چکیده

نوفه تصادفی اغلب داده های لرزه ای را آلوده می کند و کیفیت آنها را کاهش می دهد. بنابراین، تضعیف نوفه تصادفی یک گام اساسی در پردازش داده های لرزه ای می باشد. در این پژوهش، از شبکه های عصبی همامیختی (CNN) برای تضعیف نوفه تصادفی در داده های لرزه ای استفاده شده است. به منظور سرعت بخشیدن به آموزش شبکه، روش های یادگیری باقیمانده و نرمال سازی دسته ای به شبکه اضافه می شوند. پس از اتمام یادگیری و آموزش شبکه عمیق، شبکه توانایی جداسازی تصویر باقیمانده از داده های لرزه ای همراه با نوفه را خواهد داشت و با تفریق تصویر باقیمانده از داده های همراه با نوفه، می توان تصاویر تمیز را بدست آورد. نتایج بر روی داده واقعی نشان می دهد که روش پیشنهادی برای تضعیف نوفه تصادفی در داده های لرزه ای بسیار مؤثر است. این روش می تواند نوفه بیشتر و سیگنال کمتری را نسبت به روش های مرسوم کاهش دهد و نسبت به آن ها در تضعیف نوفه تصادفی داده لرزه ای، عملکرد بهتری دارد.

کليدواژه ها

• تضعیف نوفه • پردازش داده های لرزه ای • شبکه های عصبی همامیختی • یادگیری باقیمانده • نرمال سازی دسته ای

کد مقاله / لینک ثابت به این مقاله

برای لینک دهی به این مقاله، می توانید از لینک زیر استفاده نمایید. این لینک همیشه ثابت است :

نحوه استناد به مقاله

در صورتی که می خواهید در اثر پژوهشی خود به این مقاله ارجاع دهید، به سادگی می توانید از عبارت زیر در بخش منابع و مراجع استفاده نمایید:
محدثه سادات احمدی , 1400 , تضعیف نوفه تصادفی لرزه ای با استفاده از شبکه های عصبی همامیختی باقیمانده مبتنی بر بهینه ساز Adam , دومین همایش ملی پردازش سیگنال و تصویر در ژئوفیزیک