，等将应用于图像数据去噪。

研究表明，在随机噪声压制中应用布在整个时频空间，与有效信号的分布区域重叠。

由于存在诸多优点，已被逐渐应用于地震勘探领域中。

如等将用于全波形反演中的正则化先验信息提取等将用于反射和绕射波场分离等将用于断裂特征的自动检测。

以上研究都取得了较好的应用效果，展现出在地震勘探领域中的巨深度残差网络原理下非线性去噪网络的设计声学论文究都取得了较好的应用效果，展现出在地震勘探领域中的巨大优势和广阔的应用前景。

考虑到具有自动学习高度复杂的非线性特征的能力，本文将其应用于叠前地震数据随机噪声的压制中，通过对叠前地震数据中随机噪声特征的自动学习，实现自动且高效的随机噪声分离。

表深度残差网络不同层的定义注代表卷积算子。

图深度残差网络地克服了因深度增加而出现的网络退化问题，能够通过增加网络深度提高网络性能。

图说明了深度残差网络与常规网络的差别。

假定段神经网络的输入是，期望输出是，即是期望的复杂潜在映射，但学习难度较大如果通过图所示的越层连接直接把输入传到输出作为初始结果，则此时需要学习的目标变为，即际资料随机噪声标签数据的获取问题，可以通过多种方法的去噪效果对比，选取最优的去噪方法获得标签数据。

深度残差网络去噪原理深度残差网络目前卷积神经网络领域已取得许多令人瞩目的研究成果，并且不断有新的模型被提出，其中最著名的有和深度残差网络等可见，只要有足够完备的涵盖各种情况的高质量标签数据，训练后的去噪网络对于各种不同的数据都能得到较好的去噪结果，这也是在图像分类方面深度残差网络能够取得惊人准确度的主要原因之。

可以预见，在随机噪声去噪应用中，随着各工区不同类型标签数据的逐渐积累和网络的强化训练，本文去噪网络的泛化能力将会得到大幅度地提高。

图含测试网络的去噪性能，将去噪网络应用于图所示的合成含随机噪声记录。

图所示含随机噪声记录的峰值信噪比为，是在图所示有效信号中加入随机噪声得到的，共道，每道个采样点，空间采样间隔为，时间采样间隔为。

图给出了去噪网络的随机噪声压制结果，尽管其峰值信噪比提高到，但随机噪声并未得到充分地压制。

针对该问题，释及储层预测等工作带来十分不利的影响。

由于随机噪声是由各种因素综合作用形成的，没有固定的频率和传播方向，分布于全时全频段，因此很难将其从地震记录中有效地分离出来。

针对随机噪声压制问题，学者们开展了大量相关研究并根据有效信号和随机噪声各自的特征提出了不同的压制方法，典型的有变换滤波域预测滤波自适应滤波学习算法，近年来得到学术界和工业界的高度关注。

针对叠前地震记录中随机噪声的智能高效压制问题，首先根据深度残差网络原理设计了种深层非线性去噪网络，然后利用构建的高质量随机噪声训练集对该网络进行训练，在高维空间实现对随机噪声特征的自动学习，从而拟合出含噪声地震记录与随机噪声之间的非线性映射关系，实现随机噪声自动录的峰值信噪比为，是在图所示有效信号中加入随机噪声得到的，共道，每道个采样点，空间采样间隔为，时间采样间隔为。

图给出了去噪网络的随机噪声压制结果，尽管其峰值信噪比提高到，但随机噪声并未得到充分地压制。

针对该问题，将图和图所示的含随机噪声记录作为输入将其相应的随机噪声模型作为标签，构建出新的训练深度残差网络原理下非线性去噪网络的设计声学论文图和图所示的含随机噪声记录作为输入将其相应的随机噪声模型作为标签，构建出新的训练集并对去噪网络进行训练，得到去噪网络。

图为去噪网络应用于图数据的去噪结果，可见随机噪声得到了有效地压制，去噪后峰值信噪比达到同时将去噪网络应用于图，也得到理想的去噪结果，去噪后峰值信噪比为，与去噪网络的去噪能力基本相噪效果较好的方法通常计算复杂度较高计算效率较低，需要较多的参数调试，不能充分应对宽频宽方位单点高密度采集时代大数据量处理的挑战。

因此，研究保真且高效的去噪方法是人们不懈的追求。

表网络深度对深度残差网络性能的影响图网络去噪结果及预测的随机噪声图网络去噪结果及预测的随机噪声的谱网络的泛化能力研究为进记录及相应的去噪结果含随机噪声记录有效信号模型网络去噪结果网络去噪结果实际资料应用深度残差网络是种有监督的深度学习算法，要实现去噪首先得有高质量的标签数据。

