Shearlet域深度残差CNN用于沙漠地震信号去噪

由于沙漠地震信号中含有较强的随机噪声，从而给沙漠地震数据的处理和解释带来了很大的困难。针对上述问题，提出了一种基于Shearlet 变换的深度残差卷积神经网络( ST-CNN: Deep Ｒesidual Convolutional NeuralNetwork for Shearlet Transform) 模型，实现沙漠地震信号的随机噪声压制。在训练阶段，将沙漠地震信号经Shearlet 分解后的系数作为输入，将随机噪声经Shearlet 分解后的系数作为标签，通过卷积神经网络( CNN: Convolutional Neural Network) 学习输入和标签之间的映射关系; 在测试阶段，利用此映射关系即可从沙漠地震信号系数中预测出噪声系数，并间接地获得有效信号系数，最后通过Shearlet 反变换获得有效信号。通过与传统的Shearlet 硬阈值去噪算法对比，发现该算法可把沙漠地震信号的信噪比从－ 4． 48 dB 提高到14． 15 dB，具有更好的去噪效果。