Resumen

Las arquitecturas de aprendizaje profundo (DL) basadas en redes neuronales convolucionales (CNN) han logrado un gran éxito en muchos campos como teledetección, procesamiento de imágenes médicas y visión por computadora. Recientemente, también se han intentado modelos basados en CNN para resolver problemas geofísicos. Este artículo presenta un método de atenuación de ruido de datos sísmicos a través de una novedosa arquitectura de aprendizaje profundo (DL), denominada red de fusión multiscale profunda (MSFN). En primer lugar, integramos un bloque de fusión multiscale (MSF) para explotar de manera adaptativa las características de la señal local en diferentes escalas de los datos sísmicos. Luego, una serie de bloques MSF apilados se forman en MSFN, que puede restaurar los datos sísmicos ruidosos de manera efectiva y preservar más información de señal útil. Además, se realiza un estudio comparativo de nuestro método y otros métodos punteros utilizando registros sísmicos sintéticos y los modelos de sal y sobrecarga de SEG

• Materias:Comunicación inalámbrica Dispositivos móviles Seguridad de la información Algoritmo de inteligencia Sensor inteligente
• Subjects:Wireless communication Mobile devices Information security Algorithm intelligence Intelligent sensor
• Palabras claves:Red neuronal convolucional; Arquitecturas de aprendizaje profundo; Datos sísmicos; Red de fusión multiscale; Atenuación de ruido; Relaciones señal a ruido
• Keywords:Convolutional neural network; Deep learning architectures; Seismic data; Multiscale fusion network; Noise attenuation; Signal-to-noise ratios