-
Patent Agency Ranking
公开(公告)号：CN114114397B
公开(公告)日：2023-04-18
申请号：CN202111337078.9
申请日：2021-11-12
Applicant: 电子科技大学
Abstract: 本发明公开一种基于深度张量神经网络的无监督地震数据去噪方法，应用于地震数据处理领域，针对现有技术存在的去噪性能低下的问题；本发明首先使用SURE替代MSE的代价函数将数据去噪转换为相应的无监督回归模型；之后，建立了一个SURE‑TCNN网络框架，遵循tNN框架和基于变换的t‑product，这是对传统tNN框架的t‑product的扩展；利用t‑product中的优点，基于张量的SURE‑TCNN可以拆分为单独的基于矩阵的SURE‑CNN，用于时频域中的每个正面或时间片，这样易于求解和更加具有吸引力；最后合成和真实的数据实验表明，与SOTA去噪方法相比，所提出的方法实现了优越的性能。
-
公开(公告)号：CN114662045B
公开(公告)日：2023-05-09
申请号：CN202210292980.1
申请日：2022-03-24
Applicant: 电子科技大学
Abstract: 本发明公开一种基于框架集的p阶张量深度学习的多维地震数据去噪方法，应用于地震数据去噪领域，针对现有技术在处理高维地震数据时，缺乏平坦化操作的情况下，明显无法捕捉到完整的图像结构的问题，本发明首先，利用框架优于傅里叶变换的优势，将傅里叶替换为框架并给出了要触发的p阶张量‑张量积(t‑product)的新定义；然后，通过重新定义p阶张量积，p阶tNN框架将标准张量积的tNN直接扩展到M‑D地震去噪；利用框架域中矩阵乘法可以计算p阶张量积的特点，通过一组变换后的矩阵片DL来求解FPTNN中的最优加权参数。
-
公开(公告)号：CN114662045A
公开(公告)日：2022-06-24
申请号：CN202210292980.1
申请日：2022-03-24
Applicant: 电子科技大学
Abstract: 本发明公开一种基于框架集的p阶张量深度学习的多维地震数据去噪方法，应用于地震数据去噪领域，针对现有技术在处理高维地震数据时，缺乏平坦化操作的情况下，明显无法捕捉到完整的图像结构的问题，本发明首先，利用框架优于傅里叶变换的优势，将傅里叶替换为框架并给出了要触发的p阶张量‑张量积(t‑product)的新定义；然后，通过重新定义p阶张量积，p阶tNN框架将标准张量积的tNN直接扩展到M‑D地震去噪；利用框架域中矩阵乘法可以计算p阶张量积的特点，通过一组变换后的矩阵片DL来求解FPTNN中的最优加权参数。
-
公开(公告)号：CN114137606A
公开(公告)日：2022-03-04
申请号：CN202111324788.8
申请日：2021-11-10
Applicant: 电子科技大学
Abstract: 本发明公开一种稳健的谱模拟反褶积方法，应用于地震物理勘探领域，针对传统谱模拟反褶积中的不可控不稳健的问题，本发明的方法在传统谱模拟反褶积的基础上，加入了地震子波形态和雷克子波相同的假设使得反褶积子波拟合的结果更加可控，同时以组合子波作为反褶积的期望输出，并对反褶积算子进行边界稳健处理，实现了对数据的高频信息可控且稳健的提升，达到了提升地震数据分辨率的效果。
-
公开(公告)号：CN114114397A
公开(公告)日：2022-03-01
申请号：CN202111337078.9
申请日：2021-11-12
Applicant: 电子科技大学
Abstract: 本发明公开一种基于深度张量神经网络的无监督地震数据去噪方法，应用于地震数据处理领域，针对现有技术存在的去噪性能低下的问题；本发明首先使用SURE替代MSE的代价函数将数据去噪转换为相应的无监督回归模型；之后，建立了一个SURE‑TCNN网络框架，遵循tNN框架和基于变换的t‑product，这是对传统tNN框架的t‑product的扩展；利用t‑product中的优点，基于张量的SURE‑TCNN可以拆分为单独的基于矩阵的SURE‑CNN，用于时频域中的每个正面或时间片，这样易于求解和更加具有吸引力；最后合成和真实的数据实验表明，与SOTA去噪方法相比，所提出的方法实现了优越的性能。
-
-
-
-
Search Results
5
records
(took 0.019 seconds)
