地球科学中的人工智能4（2023）28原创研究文章基于CBDNet林建超，郑晶，李德伟，吴志祥中国矿业大学（北京），北京，10083，煤炭资源与安全开采国家重点实验室，北京，10083A R T I C L E I N F O关键词：去噪微地震深度学习表面监测A B S T R A C T噪声抑制是微地震监测技术的重要组成部分。通过去噪和滤波可以将信号和噪声本文提出了一种基于卷积盲去噪网络（CBDNet）的去噪方法。该方法对图像去噪网络CBDNet进行了部分修改，使其适用于目前，现有的滤波方法大多是针对高斯白噪声的去噪而提出的。相比之下，该方法还学习风噪声，建筑噪声，交通噪声和混合噪声通过残差学习策略。采用全卷积子网络估计噪声电平，显著提高了信噪比和去除相关噪声的性能。该模型使用不同类型的真实噪声和随机噪声进行训练。采用相应的指标对去噪效果进行了评价，并与其他去噪方法进行了比较。结果表明，该方法比传统方法具有更好的去噪性能，对油井施工噪声和混合噪声具有更好的抑制效果。该方法能有效抑制时频重叠干扰1. 介绍微地震监测技术可应用于非常规油气开发、矿井灾害监测、CO2捕集利用与封存（CCUS）等领域。对于微地震监测技术，去噪是其数据处理技术的重要组成部分（Dai et al. ，2019）。因为微震的振幅- 小震级地震信号往往比地震信号弱得多，测量数据往往被噪声污染，信噪比远低于活动震源地震事件的信噪比。从原始观测资料中直接提取地震波的到达时间和定位是困难的为了抑制噪声，提高到达时间拾取和定位的精度，人们做出了许多努力，开发了许多有效的去噪方法。传统的微地震噪声抑制方法是基于域变换算法和一些阈值化方法提出的，包括小波变换（Cao和Chen，2005; Gaci ， 2014; Liu et al. ， 2016; Mousavi et al. ， 2016;MousaviandLangston ， 2017 ） 、 连 续 小 波 变 换 （ CWT ）（MousaviandLangston，2016 b ，a）、短时傅立叶变换（STFT）（Allen andRabiner，1977）、S变换（Tselentis et al. ，2012）、氡变换（Sabbione et al. ，2013，2015; Zhang et al. ，2015），小波包变换（WPT）（Galiana-Merino et al. ，2003; Shuchong and Xun，2015），meander transform（Neelamani et al. ，2008）、经验模态分解（EMD）（Liu et al. ，2014; Bekara and Baan，2009; Chenetal. ，2016; Han and Baan，2015）等等。近年来，基于深度学习的去噪方法逐渐应用于微地震数据处理。其中，用于微地震数据的最广泛使用的去噪方法是基于卷积神经网络（CNN）的滤波（Li et al. ，2018; Liu et al. ，2021; Mandelli et al. ，2019; Liu et al. ，2018; Si and Yuan，2018; Kim et al. ，2019）。此外，去噪卷积神经网络（DnCNN）（Zhang et al. ，2017）和用于生物医学图像分割的卷积网络（U-Net）（Ronneberger et al. ，2015年）首次用于图像去噪和图像分割任务，其中DnCNN使用端到端神经网络模型来降低加性高斯白噪声（AWGN），并首次在图像重建领域使用残差学习策略。然后，一些研究人员将基于DnCNN和U-Net的结构应用震相识别Zhu等人（2019）在网络结构和训练策略上做了一些调整和改进，*通讯作者：中国矿业大学（北京），北京，10083。电子邮件地址：jing@cumtb.edu.cn（J.Zheng）。https://doi.org/10.1016/j.aiig.2023.02.002接收日期：2022年10月27日;接收日期：2023年2月9日;接受日期：2023年2月9日在线预订2023年2666-5441/© 2023作者。Elsevier B. V.代表KeAi Communications Co. Ltd.提供的出版服务。这是CC BY-NC-ND许可证下的开放获取文章（http://creativecommons.org/licenses/by-nc-nd/4.0/）。可在ScienceDirect上获得目录列表地球科学中的人工智能杂志 主页：www.keaipublishing.com/en/journals/artificial-intelligence-in-geosciencesJ. Lin等人地球科学中的人工智能4（2023）2829（）下一页用于训练的CBDNet最早可以在图像处理网络中看到（Guo et al. ，2019年），将进行调整，‖ ���电子标签 是生成的标签数据。