优化卷积神经网络在道编辑中的应用

• 作者: 孙文亮 孟凡顺 王文强
• 来源期刊: 地球物理学进展
• 学科: 地球科学
• 关键词: 深度学习 反向传播 卷积神经网络 随机梯度下降 道编辑 正常道 异常道
• 年，卷（期）: 2019,（1）
• 所属期刊栏目: 应用地球物理学Ⅰ(油气及金属矿产地球物理勘探)
• 页码范围: 214-220
• 页数: 7页
• 分类号: P631
• 语种: 中文
• DOI: 10.6038/pg2019BB0387

摘要

由于激发、接收及工区现场等导致野外采集的地震数据出现异常道,这时需要对地震记录道编辑处理.当数据量比较大时,人工进行道编辑工作量庞大.非人工做法主要是利用计算机将异常道剔除,没有对异常道细致分类,由此造成了大量的原始数据损失,异常道的产生原因也无从得知.随着计算机性能的提高,深度学习发展迅猛,卷积神经网络(CNN)在深度学习领域起着至关重要的作用.CNN避免了前期很多工作,可以直接输入数据训练模型,将模型用于分类预测,作为一种快速高效的识别算法,可以广泛应用到各个研究领域,本文对极性反转、单频信号、强振幅噪声、空道四种常见的异常道和正常道进行细致分类编号,利用优化的深度卷积神经网络算法识别坏道并进行有效分类,不仅有利于后续对相应道的特殊处理,而且有利于推断产生异常道的原因,在以后的工作中针对产生原因做相应的工作调整.

作者信息

序号	姓名	单位	发文数	被引次数	H指数	G指数
1	孟凡顺		41	237	10.0	14.0
2	王文强		1	0	0.0	0.0
3	孙文亮		1	0	0.0	0.0