-
公开(公告)号：CN118859317A
公开(公告)日：2024-10-29
申请号：CN202410767622.0
申请日：2024-06-14
Applicant: 吉林大学
IPC: G01V1/30 , G01V1/34 , G06F18/214 , G06N3/0455 , G06N3/0464 , G06N3/084 , G06F123/02
Abstract: 本发明涉及一种基于Transformer地震勘探数据低频延拓方法，包括设计神经网络训练的输入和输出数据尺寸；训练集的构建；测试集的构建；设计多头自注意力模块；设计Transformer模块；设计窗口Transformer模块和滑动窗口Transformer模块；设计整体网络结构；设置网络训练超参数；将训练数据输入网络进行训练；验证提出方法的低频延拓效果和泛化性。本发明使用Transformer模型对数据进行全局建模来拟合缺失低频分量数据和低频数据之间的映射关系，该方法提高了对全局信息的利用，增加了预测精度。窗口自注意力机制的使用有效节省了计算成本，使该方法在计算效率上也优于经典深度学习方法。
-
公开(公告)号：CN118759587A
公开(公告)日：2024-10-11
申请号：CN202411238156.3
申请日：2024-09-05
Applicant: 吉林大学
IPC: G01V1/36
Abstract: 本发明属于地震勘探技术领域，涉及一种面向城市复杂干扰环境的地震数据智能去噪方法，解决了现有方法无法对城市复杂环境下的地震数据进行有效地去噪处理，导致噪声与有效信号混叠、精确识别困难及噪声残留问题。本方法将采集的城市地震数据作为原始地震数据输入至噪声识别模块，噪声识别模块对原始地震数据进行识别后输出估计噪声，将原始地震数据与估计噪声同时输入到去噪模块；去噪模块对原始地震数据和估计噪声进行对比建模及监督学习，利用合成数据对去噪模型模块进行训练学习，获得训练后的去噪模型模块，原始城市地震数据经训练后的去噪模型模块输出去噪结果，实现有效去噪。该方法可自动完成地震数据去噪的任务，极大地节省了人力和物力。
-
公开(公告)号：CN119624773A
公开(公告)日：2025-03-14
申请号：CN202411715208.1
申请日：2024-11-27
Applicant: 吉林大学
IPC: G06T3/4053 , G06T3/4046 , G06V10/44 , G06V10/42 , G06V10/80 , G06V10/82 , G06N3/0464 , G06N3/048 , G06N3/08
Abstract: 本发明涉及一种基于Mamba的地震图像超分辨率重建方法，包括构建局部特征提取模块、全局特征提取模块与高质量地震剖面重建模块，以解决高频衰减和稀疏采集导致的分辨率不足问题。本发明引入了Mamba模型，构建了一种新型的超分辨率重建网络。局部特征提取模块通过卷积层提取浅层特征信息；全局特征提取模块通过多级残差状态空间块获取全局特征；高质量地震图像重建模块则通过像素重组和卷积操作实现高分辨率地震图像的重建。此外，本发明采用了Charbonnier损失函数，有效避免梯度消失问题，并改进了传统Mamba的损失函数。本发明可以在提升地震图像分辨率的同时，显著降低计算复杂度与时间成本。
-
公开(公告)号：CN119622231A
公开(公告)日：2025-03-14
申请号：CN202411715207.7
申请日：2024-11-27
Applicant: 吉林大学
IPC: G06F18/15 , G06F18/213 , G06N3/0464 , G06N3/048
Abstract: 本发明涉及一种基于Mamba的地震数据插值方法，包括构建地震数据插值方法训练、验证和测试所需数据集；构建基于Mamba的地震数据插值网络，用于恢复数据中的缺失道；构建损失函数；网络模型训练；网络模型测试；网络模型应用。本发明通过多个密集状态空间模块来高效提取全局特征，用以解决地震数据的缺失和稀疏采集导致的低密度的问题。本发明所引入的Mamba模型，不仅能捕获全局特征，使插值后的数据质量更优，还由于其轻量化的设计显著减少了训练时间。同时，本发明中的密集连接让各层之间的特征交互更为丰富，使地震数据的特征更好地在每一层被利用。本发明可在提升地震数据完整性与准确性的同时，显著降低计算复杂度与时间成本。
-
公开(公告)号：CN118759587B
公开(公告)日：2024-12-03
申请号：CN202411238156.3
申请日：2024-09-05
Applicant: 吉林大学
IPC: G01V1/36
Abstract: 本发明属于地震勘探技术领域，涉及一种面向城市复杂干扰环境的地震数据智能去噪方法，解决了现有方法无法对城市复杂环境下的地震数据进行有效地去噪处理，导致噪声与有效信号混叠、精确识别困难及噪声残留问题。本方法将采集的城市地震数据作为原始地震数据输入至噪声识别模块，噪声识别模块对原始地震数据进行识别后输出估计噪声，将原始地震数据与估计噪声同时输入到去噪模块；去噪模块对原始地震数据和估计噪声进行对比建模及监督学习，利用合成数据对去噪模型模块进行训练学习，获得训练后的去噪模型模块，原始城市地震数据经训练后的去噪模型模块输出去噪结果，实现有效去噪。该方法可自动完成地震数据去噪的任务，极大地节省了人力和物力。
