买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

龙图腾网获悉西南石油大学申请的专利一种基于梯度惩罚生成对抗网络的地震资料随机噪声盲去噪方法获国家发明授权专利权，本发明授权专利权由国家知识产权局授予，授权公告号为：CN116894782B 。

龙图腾网通过国家知识产权局官网在2026-02-03发布的发明授权授权公告中获悉：该发明授权的专利申请号/专利号为：202310876849.4，技术领域涉及：G06T5/70；该发明授权一种基于梯度惩罚生成对抗网络的地震资料随机噪声盲去噪方法是由罗仁泽;易玺;林虹宇;刘恒;王磊;吴涛;雷璨如;武娟;廖波;曹瑞;赵丹;王清松设计研发完成，并于2023-07-18向国家知识产权局提交的专利申请。

本一种基于梯度惩罚生成对抗网络的地震资料随机噪声盲去噪方法在说明书摘要公布了：本发明提出一种基于生成对抗网络的地震资料随机噪声盲去噪方法。首先对原始数据集按比例划分为训练数据和测试数据，分别在训练和测试数据中加入高斯噪声和未知的随机噪声；训练时将数据送入改进残差模块进行第一次特征粗提取，保证相邻图像像素之间的关联性；随后使用改进通道注意力机制对特征向量进行第二次细提取，保证图像自身特征的完备性；最后通过计算改进的梯度惩罚函数拉大真实样本与假样本之间的差距，不仅节约训练时间，也增强了判别器的判别能力，提高了生成器的特征提取能力。本发明网络具有较好的泛化性以及较高的准确性，特别是在存在一些复杂未知噪声的地震图像去噪方面有较好的表现。

