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！

龙图腾网获悉中国石油大学(华东)申请的专利一种基于深度学习的高分辨率Radon域多次波压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：CN120491163B 。

龙图腾网通过国家知识产权局官网在2025-11-28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：202510649305.3，技术领域涉及：G01V1/28；该发明授权一种基于深度学习的高分辨率Radon域多次波压制方法是由李志娜;张贺翔;王鹏;李振春;贺紫林;张祺设计研发完成，并于2025-05-20向国家知识产权局提交的专利申请。

本一种基于深度学习的高分辨率Radon域多次波压制方法在说明书摘要公布了：本发明公开了一种基于深度学习的高分辨率Radon域多次波压制方法，包括以下步骤：S1，数据预处理：对采集的地震数据分别进行共轭Radon变换和高分辨率Radon变换；S2，样本与标签数据构建：制作训练数据集和测试数据集；S3，数据归一化或标准化：对制作好的训练数据集和测试数据集进行归一化或者标准化处理；S4，模型训练：获取非线性映射关系网络模型；S5，数据预测：输出预测的高分辨率Radon域数据；S6，多次波压制与一次波提取：得到压制多次波后的一次波数据；S7，迁移学习策略：调整网络参数以适应不同类型数据集。本发明，提升了计算效率和多次波压制效果，同时有助于提升地震勘探数据的质量和可靠性。

本发明授权一种基于深度学习的高分辨率Radon域多次波压制方法在权利要求书中公布了：1.一种基于深度学习的高分辨率Radon域多次波压制方法，其特征在于，包括以下步骤： S1，数据预处理：对采集的地震数据分别进行共轭Radon变换和高分辨率Radon变换，得到低分辨率Radon域数据与高分辨率Radon域数据； S2，样本与标签数据构建：基于低分辨率Radon域数据与高分辨率Radon域数据构建样本和标签数据，并通过数据增广扩充样本和标签数据，制作训练数据集和测试数据集； S3，数据归一化或标准化：对制作好的训练数据集和测试数据集进行归一化或者标准化处理； S4，模型训练：将训练数据集输入到U-net网络中进行训练，获取表征由低分辨率Radon域数据到高分辨率Radon域数据的非线性映射关系网络模型； S5，数据预测：将测试集数据输入训练完成后的非线性映射关系网络模型中，输出预测的高分辨率Radon域数据； S6，多次波压制与一次波提取：基于预测的高分辨率Radon域数据，根据一次波和多次波的特征差异切除一次波信息保留多次波信息，将提取的多次波Radon域数据进行Radon反变换，转换回时间域，得到时间域的多次波数据，并在采集的地震数据中减去多次波数据，得到压制多次波后的一次波数据； S7，迁移学习策略：将训练好的非线性映射关系网络模型应用于新区域的地震数据时，通过新区域的地震数据对训练好的非线性映射关系网络模型进行微调训练； 所述S1中的数据预处理包括： S11，抛物Radon变换的构建：将抛物Radon变换的正变换与反变换在时间域中进行建立； S12，离散化与频率域转换：将Radon变换进行离散化，并通过Fourier变换将其转化到频率域； S13，共轭解：对离散化与频率域转换后的地震数据计算得到低分辨率共轭解Radon域数据； S14，稀疏约束高分辨率Radon变换：引入频率域稀疏约束算法，在目标函数中加入可变权重矩阵，并通过最小化目标函数的方式求取得频率域抛物Radon变换的解，经过迭代求解，更新稀疏约束高分辨率Radon频率域解，表示为 ； 其中，表示通过逐步迭代得到的高分辨率Radon域数据，和分别表示Radon变换算子及其共轭算子,为加权系数，表示利用前一次结果构造的约束矩阵，，为模型空间的加权矩阵，D表示原始地震数据； S15，引入深度学习优化计算：采用深度学习方法，构建从低分辨率Radon域数据到高分辨率Radon域数据的非线性映射模型。

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中国石油大学(华东)，其通讯地址为：266580 山东省青岛市黄岛区长江西路66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。