[论文解读] Deep Autoassociative Neural Networks for Noise Reduction in Seismic data

Debjani Bhowmick, Deepak Gupta+2 more|arXiv (Cornell University)|May 1, 2018

Seismic Imaging and Inversion Techniques参考文献 1被引用 4

一句话总结

该论文提出了一种用于地震数据去噪的深度自联想神经网络（autoNN），通过堆叠自编码器学习非线性、稀疏表示，从含噪输入中重建出干净信号。该方法在合成测试中实现了超过90%的去噪效率，在真实地震数据中显著抑制了时域与频域局部噪声，尽管在空间分辨率方面存在一定程度的损失。

ABSTRACT

Machine learning is currently a trending topic in various science and engineering disciplines, and the field of geophysics is no exception. With the advent of powerful computers, it is now possible to train the machine to learn complex patterns in the data, which may not be easily realized using the traditional methods. Among the various machine learning methods, the artificial neural networks (ANNs) have received enormous attention. A variant of ANNs, autoassociative neural network (autoNN) tries to learn the reconstruction of input itself using backpropagation. In an autoNN, the input and output are the same, and an approximation to the identity mapping is obtained in a nonlinear setting. AutoNNs have primarily been used to extract sparse internal representations of any input and reduce its dimensionality. In this paper, we explore the potential of autoNNs in reducing random noise in geophysical data. In this paper, the first results of this study are presented. The synthetic mathematical example demonstrates the concept of autoNN. For the test seismic data, it is observed that autoNN can significantly remove the vertical time- and frequency-local noise, however, the resolution of the output signal is compromised to a certain extent. Future work includes testing larger examples with several different types of noise, and using deep-stacked-autoNNs to further reduce the noise, ensuring minimal compromise with the resolution of the signal.

研究动机与目标

• 开发一种基于深度学习的地震数据去噪方法，特别针对受非相干和局部噪声污染的地震信号。
• 将传统自联想网络扩展为深层架构，以超越浅层网络的去噪性能。
• 评估深度autoNN在合成数学信号和真实地震数据上的性能表现。
• 研究地震数据恢复过程中去噪与信号分辨率之间的权衡。

提出的方法

• 采用包含三个隐藏层（300-400-300个神经元）的深度自编码器架构，学习从含噪输入到干净输出的非线性映射。
• 编码器使用非线性激活函数（如Sigmoid）将输入压缩为低维潜在表示，解码器则重建原始信号。
• 通过反向传播算法进行训练，以最小化原始信号与重建信号之间的均方误差。
• 采用堆叠自编码器方法，在端到端微调前逐层贪婪预训练。
• 训练数据包含110万个合成地震波形块（9×42个样本），包含干净和含噪版本，其中含单频正弦信号。
• 模型训练50,000个周期，采用95:5的训练-验证集划分，使用梯度下降优化。

实验结果

研究问题

• RQ1 深度自联想神经网络能否有效降低地震数据中的非相干噪声以及时域与频域局部噪声？
• RQ2 深度autoNN在去噪任务中的表现与浅层自编码器相比如何？
• RQ3 自编码器在去除噪声的同时，能在多大程度上保持信号分辨率？
• RQ4 该自编码器能否泛化到训练集中未出现过的未知含噪地震记录？

主要发现

• 在100个合成信号测试样本上，深度autoNN的平均去噪效率达到90.27%，展现出强大的去噪能力。
• 在真实地震数据中，autoNN成功抑制了垂直方向、时域与频域局部噪声，显著提升了数据可解释性。
• 模型表现出正则化效应，导致信号分辨率轻微下降，尤其在高振幅事件中更为明显。
• 网络在高频噪声（110–220 Hz）上表现最佳，但对低频和多频噪声处理效果较差，原因在于训练数据覆盖有限。
• 堆叠自编码器架构优于浅层网络，表明深层表示在捕捉复杂噪声模式方面具有优势。
• 该方法未来有望适配多种噪声类型，尤其在采用更深、更专用架构时更具潜力。