‖图1.一、所提 出 的用于衰减微地震噪声的方法的框架。然后将输入数据通过网络确定的掩码分解为信号和噪声。 张等人（2020）将基于多层U- Net神经网络的去噪方法应用于微震数据的去噪。通过同时学习信号在时域和频域的稀疏特性，以及用于信号分离的掩模相关映射函数，在噪声和信号频带相近的情况下能够很好地工作。Zheng等人（2021）通过DnCNN构建了端到端的噪声残差学习网络，使其在微震数据去噪中更加及时。目前，在微地震去噪领域，基于深度学习的去噪方法大多是针对高斯白噪声提出的。当这些方法遇到更复杂的真实噪声时，去噪性能往往会大打折扣。 为此，提出了一种基于卷积盲去噪网络（CBDNet）的微地震信号去噪方法。 与DnCNN网络相比，该网络增加了一个输入噪声强度参数，加入全卷积网络来学习这个参数，以便更好地适应不同类型的真实噪声。本文的结构如下。首先介绍了本文提出的去噪方法及其原理。接下来， 通过实验对去噪网络进行了验证，分析了该网络对不同类型噪声的去噪性能，并与传统的单通道去噪方法进行了比较深度卷积神经网络的前馈过程可以由等式表示。（二）、切出 ���������（2）第一次见面其中，Rcout是网络的输出，Rcout表示网络的参数，f表示将Rcout映射到Rcout的非线性生成网络。���������������预处理后的网络输入���������=(���− mean(���))∕(max(���) − min(���))(3)利用监督学习方法和不同的学习策略（波形学习、噪声残差学习），网络可以表示为以下等式：（四）（五）。������ =������1(���)���1= arg min loss(������,���)(4)������ =������2(���)���2= arg min loss(���−��� ,���)(5)���网络预测的有效信号的分布。噪声表示由网络预测的噪声信号的分布。������1均方误差用于约束目标信号和估计信号之间的差异。公式如下：loss（lossout，losslabel）=loss（lossin）−losslabel（loss2）（6）根据微震信号的先验信息进行改进2. 方法和网络培训2.1. 方法Single–channel microseismic data can be regarded as the superpo-sition���������=y表示真实的微地震数据，s表示待提取的信号，n表示除有效信号之外的噪声数据。本文提出的微震去噪网络是受图像去噪网络CBDNet（Guo et al. ，2019年），并在此基础上进行了相应的改进。整个网络可以分为两个子网。一个是噪声估计子网络，它是一个3层全卷积网络（FCN）结构，用于学习噪声估计值。第二个是去噪子网络，它是一个9层的U-Net结构。 子网络的输入是噪声估计子网络的输出和噪声信号。去噪子网络采用噪声残差学习策略，网络学习噪声而不是信号。此外，该网络处理������J. Lin等人地球科学中的人工智能4（2023）28302（）（）���������2���图二. 拟议模型的架构。卷积运算去噪处理框架如图所示。①的人。 （图（2）网络架构。在原始CBDNet中，其损失函数主要由三部分组成。本文对其参数的细节进行了调整。原始网络损失函数的整体公式如下所示L = Lrec+��� LasymmL asymm+���LasyL（7）Lrec用于测量去噪网络的重构信号的误差，其由均方误差表示L1 =（y−） −2（八）其中，R1是������Lasymm，L用于约束噪声估计子网络，Lasymm是为了避免噪声估计子网络输出的低噪声特性而Lasymm=∑���−I（（）−���（））<0（（）−（））2（9）���������������������在哪里？是子网络的估计噪声水平，并且是实际噪声值。������当I =0时，I= 1。否则，它为0，而m为定的刑罚。L是引入的正则化项，用于约束噪声特征的变化率。具体计算公式如下：图三. 损失函数。设置以确定超参数并防止网络被L =（）2（十）过拟合以获得最佳结果，20%作为测试集以评估网络的性能，其余作为训练集。网络经过训练式中，表示特征的梯度变化������原始CBDNet针对图像去噪，需要约束噪声特征在高度和宽度两个方向上的梯度变化。本文主要研究2.2. 网络训练采用正演模拟的方法，在1.5s的采样窗口、1.5s的采样间隔下，采集到高信噪比的0.3 ms，共5000个采样点，截取2000个采样点与输入信号的长度一样。