(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202210818819.3 (22)申请日 2022.07.13 (71)申请人 电子科技大 学 地址 611731 四川省成 都市高新区 （西区） 西源大道 2006号 (72)发明人 蔡涵鹏　邹修懿　赵玉婷　胡光岷　 王峣钧　姚兴苗　 (74)专利代理 机构 成都虹盛汇泉专利代理有限 公司 51268 专利代理师 王伟 (51)Int.Cl. G01V 1/28(2006.01) G06V 10/762(2022.01) G06V 20/10(2022.01) (54)发明名称 一种深度对抗多视图网络叠后地震反射模 式分析方法 (57)摘要 本发明公开一种深度对抗多视图网络叠后 地震反射模式分析方法， 应用于地震数据处理领 域， 针对地震数据维度高， 数据量大， 传统方法基 于单点周围的体数据进行处理， 对计算资源要求 较高； 且现有方法在叠后数据下对河道边缘的刻 画不够清晰， 对内部非均质性的识别精度不够高 的问题； 本发明通过提取水平和垂直方向的数 据， 减少了数据量的同时还保持了较好的识别效 果。 通过叠后数据的测试， 本发明可以发现深度 对抗多视图聚类网络相比较于传统方法， 对河道 边缘的刻画更加清晰， 并且该方法能够识别到河 道内部分布的差异性， 明确河道的两侧物质分布 不均匀的情况， 对地震反射模式的识别更加精 确。 权利要求书2页 说明书8页 附图6页 CN 115184989 A 2022.10.14 CN 115184989 A 1.一种深度对抗多视图网络 叠后地震反射模式分析 方法， 其特 征在于， 包括： S1、 构造训练数据集， 具体的： 对获取的三维地震工区数据计算纹理属性， 然后在空间 上每一个点从水平和垂直两个方向上计算多视图数据， 从而得到训练数据集； S2、 建立DAMC网络， 所述DAMC网络包括： 多视图去噪自编码器E、 生成对抗网络、 和深层 嵌入聚类网络； 所述 生成对抗网络包括： 多视图去噪生成器G、 鉴别器网络Dv； 所述多视图去噪自编码器E用于将高维度数据映射至低维度空间； 所述多视图去噪生成器G用于针对每 个视图生成所有假样本和潜在表示的重建样本； 鉴别器网络Dv用于对多视图去噪生成器G生成的样本进行鉴别， 并将鉴别结果 反馈给多 视图去噪生成器G； v＝1,2, …,V， V表示鉴别器网络的数量； 所述深层嵌入聚类网络利用当前数据分布和目标数据分布的KL散度作为目标函数， 迭 代更新多视图去噪自编码器E和多视图去噪生成器G； S3、 采用步骤S1得到的训练数据集对步骤S2建立的DAM C网络进行训练； S4、 以DAM C网络损失值 最小时对应的输出 结果作为 地震反射模式识别结果。 2.根据权利要求1所述的一种深度对抗多视图网络叠后地震反射模式分析方法， 其特 征在于， DAM C网络损失值表达式为： 其中， 为AE损失， 为生成对抗网络损失， 为聚类损失， λ1和λ2为用于平衡 和 的参数。 3.根据权利要求2所述的一种深度对抗多视图网络叠后地震反射模式分析方法， 其特 征在于， AE损失通过多视图去噪生成器G生成的样本和真实样本之间的均方误差来测量。 4.根据权利要求3所述的一种深度对抗多视图网络叠后地震反射模式分析方法， 其特 征在于， 聚类损失的表达式为： 其中， qij表示将样本i分配给簇j的概率， pij表示辅助 分布， j表示当前训练聚类的簇序 号。 5.根据权利要求4所述的一种深度对抗多视图网络叠后地震反射模式分析方法， 其特 征在于， pij的计算式为： 其中， fj表示当前训练聚类的次数， fj＝∑iqij， fj′表示总的聚类次数， j′ 表示历次训练聚类的所有簇的序号。 6.根据权利要求5所述的一种深度对抗多视图网络叠后地震反射模式分析方法， 其特 征在于， qij的计算式为：权　利　要　求　书 1/2 页 2 CN 115184989 A 2其中， α 是t分布的自由度。 7.根据权利要求6所述的一种深度对抗多视图网络叠后地震反射模式分析方法， 其特 征在于， 鉴别器网络的数量V与步骤S1的视图个数相同。权　利　要　求　书 2/2 页 3 CN 115184989 A 3