的鲁棒性,能更有效地消除强振幅噪声并且减少了信息损失. 展开更多
关键词 地震数据 重建与去噪 强振幅噪声 POCS Huber-U-Net
原文传递
已选择0条
导出题录 引用分析
参考文献
引证文献
 统计分析
检索结果
已选文献
上一页 1 下一页 到第 页
使用帮助 返回顶部