摘要：高分辨率Radon变换是地震资料处理常用的方法之一，其反演通常涉及矩阵求逆、多次迭代等环节，这些因素导致Radon变换反演计算量大，收敛速度慢等问题.本文在分析Radon变换分辨率降低原因基础上，提出基于一维卷积神经网络（Convolutional Neural Network, CNN）的高分辨率Radon变换反演方法.该方法通过卷积神经网络的非线性表征能力实现低分辨率Radon参数到高分辨率Radon参数的映射，分析了基于反褶积原理的串联映射模型和基于残差学习的并联映射模型提高分辨率的原理.将上述CNN网络得到的特定频率Radon参数约束其他频率参数的反演，避免了分频训练的弊端.模拟数据和实际数据的多次波压制实验表明，本文提出的基于一维卷积神经网络的高分辨率Radon变换可以较好地压制多次波，且计算效率高.

关键字：Radon变换;卷积神经网络;反演方法;频率约束;多次波压制

ISSN号：0001-5733

卷、期、页：2022年09期:3610-3622,13

发表日期：2022-09-06

影响因子：0.847100

期刊分区（SCI为中科院分区）：三区

收录情况：北大中文核心期刊,地学领域高质量科技期刊分级目录（国内T1）

发表期刊名称：地球物理学报

通讯作者：郭蒙军,冯璐瑜

第一作者：薛亚茹,马继涛,陈小宏

论文类型：期刊论文

论文概要：薛亚茹,郭蒙军,冯璐瑜,马继涛,陈小宏，基于一维卷积神经网络的高分辨率Radon变换反演方法研究，地球物理学报，2022，2022年09期:3610-3622,13

论文题目：基于一维卷积神经网络的高分辨率Radon变换反演方法研究