基于批量重归一化去噪网络的地震信号消噪

随机噪声衰减是地震勘探中的一个关键步骤，针对大多数深层卷积网络用于压制地震勘探随机噪声性能易于饱和，导致无法从训练数据中学习或无法更新权重等问题，提出批量重归一化去噪网络(Batch-Renormalization Denoising Network, BRDNet)。通过结合两个并列的分支网络以增加网络宽度，从而获得更多特征，上层网络由残差学习(Residual Learning, RL)和批量重归一化(Batch Renormalization, BRN)组成，下层网络包括BRN、 RL和扩张卷积。批量重归一化技术解决了内部协变量移位和小批量问题，采用整体方式的RL以及扩张卷积来促进网络训练，可提取更多特征进行去噪。人工合成记录和野外实际记录的处理结果表明：相较于f-k滤波，小波去噪，时频峰值(Time-Frequency Peak Filtering, TFPF)滤波及现有的深度卷积神经网络(DnCNN), BRDNet具有更好的噪声压制能力和保幅效果，能够有效提高地震数据的信噪比和分辨率，为下一步进行地震解释提供有力的保障。