分别对信号加入不同信噪比的高斯噪声、野外采集的风噪声、施工噪声、交通噪声和混合噪声进行数据增强。由于实际噪声信号并不完全满足高斯分布的特性，与现场情况的相关性更强，因此可以提高网络的泛化能力。总共构建了30万个训练样本，其中20%的样本用作验证在NVIDIA Tesla V100 GPU上使用Adam优化器，学习率为0.0001，最小批量大小为128。 （图3）示出了训练集的每个时期的损失函数的变化，以及验证集。3. 结果3.1. 合成试验结果与室内或城市环境相比，油田现场环境噪声更为复杂，具有不同的强度和频率。为了提高深度学习去噪在面对现场噪声时的去噪效果，除了高斯随机噪声外，还在数据集中加入了大量的风噪声、建筑噪声、交通噪声以及包括多种噪声的混合噪声。噪声信号是由干净信号与噪声叠加而成的。通过正演模拟得到了清晰的信号，噪声包括高斯随机噪声和实噪声。从测试数据集中选择的一些噪声数据的去噪结果示于图1和图2中。 四比八。它可以J. Lin等人地球科学中的人工智能4（2023）2831见图4。 去噪结果为高斯随机噪声。可以观察到，所提出的方法可以成功地将具有不同特性的含噪数据分离为估计信号和估计噪声。该方法对含有不同类型、不同强度噪声的微地震信号具有较好的去噪性能。其中，图1所示的噪声信号。图4（a）是具有高斯随机噪声的微地震信号，图4（b）是具有高斯随机噪声的微地震信号。图4（b）是对应的时频域信号; 图5示出了在添加来自现场的真实风噪声之后的噪声信号。图6示出了添加有真实施工噪声的噪声信号; 图7示出了加有实际交通噪声的噪声信号;图8中添加的噪声是混合噪声。各种环境噪声，包括建筑噪声、交通噪声、风噪声等（以下简称混合噪声），比单一类型的真实噪声更为复杂。 该算法能够以较高的精度恢复去噪后的信号，并能很好地抑制高斯随机噪声和现场施工中常见的各类实际噪声。预测信号的形状和幅度特征也获得了很高的相似度。此外，由于训练集采用了大量的真实噪声，因此该方法对需要进行预处理。图五. 真实风噪声的去噪结果。3.2. 试验结果在网络训练完成后，为了验证去噪效果，还需要对一些评价去噪性能的指标进行分析，主要通过信噪比、均方、方差三个指标来分析去噪J. Lin等人地球科学中的人工智能4（2023）2832= 20log10MSE == ��� 1个���见图6。 去噪结果与实际施工噪声。误差（MSE）和相似系数（R），如等式（1）所示。（11）至（13）。见图7。 去噪结果与真实的交通噪音。其中Ps是信号功率，Pn是噪声功率，As是信号幅度，An是噪声幅度。（）（A���）���A.∑���[（）−���]2���������SNR = 10log10（十（十J. Lin等人地球科学中的人工智能4（2023）2833见图8。 去噪结果与实际的混合噪声。式中，f（t）是每个样本的真值，f（t）是预测值���每个样本的长度，n是样本长度。cov（cov，cov）其中，s是原始数据，并且kr是去噪数据。利用信噪比、均方误差和相似系数可以很好地评价网络的去噪性能。如图所示在图9（a）中，这是一些测试集的噪声信号去噪之前和之后的SNR分布的直方图。的平均SNR输入含噪信号约为5.576 dB，去噪处理后平均信噪比达到约13.814 dB，平均提高约8.238 dB，提高约147.8%。去噪的均方误差为0.04，平均相似系数达到0.95，表明该方法具有较好的去噪性能。该方法对随机产生的高斯随机噪声在不同信噪比下都取得了较好的去噪效果。 如图9（b）所示，它是包含高斯随机噪声的数据。输入带噪信号的平均信噪比约为7.189db。 去噪后，平均信噪比达到约16.287 dB，平均增加约9.098 dB。图图9（c）示出了具有风噪声的数据。去噪后平均信噪比提高了5.997 db。由于真实噪声的复杂性较高，与高斯随机噪声相比，网络对真实风噪声的去噪性能相对较弱。图图9（d）示出了包含油井施工噪声的数据。去除噪声后，平均信噪比提高了8.610 db。除高斯随机噪声外，其平均性能均高于各种噪声，表明该网络对油井施工噪声具有良好的去噪性能。图图9（e）示出了具有交通噪声的数据。可以发现，通过去噪，信噪比平均提高了5.810分贝。因此，网络降低交通噪声的能力相对较弱，低于去噪的平均性能。 图图9（f）示出了具有真实混合噪声的数据，并且平均SNR高出约7.445db。与各种实际噪声相比，该方法对混合噪声的去噪性能高于风噪声和交通噪声，低于建筑噪声。 在实际工程中，真实噪声往往不服从高斯分布，这将增加去噪的难度。本文将含有不同类型真实噪声的微地震信号加入到训练集中，以提高去噪性能。