padding和卷积的区别_地震去噪新探索——无监督卷积神经网络实战

生活虽然沉闷，但跑起来就凉爽了。

无监督学习极大的发挥了神经网络的学习能力——摆脱人为的帮助，有望通过自动地学习特征，实现智能化的应用。

01 使用全连接神经网络来处理降噪

上一篇文章介绍了一个用全连接神经网络去噪的案例。实现了把这样的含有噪声的图像，如下图。

降噪处理后为这样的效果，如下图。

很显然这样的效果不够好，这其中的原因有很多，比如训练的样本不够，神经网络的参数还不够优化等等。但最重要的原因是还是全连接神经网络本来的局限性——对于细节较多的特征学习能力有限。

现在神经网络发展日新月异，现在对细节学习能力较强的一类的结构就是卷积神经网络。

卷积神经网络仿造生物的视知觉机制构建，可以进行监督学习和非监督学习，其隐含层内的卷积核参数共享和层间连接的稀疏性使得卷积神经网络能够以较小的计算量对复杂的细节特征，例如图像和音频进行学习，具有稳定的效果且对数据没有额外的特征工程要求。

02 实战无监督卷积神经网络去噪

1.训练地震资料

为尽量获取更多形态的训练数据，从5个叠前数据获取了有代表性的区域信号，尺寸为(751,200)其中2个如下图。