计算机科学与探索

作者：高磊, 乔昊炜, 梁东升, 闵帆, 杨梅

单位：1. 西南石油大学 计算机与软件学院，成都 6105002. 西南石油大学 人工智能研究院，成都 6105003. 西南石油大学 机器学习研究中心，成都 610500

关键词：地震数据去噪,卷积神经网络,Transformer,注意力模块,梯度融合

基金：南充市-西南石油大学市校科技战略合作专项资金（23XNSYSX0084）。

压制随机噪声能够有效提升地震数据的信噪比（SNR）。近年来，基于卷积神经网络（CNN）的深度学习方法在地震数据去噪领域展现出显著性能。然而，CNN中的卷积操作由于感受野的限制通常只能捕获局部信息而不能建立全局信息的长距离连接，可能会导致细节信息的丢失。针对地震数据去噪问题，提出了一种融合梯度预测和无参注意力的高效Transformer模型（ETGP）。引入多头“转置”注意力来代替传统的多头注意力，它能在通道间计算注意力来表示全局信息，缓解了传统多头注意力复杂度过高的问题。提出了无参注意力前馈神经网络，它能同时考虑空间和通道维度计算注意力权重，而不向网络增加参数。设计了梯度预测网络以提取边缘信息，并将信息自适应地添加到并行Transformer的输入中，从而获得高质量的地震数据。在合成数据和野外数据上进行了实验，并与经典和先进的去噪方法进行了比较。结果表明，ETGP去噪方法不仅能更有效地压制随机噪声，并且在弱信号保留和同相轴连续性方面具有显著优势。

来源：2025年第5期

《计算机科学与探索》期刊编辑部

查看计算机科学与探索杂志2025年第5期