通过对评价指标的比较，得出该方法对高斯噪声、油井施工噪声和混合噪声的去除效果较好。另外，对于风噪声和交通噪声也有一定的去噪性能。该去噪方法对实际工程中常见的噪声4. 与其他方法4.1. 合成数据为了进一步验证该方法的去噪性能，将基于CBD-Net的去噪方法与集成经验模态分解（EEMD）和小波阈值变换（WT）去噪方法进行了比较。其中，小波阈值变换选用sym8小波基、5层小波分解和固定阈值计算。如图10、用三个指标比较了三种滤波方法的去噪性能：含噪信号与估计信号的信噪比、相似系数和均方误差通过比较图从图10（a）和图10（b）可以看出，虽然就高斯随机噪声的去噪性能而言，所提出的去噪方法优于EEMD滤波和WT滤波，但在原始SNR较高时，即信号质量相对较高时，三种滤波方法的噪声抑制水平相对接近。但在面对更为复杂多变的实际噪声时，该方法的去噪性能优于EEMD滤波器和WT滤波器。相比 EEMD滤波 和小波 阈值变换=×������������（十三）滤波，所提出的方法在SNR上具有最大的改善J. Lin等人地球科学中的人工智能4（2023）2834图第九章去噪 前后信 号的 信噪比分布。图10. 比较了经验模式分解滤波器、小波阈值变换滤波器和本文方法的去噪性能。比传统的去噪方法平均提高了8.238dB。平均EEMD滤波约为3.288db高，并且平均WT滤波高约4.432db。 如图图10（c）和10（d），平均相似系数EEMD滤波的平均相似系数约为0.83，平均均方误差约为0.09;小波阈值变换滤波的平均相似系数约为0.86，平均均方误差约为0.08。由于建议的平均相似系数J. Lin等人地球科学中的人工智能4（2023）2835见图11。 原始噪声现场数据集。图12个。 不同方法对实测数据的 去 噪 比 较 1.该方法的滤波精度高于两种传统方法，平均均方误差低于EEMD滤波器，WT滤波器，可以看出小波的去噪性能阈值变换滤波器的性能略高于集成经验模式分解滤波器方法，但不如基于CBDNet的去噪方法。J. Lin等人地球科学中的人工智能4（2023）2836图13岁 不同方法对实测数据的 去 噪 效 果 比 较 2.4.2. 场数据除了将网络应用于合成数据之外，我们还需要验证其对真实数据的去噪性能。因此，使用两组现场数据作为去噪示例，一组具有单个微震事件，另一组具有多个微震事件。如图11、噪声数据集1采集于山西省晋城市沁水县石庄镇。 噪声数据集2采集于山西省吕梁市安泽县马鼻镇。图图12和图13示出了使用四种不同方法的去噪结果。图图14和图15是相应区域的现场数据的详细去噪 波 形 。我 们 将 所 提 出 的 方 法 与 基 于 深 度 神 经 网 络 的 方 法DeepDenoiser进行了比较，DeepDenoiser可以正确处理各种有色噪声和非地震信号（Zhu et al. ，2019）。 比较四种去噪方法，EEMD方法的去噪性能最弱。小波变换方法可以去除部分噪声，但信噪比提高有限。虽然DeepDenoiser 该方法具有更强的噪声抑制能力，能保留更多的波形细节，能更精确地提取出每个同相轴。虽然现场数据采集区域和环境噪声不同，但所提出的方法能清晰地分离出信号和噪音的数据。因此，该方法比传统的去噪方法具有更好的去噪性能，与其他深度学习方法相比具有优势。5. 结论提出了一种基于CBDNet神经网络的微地震信号处理方法，主要用于地表微地震监测信号的去噪。与其他常见的深度学习方法不同，该方法通过残差学习策略同时学习高斯随机噪声、风噪声、建筑噪声、交通噪声和混合噪声，可以显著提高信噪比，具有更好的普适性和信号真实性。在野外工作中遇到不同类型、不同强度的环境噪声时，即使信号与噪声叠加，该方法仍能抑制一定的噪声并提取出信号，且面对不同类型的噪声时去噪性能会有所不同。结果表明，该方法对油井施工噪声和混合噪声有较好的去除效果，而对风噪声和交通噪声的去除效果相对较弱。 但两者都能较好地提取微地震J. Lin等人地球科学中的人工智能4（2023）2837图14个。 波形从数据集1的去噪结果中 截 取 。信号，并显着提高噪声信号的SNR。与传统的去噪方法仅对线性噪声有很好的抑制性能相比，该方法具有更好的自适应性，对复杂的噪声也有很好的去噪性能图15个。 波形从数据集2的去噪结果中 截 取 。不同区域的非线性真实噪声。与DeepDenoiser相比，该方法具有更好的信号保持性和完整性，可很好地应用于地球物理领域的微地震信号处理和信号分析。J. Lin等人地球科学中的人工智能4（2023）2838竞合利益作者声明，他们没有已知的竞争性财务利益或个人关系，可能会影响本文报告的工作资金这项工作得到了国家自然科学基金（42272204）、国家重点研究发展计划（2018YFB0605503）、中央高校基础研究基金（2021JCCXDC02）的部分资助。