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！

龙图腾网获悉吉林大学申请的专利一种基于多尺度注意力交互网络的沙漠地震噪声抑制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：CN115877461B 。

龙图腾网通过国家知识产权局官网在2026-04-21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：202211665638.8，技术领域涉及：G01V1/36；该发明授权一种基于多尺度注意力交互网络的沙漠地震噪声抑制方法是由林红波;宋雪;马海涛设计研发完成，并于2022-12-23向国家知识产权局提交的专利申请。

本一种基于多尺度注意力交互网络的沙漠地震噪声抑制方法在说明书摘要公布了：一种基于多尺度注意力交互网络的沙漠地震噪声抑制方法属机器学习和地震图像处理技术领域，本发明针对沙漠地震图像中低频噪声压制问题，提出了一种多尺度注意力交互网络，该网络先对输入地震数据下采样，然后利用不同核大小的双支路卷积层，自适应地学习多尺度地震数据的复杂特征，再采用多重注意力机制包括置换注意力和坐标注意力在通道、空间和坐标维度上整合和交互多尺度特征来获得连续的地震信号；该方法采用均方误差和平均余弦相似度的混合损失函数，将多尺度策略与注意力机制结合起来，提升沙漠地震图像去噪效果，与单尺度去噪卷积神经网络相比，本发明对沙漠噪声的抑制效果显著，优于单尺度去噪卷积神经网络对同相轴连续性的恢复。

本发明授权一种基于多尺度注意力交互网络的沙漠地震噪声抑制方法在权利要求书中公布了：1.一种基于多尺度注意力交互网络的沙漠地震噪声抑制方法，包括下列步骤： 1构建多尺度注意力交互网络：所构建的多尺度注意力交互网络由多尺度特征提取模块、多尺度特征融合模块和重构模块构成； 1.1多尺度特征提取模块由下采样块和残差多尺度块构成；下采样块表示在行和列上隔点采样，将输入数据变为大小减半的子数据；残差多尺度块由双支路不同大小的卷积层构成，具体的：先分别执行1×3和3×1的卷积和线性整流激活函数Relu操作，两个支路的信息交叉融合后分别发送到3×1卷积和1×3卷积，再执行Relu操作，然后连接两个支路的输出，并发送到一个1×1的卷积层，最后与输入数据进行元素相加操作； 1.2多尺度特征融合模块由置换注意力和坐标注意力构成；坐标注意力的第1层是水平方向和垂直方向的池化核，第2层是连接操作和卷积层，第3层是批处理归一化BN层和非线性层，第4层是卷积层，第5层是Sigmoid函数； 1.3重构模块由卷积层和逆下采样块构成；卷积层共有7层，第1层到第6层包括卷积、BN和Relu操作，第7层只进行卷积操作； 2给定含噪地震勘探图像Y＝X+V，其中：X表示干净的地震图像；V表示低频色噪声； 基于多尺度注意力交互网络压制含噪地震数据的低频色噪声，包括下列步骤： 2.1将含噪地震勘探图像Y作为网络的输入； 2.2通过下采样块将输入数据分解为4个大小减半的子数据； 2.3将子数据输入到并行的残差多尺度块，得到输出M； 2.4沿着通道维度将M平均划分为G组：M＝[M1,···,MG]，对于M中的第K个特征Mk来说，先沿着通道维度分成两个小的子特征，即Mk1，Mk2，分别经过通道注意力模块和空间注意力模块，得到输出Mk1’和Mk2’，最后在通道方向上连接Mk1’和Mk2’进行channelshuffle操作，得到输出N；在通道注意力模块中，先使用全局平均池化生成通道统计信息，然后使用Sigmoid函数乘到输入特征Mk1，获得通道注意力模块的最终输出Mk1’；在空间注意力模块中，采用组归一化对Mk2进行处理，得到空间层面的统计信息，然后采用Fc·＝Wx+b进行增强，W和b分别为缩放和偏移参数，最后乘以Mk2得到空间注意力模块的最终输出Mk2’； 2.5沿水平方向和垂直方向，使用大小为H，1和1，W的池化核，对N的不同通道的信息进行编码，得到Nx和Ny，然后连接Nx和Ny传送到一个共享的1×1卷积层，再使用非线性激活函数和Sigmoid函数进行处理，将获得的特征图分别用作水平坐标和垂直坐标的注意力权重，最后重新加权于N； 2.6在重构模块中利用卷积层和逆下采样块，得到去噪后的干净沙漠地震图像 步骤2.1至步骤2.6去噪过程由网络映射表示； 3构建信号集和噪声集：分析实际沙漠地震信号的结构特征，利用雷克子波模拟生成64幅2000×200的干净沙漠地震图像，得到干净信号训练集{Xi}；准备噪声集{Vi}即实际沙漠噪声，包含480道，每道有30000个采样点； 4利用信号集和噪声集训练网络，学习网络D的参数Θ，包括下列步骤： 4.1训练中首先将{Xi}以20为步长，分割成80×80的块，然后对信号块执行振幅归一化处理，得到训练信号块集；类似的，将实际沙漠噪声{Vi}裁剪为80×80的块，然后根据每个噪声块的最大幅值，进行归一化处理，再选取0,2范围的随机数作为权重与噪声块相乘，用来模拟不同的噪声水平，获得噪声数据块；最后将信号块与噪声块叠加得到含噪数据块{Yi}； 4.2对多尺度注意力交互网络进行训练，建立一个从网络输入含噪地震图像Yi，到网络输出的映射其中：Θ＝{w,b}为网络参数，w和b分别为网络的权重和偏置； 4.3使用均方误差和平均余弦相似度混合损失函数，学习网络参数Θ，网络输出为平均余弦相似度ACS的计算公式为： 网络损失函数的计算公式为： 其中：α为权重参数；代表M对含噪—干净训练集，当LΘ达到最小值时的Θ值为最终网络参数。

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吉林大学，其通讯地址为：130012 吉林省长春市长春高新技术产业开发区前进大街2699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。