(19)中华 人民共和国 国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202111501938.8 (22)申请日 2021.12.09 (71)申请人 东北石油大 学 地址 163319 黑龙江省大庆市高新 技术开 发区学府街9 9号 (72)发明人 张岩　崔淋淇　董宏丽　宋利伟　 田枫　李井辉　赵建民　周一帆　 (74)专利代理 机构 哈尔滨东方专利事务所 23118 代理人 曹爱华 (51)Int.Cl. G06F 30/23(2020.01) G06F 30/27(2020.01) G01V 1/36(2006.01) G06N 3/04(2006.01)G06N 3/08(2006.01) G06F 111/10(2020.01) G06F 111/04(2020.01) (54)发明名称 基于稀疏约束空-频域联合学习的波场数值 频散压制方法 (57)摘要 本发明涉及的是基于稀 疏约束空 ‑频域联合 学习的波场数值频散压制方法， 它包括:训练数 据集预处理； 样本标签准备； 卷积核稀疏化准备； 设计联合学习模型G的网络 结构； 设计损失函数； 训练并保存网络模型； 测试网络模型性能。 通过 傅立叶变换将波场数据变换至频率域， 获得频域 波场的纹理特征； 将用低价有限差分法对波动方 程进行求解所得到的高频散波场数据作为输入， 高阶有限差分法所得到的无频散的空域与频域 特征作为标签； 构建空间域与频率域联合深度学 习网络结构； 利用波场数据的稀 疏性引入稀 疏约 束对卷积核进行稀疏化， 本发明充分利用波场特 征， 有效压制数值频散问题， 得到高精度、 高质量 的波场数据。 权利要求书3页 说明书9页 附图5页 CN 114065595 A 2022.02.18 CN 114065595 A 1.一种基于稀疏约束空 ‑频域联合学习的波场数值频散压制方法， 其特征在于， 在微地 震正演过程中得到输入数据与样本标签后， 通过卷积神经网络提取波场数据空域与频域上 的特征， 利用联合损失函数实现稀疏约束， 构建联合学习网络， 实现微地震正演数值频散压 制； 包括以下步骤： 步骤一： 训练数据集预处 理： 在微地震正演的过程中， 使用低阶有限差分法对波动方程进行求解， 生成含有高频散 的若干张波场数据， 将数据裁剪为切片数据， 进 行归一化后转换为二进制mat文件作为训练 集； 步骤二： 样本标签准备： 对于联合学习网络模型， 在频域和空域分别设置标签； 空域标签： 在微地震正演的过程中， 采用高阶有限差分法进行波场数值模拟， 生成对应 的若干张无频散的波场数据， 将数据裁剪为切片数据， 进 行归一化后转换为二进制mat文件 作为空域的样本标签。 频域标签： 对每一个完整的空域标签进行傅立叶变换， 所得到频域上的特征即为频域 上的样本标签； 步骤三： 卷积核稀疏化 准备： 对于稀疏数据， 通过修正卷积核中的参数来适应波场数据的稀疏性： 对卷积核进行稀 疏约束处理， 在损失函数中添加稀疏约束项使其对卷积核参数中非零值的个数进行约束， 在卷积神经网络反向传播调整权值过程中， 将某些参数的值调整为0或近似于0， 使学习到 的卷积核稀疏化并具有微分算子特 征， 进行卷积操作时更好 提取边缘特征、 突出细节； 步骤四： 设计联合学习模型G的网络结构： 联合学习模型G的网络结构:第一层输入卷积层和Relu层， 卷积层用于提取高频散数据 的特征， Relu激活函数用于执行非线性映射， 去除高频散数据中的冗余特征； 中间层是 交替 的卷积层、 批标准化BN层和修正线性单元Relu层； 卷积的特征图像经过归一化和 激活函数 后再进行下一次的卷积操作； 每进行一次卷积后均进 行补0操作， 使 卷积网络中的每个特征 图谱与输入图像大小一致； 最后一层为卷积层， 进一步提取 空域数值频散的主要 特征； 将所 得的频散特征与高频散波场数据进行残差相接， 所得到的输出数据即为学习后的压制数值 频散的波场数据， 在空域训练高频散的波场数据后， 对所得到的学习输出后波场数据与标 签进行傅立叶变换， 得到频域上 的损失进而得到联合代价函数， 通过调节参数来进行联合 学习； 步骤五： 设计 基于稀疏约束的损失函数： 5.1、 损失函数的选择： 选取L1范数来作为损失函数， L1范数是指把目标值yi与估计值f(xi)的绝对差值的总和 最小化， 用作损失函数时公式为： 5.2、 联合损失函数的构造 损失函数是用来估量模型的预测值f(x)与真实值x的差异， 损失函数越小， 模型的鲁棒 性越好， 结合空域与频域损失误差的联合损失函数： 第一部分为空域上的损失函数l oss1：权　利　要　求　书 1/3 页 2 CN 114065595 A 2其中xi表示n个精确的训练目标， 表示n个强频散波场 数据经网络学习后后时域的输 出； 第二部分为频域上的损失函数l oss2： 其中xif表示n个精确波场数据经过傅里叶变换后的训练目标， 表示n个学习后的波 场数据经 过傅里叶变换后的频域的输出； 5.3、 加入 稀疏约束的损失函数 惩罚项具有控制优化结果稀疏性的能力， 对卷积核进行稀疏约束处理， 在反向传播中 调整权值时， 使学习到的卷积核参数稀疏化， 提高数据处 理效率； 选取L1范数为稀疏约束 项， 则： 其中S(·)表示稀疏约束项， 表示第l层第i个特征图与下一层第j个特征图之间 卷积核参数中的第( μ ν )项； 基于稀疏约束的卷积神经网络损失函数为： 其中a、 b为空域 ‑频域上的平衡因子， λ为 正则化参数； 步骤六： 训练并保存卷积神经网络模型： 使用步骤四中所得到的联合学习 网络模型G， 将高频散的波场数据作为训练样本输入 网络， 联合学习网络模型G前向传递计算出预测结果后， 利用基于稀疏约束的卷积神经网络 损失函数losstotal对于每个 参数的梯度进行修正， 其中惩罚项对卷积核进行稀疏约束， 从而 得到误差范围内的模型， 将调整好的网络参数保存； 步骤七： 测试卷积神经网络模型性能： 将低阶有限差分法所得到的高频散波场数据的测试集， 输入到步骤六调整好参数的卷 积神经网络模型中， 观察 其压制频散的效果。 2.根据权利要求1所述的基于稀疏约束空 ‑频域联合学习的波场数值频散压制方法， 其 特征在于： 所述的卷积核稀疏化的方法： 由于波场数据在时频域内具有稀疏性， 样本中有效 信号的比重较小， 通过在联合损失函数中加入模型 的稀疏约束， 达到利用先验信息压制波 场频散的目的； 将L1范数作为惩罚项在训练过程中对权重的更新进行稀疏约束， 并使绝对 值较小的权重被置零， 从而实现模型参数的稀疏化； 对于卷积核的权重(kijl)μ ν， 在训练中， 对 求 的偏导为：权　利　要　求　书 2/3 页 3 CN 114065595 A 3