| 摘要 | 第5-7页 |
| ABSTRACT | 第7-8页 |
| 第1章 绪论 | 第11-25页 |
| 1.1 研究内容和研究现状 | 第12-21页 |
| 1.1.1 勘探地震数据处理 | 第12-13页 |
| 1.1.2 剩余静校正 | 第13-18页 |
| 1.1.3 随机噪音 | 第18-21页 |
| 1.1.4 坏道重建与插值 | 第21页 |
| 1.2 本文的研究目的和研究方向 | 第21-25页 |
| 第2章 应用折射波干涉法求解近地表剩余静校正 | 第25-51页 |
| 2.1 折射波传播基本理论 | 第25-26页 |
| 2.2 观测系统 | 第26-28页 |
| 2.3 折射波干涉法 | 第28-39页 |
| 2.3.1 理论基础 | 第28-29页 |
| 2.3.2 三维折射波干涉法 | 第29-36页 |
| 2.3.3 正反传计算剩余静校正 | 第36-39页 |
| 2.4 三维合成数据与实际数据测试 | 第39-49页 |
| 2.4.1 合成数据测试 | 第39-44页 |
| 2.4.2 实际数据测试 | 第44-49页 |
| 2.5 本章小结 | 第49-51页 |
| 第3章 基于卷积神经网络的地震数据去噪 | 第51-72页 |
| 3.1 卷积神经网络的发展与应用 | 第51-52页 |
| 3.2 卷积神经网络的基本结构和理论 | 第52-61页 |
| 3.2.1 神经元结构 | 第52页 |
| 3.2.2 卷积神经网络结构 | 第52-53页 |
| 3.2.3 激活函数 | 第53-55页 |
| 3.2.4 损失函数(目标函数) | 第55页 |
| 3.2.5 前向和反向传播 | 第55-56页 |
| 3.2.6 神经网络的最优化方法 | 第56-58页 |
| 3.2.7 残差学习 | 第58-59页 |
| 3.2.8 批标准化 | 第59-60页 |
| 3.2.9 空洞卷积 | 第60-61页 |
| 3.3 网络结构与模型参数、样本的选取 | 第61-62页 |
| 3.4 合成数据测试 | 第62-69页 |
| 3.5 实际数据测试 | 第69-70页 |
| 3.6 本章小结 | 第70-72页 |
| 第4章 深度卷积神经网络去噪模型探究 | 第72-86页 |
| 4.1 基础神经网络结构 | 第72-75页 |
| 4.1.1 全卷积去噪网络(DnCnn) | 第72-73页 |
| 4.1.2 空洞卷积网络(Dilate-DnCnn) | 第73页 |
| 4.1.3 深度残差神经网络(ResNet) | 第73-74页 |
| 4.1.4 编码-解码网络(Encoder-Decoder net) | 第74-75页 |
| 4.2 新型神经网络结构 | 第75-77页 |
| 4.2.1 双残差网络(Res-new net) | 第75页 |
| 4.2.2 空洞卷积编解码网络(Dilate-condecon net) | 第75-76页 |
| 4.2.3 空洞卷积残差连接网络(Dilate-res-condecon net) | 第76-77页 |
| 4.3 合成数据去噪模型对比 | 第77-84页 |
| 4.4 本章小结 | 第84-86页 |
| 第5章 基于深度学习对地震数据同时去噪和插值 | 第86-95页 |
| 5.1 插值算法的研究现状 | 第86页 |
| 5.2 基于去噪模型的地震数据插值去噪算法 | 第86-88页 |
| 5.3 合成数据与实际数据测试 | 第88-94页 |
| 5.4 本章小结 | 第94-95页 |
| 第6章 结论与展望 | 第95-98页 |
| 6.1 结论 | 第95-96页 |
| 6.2 展望 | 第96-98页 |
| 参考文献 | 第98-109页 |
| 致谢 | 第109-112页 |
| 在读期间发表的学术论文与取得的其他研究成果 | 第112页 |
