摘要：

由于U型卷积神经网络（Unet）在地震数据去噪中存在计算量大、网络退化和泛化能力弱等问题，本文为了提高去噪效果以及增强模型的泛化性，提出了一种融合残差注意力机制的卷积神经网络（RAUnet）。该网络结构主要由编码和解码两部分构成，网络的每个卷积层之后都加入了批标准化和带泄露整流激活函数。在编码器中，为了提高对噪声的提取能力，引入了残差结构和卷积块注意力模块。残差结构利用残差跳跃连接的方式减弱了网络退化，降低了特征映射的难度。卷积块注意力模块使用通道和空间的混合注意力权重，能提升相关度高的特征并抑制相关度低的特征。在解码器中，为了提升特征融合的维度恢复能力，选用双线性插值方式进行上采样。实验测试结果表明，对于合成地震信号，本文方法对简单模型和复杂模型随机噪声的压制效果均更有效，并且更好地保护了有效信号；对于实际地震信号，本文方法仍然能在去噪的同时尽量保持有效信号中的细节，对叠前数据和叠后数据都展现出了良好的泛化性。

关键词: 地震信号')">

地震信号, 深度学习, 卷积神经网络（CNN）,
')">去噪

中图分类号: 

• P631.4