排序方式： 共有1条查询结果，搜索用时 0 毫秒
1
1.
随着深度神经网络技术的发展,卷积神经网络(CNN)被越来越多地应用于地震数据的噪声压制中。常规CNN方法一般是在时间域进行,为了提升CNN方法对地震噪声的压制效果,提出了基于连续小波变换(CWT)的CNN地震噪声压制方法。该方法首先将一维时间域信号通过CWT转换为二维时频域信号。然后,在利用CNN对时频谱进行噪声压制时,提出了两种策略：能量谱策略(策略Ⅰ)是将CWT计算的复数矩阵的振幅谱作为CNN的训练样本,保持相位谱不变;复矩阵策略(策略Ⅱ)是将复数矩阵的实部和虚部图谱作为CNN的不同通道分别进行处理。最后,对于CNN的输出结果,利用逆连续小波变换(ICWT)将二维复数矩阵还原成一维地震信号。为了定量地对比方法的效果,提出利用峰值信噪比(PSNR)、结构相似性(SSIM)和均方根误差(RMSE)3个指标对比基于两种CWT策略的CNN方法与其它常规滤波(包括低通滤波、小波滤波和中值滤波)方法的噪声压制效果。相较于常规滤波方法,数值实验表明基于CWT策略的CNN方法具有更好的随机噪声和涌浪噪声压制效果。为了提高模型处理地震数据的泛化性,引入迁移学习对预训练模型进行微调。迁移学习的成功应用... 相似文献
1