تضعیف نوفه تصادفی لرزه ای با استفاده از شبکه های عصبی همامیختی باقیمانده مبتنی بر بهینه ساز Adam

نوفه تصادفی اغلب داده های لرزهای را آلوده می کند و کیفیت آنها را کاهش می دهد. بنابراین، تضعیف نوفه تصادفی یک گام اساسی در پردازش داده های لرزه ای می باشد. در این پژوهش، از شبکه های عصبیهمامیختی ( CNN ) برای تضعیف نوفه تصادفی در داده های لرزه ای استفاده شده است. به منظور سرعت بخشیدن به آموزش شبکه، روش های یادگیری باقیمانده و نرمال سازی دست های به شبکه اضافه می شوند. پس از اتمام یادگیری و آموزش شبکه عمیق، شبکه توانایی جداسازی تصویر باقیمانده از داده های لرزه ای همراه با نوفه را خواهد داشت و با تفریق تصویر باقی مانده از دادههای همراه با نوفه، می توان تصاویر تمیز را بدست آورد. نتایج بر روی داده واقعی نشان می دهد که روش پیشنهادی برای تضعیف نوفه تصادفی در داده های لرزه ای بسیار موثر است. این روش می تواند نوفه بیشتر و سیگنال کمتری را نسبت به روش های مرسوم کاهش دهد و نسبت به آنها در تضعیف نوفه تصادفی داده لرزه ای، عملکرد بهتری دارد.