基于改进DnCNN的混合震源数据分离研究

混合震源采集作为地震勘探中的一种新方法,具有采集效率高、勘探成本低等优点,但采集过程中会引入混合震源叠加噪声,影响后续数据处理和解释。混合震源数据分离方法能够压制混叠噪声,将混合震源数据分离成常规地震数据。传统混合震源分离方法参数选择困难,计算成本高,而基于深度学习的混合震源分离方法人工依赖性低、训练完毕后计算速度快,是目前研究的热点。论文提出一种改进DnCNN的混合震源数据分离方法,针对训练过程中出现的过拟合、损失曲线震荡等问题,引入失活机制、混合空洞卷积等机制进行改进,学习混叠噪声特征,对含噪数据进行降噪,最终实现混合震源数据分离。实验结果表明,改进DnCNN模型对混叠噪声降噪效果良好,混合震源数据分离结果清晰,且训练过程的稳定性得到提高。