去噪自编码深度卷积网络实战——地震去噪实战案例讲解

上一节课，我们给大家详细讲解了自编码卷积神经网络的用法，相信大家对卷积神经网络比较了解了，也看到了卷积神经网络的优秀性能。

不过很多同学都有个疑问：前面一直都是对理想数据进行处理，这样有多大用处呢？那用在实际中是怎样应用的呢？第一节课我们讲过，自编码可以用在预训练、自动创作、自动填充、去除噪声、数据降维等等方向。今天我们就从最常见的降噪这项应用开始讲解。

一、降噪自动编码的由来

降噪自动编码器（Denoising AutoEncoder）最初的应用是为了让自动编码网络有更强的鲁棒性（Robust）。

这是什么原理呢？

就是将原始的完整数据以一定概率分布（通常使用二项分布）去擦除，然后将处理后的结果作为输入的训练数据。这样训练出来的网络抗干扰能力更强，预测的结果往往更好。

就比如下图：

原始的数据是x，首先我们随机的去掉了x中的两个数据形成了x’，然后我们用这个有破损（术语叫Corruputed）的数据x’作为训练数据来训练自编码网络y，训练过程中计算出的结果是z，然后将z与原始x做误差迭代不断优化网络y。最后训练出来的y就有了更好的性能。

为什么训练破损的数据更能激发网络的鲁棒性呢？有论文解释说神经网络通过从破损数据中学习到有效特征数据，从而恢复完整的数据。这个训练过程是增强了神经网络特征提取的能力。就是说学习破损数据的过程相当于一个简化的PCA，本质是进行降维提取。而降维就是神经网络最擅长的工作之一。

二、降噪自动编码在地震去噪领域的应用

前面提到了通过训练破损的数据，可以提高自编码网络学习能力。那含有噪声的数据，也是一种破损的数据，同样可以使用自编码网络进行降噪处理。

在地震勘探领域，伴随地震数据采集过程中，由于人为或环境因素的影响，不可避免地会引入随机噪声。受污染的地震资料严重影响了后续的地震资料处理和成像。因此，抑制随机噪声可以有效地提高地震资料的信噪比，有利于提高成像质量。

比如我们常常会将左图的含噪数据进行降噪处理，变成右图的样子。

自编码网络天生就有很强的特征信息提取能力，因此特别适合降噪的处理这一类的应用。那到底效果如何呢？我们通过案例来告诉你。

三、降噪自动编码实战案例

这个部分，我们带领大家来实战操作地震去噪的整个处理过程。

1.网络结构

网络结构这部分和前面课程是一样的。实现了一个卷积自动编码网络。主要使用了卷积层、最大池化层、上采样层等结构，形成镜像的关系。其中卷积和池化成对，通过层层堆叠形成了深度学习关系。

2.数据准备

我们的目标是这个工区的数据进行去噪处理。

我们首先要准备训练数据集。我们准备了多个无噪声的训练数据，加上了噪声对神经网络模型进行训练。

3.网络训练

（1）训练数据和标签数据准备

自己写了getPathAddNoise的程序，将多个地震训练数据合成了一个含噪声的训练集。这个程序比较复杂就不细讲了，最后结果就是生成了3400个64×64的地震训练数据。

干净的地震数据是怎样加上噪声的呢？我们对干净的地震仿真数据加上随机噪声，程序是这样写的。

这里的主要步骤：首先是要将地震信号归一化到-1至1的取值空间。然后加上了15%的随机噪声。

（2）神经网络结构

这里的神经网络结构与上节课非常类似。但有两点不同，一是优化器从adam改为了adadelta，这个优化器有个特点就是速度较快。二是loss函数改为mean_squared_error，这个损失函数在处理无异常值的情况下，效果更好。

接下来我们通过30个周期迭代，让模型进行了深度的学习。

这里有个很有意思的地方是，我们的训练数据和标签数据都用的是一个，就是含噪声的训练数据。这个训练方式和有监督学习不太一样。这种训练方式称为自监督学习。即我们不需要标签数据，直接从唯一的训练集中学习数据特征。为了体现自编码网络强大的学习能力，我们直接用含噪声的数据集来训练，看看它能不能从中学习到有效的信号。

在整个网络的调优过程中，有以下几个经验分享给大家：

一是训练数据的尺寸尽量小一些，从28至64的范围比较合适，再大的话数据量就会较大，造成训练速度较慢。

二是训练数据的数量尽量多一些，训练周期长一些，这样学习质量比较高。一般来说数量在1万以上比较好，比如Mnist的训练数据是6万，训练周期在50次以上。本次教程限于原理呈现，只用了3000多个训练数据，训练了30个周期，还未体现自编码更好的效果。

三是最后一层的激活函数为tanh，而不是前面的sigmoid。因为地震数据远比Mnist图片数据复杂，使用逻辑激活函数不能满足要求。

4.结果检验

从训练过程来看，loss值持续下降并逐步收敛，证明构建的网络结构比较有效，参数设置正确。

现在我们来构造测试的数据。

我们制作了和训练数据不同的一个测试仿真数据，然后加上了15%的随机噪声。左图是清晰数据，右图是噪声数据。

程序是这样写的：

首先，加载测试仿真数据。然后把数据进行归一化，加上15%的随机噪声。最后构造为1×64×64×1的结构。

我们把测试数据放入到训练好的模型进行预测处理。最后我们使用matplotlib来画出地震数据处理的效果图。

现在我们来看看最后的处理效果。

左边是干净的原始测试信号，中间是加上了随机噪声的信号，右边是去掉噪声的信号。从上面的结果来看，这次的实验加的噪声比较大，噪声对原始信号造成了较大的干扰。神经网络模型对信号噪声去除效果比较明显。不过处理的结果对信号的还原还不是非常完美，在边缘部分还有些模糊。

今天我们将自编码理论应用到了去噪的实际应用中。在处理过程中遇到的问题远多于处理理想数据。这次使用的是仿真数据，在处理真实地震数据时遇到的问题还要多，这需要大家耐心的分析问题原因，不断的调优模型。最后给大家留一个思考问题，在训练数据的使用过程中，我们的方案是训练数据和标签数据都用的含噪声的训练集。那还有没有其他的训练方式呢？比如训练数据和标签数据都用不含噪声训练集，或者训练数据含噪声，标签数据不含噪声，效果会有什么不同呢？大家可以自己做实验思考。

以上就是今天的全部内容，如果你想获取代码，或有问题讨论，都欢迎联系我交流。下节课再见。

如果喜欢请点赞，或关注我交流。