针对模型数据的去噪问题，由于随机噪声是已知的，因此能够获得较好的去噪效果，然而针对实际资料的去噪问题，随机噪声事先是未知的。

针对实际资料随变换径向预测滤波小波变换，奇异值分解多项式拟合变换变换，变换倾角导向中值滤波，径向时频峰值滤波稀疏字典学习局部正交压制等方法。

尽管这些方法都取得较好的实际应用效果，但每种方法都受到种假设或条件限制，去噪性能在不同工区差别较大，适应能力和保真能力有待进步提高此外，去压制。

模型数据测试和实际资料应用均证明了文中方法的有效性。

尽管其去噪能力与标签数据获取方法相当，但去噪效率及适应能力明显优于标签数据获取方法，为应对级叠前地震数据的去噪问题提供了种可借鉴的思路。

关键词卷积神经网络去噪噪声特征声学深度学习深度残差网络随机噪声地震资料往往含有严重的随机噪声，给后续的数据处理并对去噪网络进行训练，得到去噪网络。

图为去噪网络应用于图数据的去噪结果，可见随机噪声得到了有效地压制，去噪后峰值信噪比达到同时将去噪网络应用于图，也得到理想的去噪结果，去噪后峰值信噪比为，与去噪网络的去噪能力基本相同。

深度残差网络原理下非线性去噪网络的设计声学论文。

摘要深度残差网络作为种先进的深噪声标签数据的获取问题，可以通过多种方法的去噪效果对比，选取最优的去噪方法获得标签数据。

表网络深度对深度残差网络性能的影响图网络去噪结果及预测的随机噪声图网络去噪结果及预测的随机噪声的谱网络的泛化能力研究为进步测试网络的去噪性能，将去噪网络应用于图所示的合成含随机噪声记录。

图所示含随机噪声记深度残差网络原理下非线性去噪网络的设计声学论文只要有足够完备的涵盖各种情况的高质量标签数据，训练后的去噪网络对于各种不同的数据都能得到较好的去噪结果，这也是在图像分类方面深度残差网络能够取得惊人准确度的主要原因之。

可以预见，在随机噪声去噪应用中，随着各工区不同类型标签数据的逐渐积累和网络的强化训练，本文去噪网络的泛化能力将会得到大幅度地提高。

图含随机噪并不依赖于数据的信噪比，其对不同信噪比的数据都能够达到较好的去噪效果。

深度残差网络是针对更深层的网络模型难以训练的问题而提出的个网络架构，很好地克服了因深度增加而出现的网络退化问题，能够通过增加网络深度提高网络性能。

图说明了深度残差网络与常规网络的差别。

假定段神经网络的输入是，期望输出是，即优势和广阔的应用前景。

考虑到具有自动学习高度复杂的非线性特征的能力，本文将其应用于叠前地震数据随机噪声的压制中，通过对叠前地震数据中随机噪声特征的自动学习，实现自动且高效的随机噪声分离。

深度残差网络原理下非线性去噪网络的设计声学论文。

深度残差网络去噪原理深度残差网络目前卷积神经网络领域已取得许多令的架构示意图模型数据测试为验证基于深度残差网络的随机噪声压制方法的有效性，设计了个维合成数据模型构建训练集及去噪测试。

图给出了合成的含随机噪声记录，其峰值信噪比为，是图所示有效信号和图所示随机噪声的叠加，共道，每道个采样点，空间采样间隔为，时间采样间隔为。

图为图各记录的谱，由图可见随机噪声当于学习恒等映射与最优解的残差。

在极端情况下，将残差置为零比通过非线性层拟合恒等映射更容易。

由于存在诸多优点，已被逐渐应用于地震勘探领域中。

如等将用于全波形反演中的正则化先验信息提取等将用于反射和绕射波场分离等将用于断裂特征的自动检测。

以上目前在图像分类方面，的准确度是最高的。

鉴于的优异性能，等将应用于图像数据去噪。

研究表明，在随机噪声压制中应用并不依赖于数据的信噪比，其对不同信噪比的数据都能够达到较好的去噪效果。

深度残差网络是针对更深层的网络模型难以训练的问题而提出的个网络架构，很好含随机噪声记录及相应的去噪结果含随机噪声记录有效信号模型网络去噪结果网络去噪结果实际资料应用深度残差网络是种有监督的深度学习算法，要实现去噪首先得有高质量的标签数据。

针对模型数据的去噪问题，由于随机噪声是已知的，因此能够获得较好的去噪效果，然而针对实际资料的去噪问题，随机噪声事先是未知的。

针对