本发明授权一种基于梯度惩罚生成对抗网络的地震资料随机噪声盲去噪方法在权利要求书中公布了：1.一种基于生成对抗网络的地震资料随机噪声盲去噪方法，其特征在于包括以下步骤： 步骤1：使用实际工区m张原始尺寸为S1×S2的含有未知噪声的地震数据图片制作训练集和测试集，首先，将m张切面图按照一定比例划分为训练集和测试集，对每张图片的尺寸进行预处理操作，均处理为S1-n×S2-m的尺寸，然后，对每张预处理后的图片进行切割，每张图片切割成k张长宽为100×100的子图片，m张切面图总共切割出M张子图片，其中训练集子图共张，测试集子图张，形成模型训练所需要的训练集和测试集； 其中，m∈Z+；S1,S2∈Z+，S1,S2＞100；S1-n与S2-n均为100的整数倍；k∈Z+；子图总数M＝mk；表示向下取整；λ∈0,1； 步骤2：构建基于改进残差与改进通道注意力机制融合的特征提取模块，所述改进的特征融合模块包括以下结构： 步骤2.1：构建改进的残差特征提取模块对数据特征进行粗提取，该模块包括以下结构： 首先，给定一个批次数据xi，然后计算此批次数据的均值μj，再进行均值归一化，即减去均值，得到接着，计算该批次数据的方差σ2，再进行方差归一化，即除以方差，并引入一个小的常数ε以防止除数为零，得到然后，对归一化后的样本进行缩放和位移操作，使用可学习的参数γ和β来调整分布，得到最终归一化后的输出特征yij，使用激活函数σL对yij进行激活，得到激活后的分布X′，保证了X′的非零性，最后，X′经过卷积核大小为K的自适应卷积块将特征提取后的信息H与原信息在通道维度上进行拼接操作，构成新的融合特征H′； 其中，xi∈Z且满足批次数据的均值xij表示第i行j列的像素值，m∈Z+；均值归一化批次数据方差m∈Z+；方差归一化ε→0+；输出特征γ,β∈0,1；LeakyRelu函数：对yij所有数据进行激活；自适应卷积核大小：C为特征通道数量，K为自适应选择卷积核的大小；Concate为拼接操作，H′＝ConcateX,H； 步骤2.2：构建改进的基于通道注意力机制模块对上述融合特征后的信息H′进行进一步特征细化，该特征提取模块包括以下结构： 首先，分别将输入的融合特征信息H′进行x方向和y方向的全局平均池化，得到1×100和100×1的两个特征向量，然后，将这两个特征向量进行矩阵相乘运算的特征融合，得到融合后的特征图H″，接着，将该特征图输入到一个含有三通道多尺度扩张卷积的特征提取模块进行多尺度特征叠加，叠加后的特征信息使用Concate进行通道上的拼接，得到特征图Z，再将叠加后的特征图Z输入到卷积核大小为1×1的卷积模块进行降维并用σS激活函数进行激活，得到激活后新的特征权重wi，最后，与步骤2.1输出融合特征信息H′进行通道上拼接得到经过改进注意力机制的融合特征信息H″′； 其中，由输入特征信息H′到H″的计算公式为：和表示分别进行x方向和y方向上的平均池化；三通道多尺度扩张卷积特征提取模块卷积核大小分别为3×3、5×5、7×7且扩张率分别为1,2,3；Concate为通道上的拼接；Z＝ConcateH1″,H2″,H3″，H1″,H2″,H3″分别表示经过三个通道所提取到的特征信息；权重计算公式为：wi＝σSCIDkZ，σS为Sigmoid激活函数，CIDk代表具有自适应卷积核的二维卷积操作； 步骤3：引入一个新的梯度惩罚项的梯度计算公式来拉大判别器对于真假样本的特征差距，该计算公式如下： 首先，引入距离函数的生成对抗网络WGAN实现了计算特征距离的功能，|fx1-fx2|≤k|x1-x2|，然后，将L当作目标来计算损失，因此生成器G的Loss可以简写为GLoss＝-DLoss，判别器D为DLoss＝DXi-Dreal，接着，引入新的梯度惩罚函数来拉大相邻特征之间的差距：最后，计算新的梯度惩罚函数下的损失值误差：gradpen＝MSENorm-k，以及新的损失值：L＝Dreal-DXi+10×α+β×gradpen； 其中fx1为真实量，fx2为含偏差量，k表示偏差在距离上的分布系数，k∈R+；GLoss为生成器损失值，DLoss为判别器损失值，DXi为第i个噪声数据的判别值，Dreali为第i个真实数据的标签；Norm为计算出的新的梯度，grad表示计算梯度；α和β为动态梯度扩张的动态扩张因子，DXi-1表示上一个噪声数据的判别值，Dreali-1表示上一个人工去噪后数据的标签；gradpen为新的梯度惩罚下的损失值误差；MSE为计算均方根误差； 步骤4：将步骤2构建的改进的特征提取模块引入步骤3的新的梯度惩罚函数并设计组合成一个完整的生成器网络G，同时设计一个合适的判别器网络D进行对抗训练： 步骤4.1：首先构建一个A、B双通道生成器G网络，每个通道包括四个步骤2所述的改进残差与改进通道注意力机制融合的特征提取模块； 步骤4.2：构造一个由n个卷积结构拼接的判别器用于学习对抗，n∈Z+； 步骤4.3：设置学习率Lr，Lr∈0,0.1；批尺寸大小Bz，Bz∈Z+；训练周期E，E∈Z+；以及优化器Adam； 步骤4.4：将实际工区张切割完成的100×100大小的地震噪声子图片和其对应的人工去噪后的子图片放入模型进行训练，并保存一个完整训练周期后的模型； 步骤5：调用一个完整训练周期后的模型进行测试：将张尺寸为100×100的地震噪声子图片放入该模型进行去噪测试，并将所有去噪后的子图按照切割方向和大小还原成原始尺寸为S1×S2的图片。

如需购买、转让、实施、许可或投资类似专利技术，可联系本专利的申请人或专利权人西南石油大学，其通讯地址为：610500 四川省成都市新都区新都大道8号；或者联系龙图腾网官方客服，联系龙图腾网可拨打电话0551-65771310或微信搜索“龙图腾网”。

以上内容由龙图腾AI智能生成。