-
Patent Agency Ranking
公开(公告)号：CN110208856B
公开(公告)日：2020-12-25
申请号：CN201910489001.X
申请日：2019-06-05
Applicant: 吉林大学
IPC: G01V1/36
Abstract: 本发明涉及一种基于流形分区2D‑VMD的沙漠复杂噪声压制方法，属于沙漠地区复杂噪声压制方法。根据沙漠噪声特点利用ISOMAP流形学习算法将含噪地震记录划分为含信号区域和不含信号区域，并将不含信号区域看成纯噪声清零；再对含信号区域内数据利用2D‑VMD算法进行多模态分解，实现不同形态、不同频率数据划分，最后将几个有效子模态信号求和恢复地震信号，实现噪声压制。有益效果是从二维角度对地震数据进行分析处理，考虑了相邻地震道间同相轴的相关性及同相轴形态对消噪效果的影响，同时在频域内可实现混叠较小的频谱分解过程，更适用于低频噪声压制，本发明能够有效实现复杂低频噪声的有效压制及有效地震信号的清晰连贯恢复。
-
公开(公告)号：CN110208856A
公开(公告)日：2019-09-06
申请号：CN201910489001.X
申请日：2019-06-05
Applicant: 吉林大学
IPC: G01V1/36
Abstract: 本发明涉及一种基于流形分区2D-VMD的沙漠复杂噪声压制方法，属于沙漠地区复杂噪声压制方法。根据沙漠噪声特点利用ISOMAP流形学习算法将含噪地震记录划分为含信号区域和不含信号区域，并将不含信号区域看成纯噪声清零；再对含信号区域内数据利用2D-VMD算法进行多模态分解，实现不同形态、不同频率数据划分，最后将几个有效子模态信号求和恢复地震信号，实现噪声压制。有益效果是从二维角度对地震数据进行分析处理，考虑了相邻地震道间同相轴的相关性及同相轴形态对消噪效果的影响，同时在频域内可实现混叠较小的频谱分解过程，更适用于低频噪声压制，本发明能够有效实现复杂低频噪声的有效压制及有效地震信号的清晰连贯恢复。
-
公开(公告)号：CN119090723A
公开(公告)日：2024-12-06
申请号：CN202411190824.X
申请日：2024-08-28
Applicant: 吉林大学
IPC: G06T3/4076 , G06N3/045 , G06N3/0475 , G06N3/094 , G06V10/774 , G06V10/776 , G06N3/048 , G06N3/0464 , G06V10/80 , G06V10/82
Abstract: 本发明涉及一种叠后地震剖面超分辨率重建方法，包括构建生成网络与对抗网络，生成网络用于提高叠后地震剖面的分辨率，对抗网则用于判别输入的图像是原始的高分辨率地震剖面还是通过生成网络重建后的高分辨率地震剖面。本发明设计了一种由多尺度残差模块、双注意力模块以及残差D模块等组成的生成网络，提高了网络在提取重要特征信息方面的能力；还设计了一种基于马尔科夫判别器的对抗网络，提高了网络对于地震图像的判别能力；通过引入总变分损失和边缘信息保留损失函数，改进了生成对抗网络的常规损失函数。本方法可以在有效提高叠后地震剖面分辨率的同时，更好地去除噪声信号，保留更多的地质构造和特征，提高地震图像的感知质量。
-
公开(公告)号：CN117826243A
公开(公告)日：2024-04-05
申请号：CN202311618560.9
申请日：2023-11-30
Applicant: 吉林大学
Abstract: 本发明提出了一种融入混合注意力Unet神经网络隧洞地震数据重建方法，通过人工智能神经网络自动地学习现有隧洞地震数据之间的特征，建立缺失数据与完整数据之间的非线性映射关系；通过人工智能中具有图像语义分割、通讯信号消噪等诸多强大功能的Unet神经网络，设计基于通道注意力和空间注意力的混合注意力机制并融入Unet网络的跳跃链接部分，提升网络模型对于有效信号同相轴的提取同时摒弃冗余信息如噪声；并通过对实测数据进行分类建立强泛化性的训练数据集和测试数据集，训练网络模型参数并验证其效果，将隧洞地震数据重建结果精度最高的一次模型训练参数作为最终结果，从而实现隧洞地震波法超前地质预报缺失数据的智能、准确重建。
-
公开(公告)号：CN117631028A
公开(公告)日：2024-03-01
申请号：CN202311618562.8
申请日：2023-11-30
Applicant: 吉林大学
Abstract: 本发明涉及一种多尺度全局信息融合神经网络地震数据低频重构方法，解决了对于任一复杂实际地震记录的准确低频重构、提高全波形反演的收敛性的问题。本方法融入了分网格局部共享模块和非局部注意力模块的多尺度编解码结构的神经网络，在有效提取输入数据局部特征的同时，充分考虑了低频信号这种长波长时序信号的全局信息相关性，且突出强调了全局信息对于低频重构的重要性，并结合在公开标准地层速度模型上获取的模拟地震数据训练集，自动学习缺失低频地震数据与其相应的低频数据之间的非线性映射关系，实现地震数据频带从高频到低频的智能外推，准确获取携带了地下介质真实长波长信息的低频数据，有效全波形反演速度建模的准确性。
-
-
-
-
-
-
-
-
-
Search Results
11
records
(took 0.016 seconds)