引用Allen，J.，拉比纳湖，1977.短时傅立叶分析与综合的统一方法。Proc. IEEE 65（11），1558-1564。 http://dx.doi.org/10.1109/PROC.1977。10770Bekara，M.，Baan，M.，2009.用经验模式分解法衰减随机和相干噪声。地球物理74，V89-98。http://dx.doi.org/10.1190/1.3157244网站。Cao，S.，陈旭，2005. 第二代小波变换及其在地震数据去噪中的应用。应用地球物理学2，70-74。http://dx.doi.org/10.1007/s11770-005-0034-4.陈伟， 谢，J.，Zu，S.， Shuwei，G.， 陈玉， 2016. 使用自适应随机阶经验模式分 解 的 多 次 反 射 噪 声 衰 减 。 IEEE 地 球 科 学 远 程 传 感 器 字 母 PP ，http://dx.doi.org/10.1109/LGRS.2016.2622918。戴湖，Dong，H.，Li，X.，2019.微地震数据去噪方法综述。吉林大学地球科学Ed.）。Gaci，S.，2014.使用基于小波的去噪技术来增强地震道上的初至拾取。IEEE地球科学学报RemoteSens.52（8），4558-4563.http://dx.doi.org/10.1109/TGRS.2013.2282422网站。Galiana-Merino，J.，Rosa-Herranz，J.，Giner，J.，Molina，S.，Botella，F.，2003.短周期地震记录的小波包去噪。公牛。地震。美国社会93，2554-2562。Guo，S.，颜志，字，张，K.，左，W.，张，L.，2019.真实照片的卷积盲去噪。2019年IEEE/CVF 计 算 机 视 觉 和 模 式 识 别 会 议 。 ^P.V. ， pp. 1712-1722.http://dx.doi.org/10.1109/CVPR的网站。2019.00181。Han，J.，Baan，M.，2015.通过集合经验模式分解和自适应阈值法的微震和地震去噪。地球物理80，KS 69-KS 80。http://dx.doi.org/10.1190/GEO2014-0423.1网站。Kim，Y.，哈迪斯蒂河，Marvel，K.，2019.基于复值残差卷积神经网络的f-x域地震随机噪声衰减。pp. 2579-2583 网址：//dx.doi.org/10.1190/segam2019-3216543.1网站。Li，H.，杨伟，Yong，X.，2018年深度学习用于地面滚动噪声衰减。pp.1981-1985. http://dx.doi.org/10.1190/segam2018-2981295.1网站。刘伟，Cao，S.，陈玉，2016.基于经验小波变换的地震时频分析IEEE地球科学远程传感器字母13（1），28-32。http://dx.doi.org/10的网站。1109/LGRS.2015.2493198。Liu，Y.，李，Y.，林，H.，妈妈，H.，2014.基于经验模态分解的保幅时频峰值滤波方法用 于 地 震 随 机 噪 声 的 抑 制 吉 奥 西 。 远 程 传 感 器 字 母 IEEE 11 ， 896-900 。http://dx.doi.org/10.1109/LGRS.2013.2281202。刘，L.，宋，W.，Zeng，C.，杨，X.，2021.基于卷积神经网络的微地震同相轴检测与分类。J.应用地理学.192，104380。http://dx.doi.org/10.1016/j.jappgeo.2021.104380，网址https://www.sciencedirectcom/science/article/pii/S0926985121001270.Liu，D.，中国科学院，王伟，陈伟，王，X.，Zhou，Y.，（1996年），中国科学院，施，Z.，2018.地震数据中的随机噪声抑制：深度学习能做什么pp. 2016-2020年。网址：//dx.doi.org/10.1190/segam2018-2998114.1网站。Mandelli，S.，Lipari，V.，Bestagini，P.，Tubaro，S.，2019.利用卷积神经网络进行地震数据插值和去噪。CoRR abs/1901.07927，arXiv：1901.07927。Mousavi，S.M.，加州兰斯顿，2016年a。用于改进微地震事件检测的自适应噪声估计和抑制。 J. Appl. 地球物理学家。