本发明涉及地震采集，具体涉及一种基于卷积神经网络的地震数据压缩感知方法。
背景技术：
1、随着地球物理勘探技术的不断发展，地震勘探仪器向着多参数、多维度的方向不断前进，在地震勘探现场布设的大量地震仪将会产生海量的地震勘探数据，面对海量地震勘探数据的实时回收，传输网络会出现网络拥堵甚至网络断开的情况。地震数据的采集需要满足nyquist采样定理才能保证采集数据的完整性。而nyquist采样定理中采样频率必须得是信号中最高频率的两倍，否则容易产生混叠效应，这不仅提高了采集成本而且采集效率较低。而且常规的大规模地震勘探过程中产生的地震数据因通信带宽和功耗等限制难以实时回收，因此需要更加高速可靠的方法来提高地震数据采集效率，保证数据传输的实时性和可靠性，从而提高地质资源勘探的效率、优化勘探结果。
2、压缩感知(compressed sensing，cs)是一种基于采样理论的信号处理方法，其核心思想是通过使用远少于nyquist采样定理所需的观测量，仍能够准确地重建信号。这一概念最早由emmanuel candès、justin romberg和terence tao等人在近年提出，并引起了广泛的关注。在cs的研究中主要分为三个部分：稀疏表示、设计采样矩阵和重构方法。这些组成部分共同作用，使得在采样率远低于传统方法所需的情况下，仍能够有效地重构信号。但传统cs方法采用随机矩阵作为测量矩阵，未考虑测量矩阵与信号本身相关性，并且重构数据信噪比较低，误差较大。
技术实现思路
1、针对现有技术中存在的上述技术问题，本发明提出一种基于卷积神经网络的地震数据压缩感知方法。
2、本发明是这样实现的，
3、一种基于卷积神经网络的地震数据压缩感知方法，该方法包括：
4、s1：对原始地震数据集进行处理，生成统一尺寸的地震剖面图数据，将地震剖面图数据分为训练集、验证集和测试集；
5、s2：构建网络模型，所述网络模型包括采样网络、初始重构网络、深度重构网络；
6、s3：采用s1中的训练数据集训练网络模型，训练完成后，保存网络模型，将需要处理的地震数据输入到训练好的模型中压缩采样并重构，输出重构地震剖面图、重构信噪比和重构误差。
7、进一步地，所述采样网络采用一个卷积层作为压缩感知的观测网络，采样网络s表示为：
8、y＝s(x)＝ws*x
9、其中*为卷积运算，x为输入数据，y为cs测量值，ws为卷积层，卷积层步长设置为卷积核的一半，所述卷积层中没有偏置，在卷积层之后不设置非线性激活层；
10、采用一个反卷积层作为初始重构网络i，初始重构网络i的重构过程表示为：
11、
12、深度重构网络，包括三个操作：特征提取、非线性映射和注意力机制，特征提取操作用于从局部感受野产生高维特征，包括一个卷积层和一个激活层，由于卷积层对初始重构数据进行卷积操作，有d个大小为f×f的卷积核，特征提取操作形式化地表示为
13、
14、其中为初始重构结果,we对应于d个大小为f×f的卷积核，be是大小为d×1的偏置，而t是relu线性修正单元激活函数。
15、进一步地，深度重构网络在得到高维数据特征后，交替级联残差模块、卷积层和激活层实现特征的非线性映射，能够同时增加网络的非线性和感受野，基于残差学习深度重构网络的非线性映射操作形式化地表示为：
16、
17、表示一个残差模块，其在一个卷积层的输入和输出之间有一个短跳跃连接，和包含d个大小为f×f的卷积核，通道数为d，和是大小为d×1的偏置，t也是一个relu激活函数。另外
18、进一步地，深度残差网络中引入注意力掩码机制，即在卷积层的最后一层产生两个输出：一个是注意力掩码图a，另一个是内容图c；最终的重建图像通过以下线性融合方式得到：
19、
20、其中dc用于生成内容图，da用于生成注意力掩码图，dc和da都包括一个卷积层和一个激活层，表示为：
21、
22、其中，wc和wa对应于1个大小为f×f的卷积核，通道数为d，bc和ba是大小为1×1的偏置项，t是sigmoid双曲正切激活函数；
23、采用均方误差作为网络的损失函数，表达式如下:
24、
25、其中，θ和φ为需要优化的参数，网络采用自适应矩估计方法(adam)优化构造的损失函数。
26、进一步地，采用s1中的训练数据集训练网络模型，训练完成后，保存网络模型，将需要处理的地震数据输入到训练好的模型中压缩采样并重构，输出重构信噪比和重构误差，包括：
27、地震数据的重构信噪比计算公式为:
28、
29、重构数据的相对误差计算公式为:
30、
31、其中x为原始地震数据，为重构后的地震数据。
32、本发明与现有技术相比，有益效果在于：
33、本发明提出的方法考虑测量矩阵与信号本身相关性，采用一个卷积层作为采样网络，起到压缩感知系统中的观测作用。重建网络包括初始重构网络和深度重构网络，初始重构网络是一个反卷积层，用于初步对地震数据进行重构；深度重构网络通过交替级联残差模块，并引入注意力机制来更准确地重构地震数据。采样网络作为编码器产生压缩测量值，而重建网络作为解码器对图像进行重建。较之前传统的压缩感知重建算法，本发明提出的方法具有较强的数据重构能力，其在地震数据重构方面更具优越性。
1.一种基于卷积神经网络的地震数据压缩感知方法，其特征在于，该方法包括：
2.按照权利要求1所述的一种基于卷积神经网络的地震数据压缩感知方法，其特征在于，所述采样网络采用一个卷积层作为压缩感知的观测网络，采样网络s表示为：
3.按照权利要求2所述的一种基于卷积神经网络的地震数据压缩感知方法，其特征在于，深度重构网络在得到高维数据特征后，交替级联残差模块、卷积层和激活层实现特征的非线性映射，能够同时增加网络的非线性和感受野，基于残差学习深度重构网络的非线性映射操作形式化地表示为：
4.按照权利要求2所述的一种基于卷积神经网络的地震数据压缩感知方法，其特征在于，深度残差网络中引入注意力掩码机制，即在卷积层的最后一层产生两个输出：一个是注意力掩码图a，另一个是内容图c；最终的重建图像通过以下线性融合方式得到：
5.按照权利要求1所述的一种基于卷积神经网络的地震数据压缩感知方法，其特征在于，采用s1中的训练数据集训练网络模型，训练完成后，保存网络模型，将需要处理的地震数据输入到训练好的模型中压缩采样并重构，输出重构信噪比和重构误差，包括：
