Shearlet域深度残差CNN用于沙漠地震信号去噪

• 作者: 李月 董新桐 郑升
• 来源期刊: 吉林大学学报（信息科学版）
• 学科: 工学
• 关键词: 沙漠地震信号 噪声压制 Shearlet变换 深度残差卷积神经网络
• 年，卷（期）: 2019,（1）
• 所属期刊栏目: 信息与通信工程
• 页码范围: 1-7
• 页数: 7页
• 分类号: TN911.7
• 字数: 3506字
• 语种: 中文

摘要

由于沙漠地震信号中含有较强的随机噪声,从而给沙漠地震数据的处理和解释带来了很大的困难.针对上述问题,提出了一种基于Shearlet变换的深度残差卷积神经网络(ST-CNN:Deep Residual Convolutional Neural Network for Shearlet Transform)模型,实现沙漠地震信号的随机噪声压制.在训练阶段,将沙漠地震信号经Shearlet分解后的系数作为输入,将随机噪声经Shearlet分解后的系数作为标签,通过卷积神经网络(CNN:Convolutional Neural Network)学习输入和标签之间的映射关系;在测试阶段,利用此映射关系即可从沙漠地震信号系数中预测出噪声系数,并间接地获得有效信号系数,最后通过Shearlet反变换获得有效信号.通过与传统的Shearlet硬阈值去噪算法对比,发现该算法可把沙漠地震信号的信噪比从-4.48 dB提高到14.15 dB,具有更好的去噪效果.

作者信息

序号	姓名	单位	发文数	被引次数	H指数	G指数
1	李月	吉林大学通信工程学院	107	1468	21.0	36.0
2	郑升	吉林大学通信工程学院	3	7	1.0	2.0
3	董新桐	吉林大学通信工程学院	3	7	1.0	2.0