132，116网址：//dx.doi.org/10.1016/j.jappgeo.2016.06.008，URLhttps://www.sciencedirect.com/science/article/pii/S092698511630163X.Mousavi，S.M.，加州兰斯顿，2016年b。基于高阶统计量和改进小波块阈值的混合地震去 噪 。 公 牛 。 地 震 。美 国 社 会106 （ 4 ） ， 1380-1393 。http://dx.doi.org/10.1785/0120150345网站。Mousavi，S.M.，Langston，C.，2017.基于同步压缩域通用交叉验证阈值的自动去噪/去信号及其在地震数据中的应用。Geophysics82 ，1-58.http://dx.doi.org/10.1190/geo2016-0433.1.Mousavi，S.M.，加州兰斯顿，Horton，S.P.， 2016. 基于同步压缩连续小波变换的微地震 波 自 动 消 噪 与 波 点 检 测 。 Geophysics81 （ 4 ） ， V341-V355.http://dx.doi.org/10.1190/geo2015-0598.1网站。Neelamani河， Baumstein，A.， Gillard，D.， Hadidi，M.， Soroka，W.， 2008. 相干以及使用曲波变换的随机噪声衰减地球物理27，http：//dx.doi.org/10.1190/1.2840373网站。龙内贝格湖，澳-地Fischer，P.，Brox，T.，2015. U-net：用于生物医学图像分割的卷积网络。CoRR abs/1505.04597，arXiv：1505.04597。Sabbione，J.，Sacchi，M.，Velis，D.，2015.基于Radon变换的微地震同相轴检测与信噪比增强。J.应用地理学.113，51-63.http://dx.doi.org/10.1016/j.jappgeo.2014.12.008网站。Sabbione，J.，Velis，D.，Sacchi，M.，2013.基于顶点位移双曲拉东变换的微地震数据去噪。pp. 2155-2161. http://dx.doi.org/10.1190/segam2013-1414.1，舒冲湖，Xun，C.，2015. 基于改进阈值函数和自适应阈值的地震信号小波包去噪方法。是的，X.， Yuan，Y.， 2018. 随机噪声衰减基于残余学习深度卷积神经网络pp.1986-1990. http://dx.doi.org/10.1190/segam2018-2985176.1.Tselentis，G.-一、Martakis，N.，Paraskevopoulos，P.，Lois，A.，Sokos， E.，2012. 基于S变换、大津阈值法和高阶统计量的被动微地震数据自动分析策略Geophysics 77（6），KS43网址：//dx.doi.org/10.1190/geo2011-0301.1网站。张洪，Ma，C.，Pazzi，V.，Zou，Y.，中国科学院， Casagli，N.， 2020. 基于全卷积编解 码 网 络 的 微 地 震 信 号 去 噪 与 分 离 。 应 用 科 学10 ， 6621 。http://dx.doi.org/10.3390/app10186621网站。张，L.，王玉，郑宇，张，X.，2015.在公共中点域中使用高分辨率Radon变换的去混 合 。 杰 · 吉 奥 菲 斯 。 Eng. 12 ， http ： //dx. doi.org/10.1088/1742-2132/12/2/167网站。张，K.，左，W.，陈玉，孟，D.，张，L.，2017. Beyond a Gaussian denoiser：Residuallearning of deep CNN for image denoising. IEEE传输图像处理。26（7），3142-3155。http://dx.doi.org/10.1109/TIP.2017.2662206网站。郑杰，江，T.，吴志，Sun，Y.，2021.残差学习在微地震随机噪声衰减中的应用。地球物理学报69，1http://dx.doi.org/10.1007/s11600-021-00591-9.朱伟，Mousavi，S.M.，哥伦比亚特区贝罗扎2019.基于深度神经网络的地震信号去噪与分 解 。 IEEE 地 球 科 学 学 报 Remote Sens. 57 （ 11 ） ， 9476-9488.http://dx.doi.org/10.1109/TGRS.2019.2926772网站。
我的内容管理
展开
