改進的神經(jīng)

宋建國 李賦真 徐維秀 李 哲

(①中國石油大學(xué)(華東)地球科學(xué)與技術(shù)學(xué)院，山東青島 266580； ②中國石油集團東方地球物理公司大港物探處，天津 300280； ③中國石化石油工程地球物理公司勝利分公司，山東東營 257600)

1 引言

地震資料初至拾取技術(shù)是靜校正[1]、層析成像[2]及VSP等技術(shù)的關(guān)鍵，初至拾取的正確與否，在很大程度上影響后續(xù)處理精度。截至目前，盡管初至拾取技術(shù)經(jīng)歷了幾十年的發(fā)展，但在地表復(fù)雜及信噪比較低的情況下，要想取得好的拾取效果依然存在困難。隨著初至波層析技術(shù)向三維方向[3]發(fā)展，初至拾取變得更為繁重，探尋穩(wěn)定可靠的自動拾取技術(shù)顯得勢在必行。

在地震數(shù)據(jù)處理過程中，通常都是根據(jù)地震信號的振幅、能量、頻率或相位等的變化確定地震波的初至?xí)r間，此外還可根據(jù)相鄰道之間的相關(guān)特征判斷初至?xí)r間。迄今為止，人們已提出多種初至波拾取方法，如能量比值法[4]、瞬時強度比法[5]、神經(jīng)網(wǎng)絡(luò)法、圖像處理法[6]、分形法[7]等。其中能量比值法、瞬時強度比法、分形法等都是基于單一地震道時窗特征判斷初至?xí)r間，未考慮多個地震道之間的相互關(guān)系。此外，這類方法通常僅考慮單一特征，沒有綜合考慮其他特征，造成這類算法穩(wěn)定性欠佳，在資料信噪比較低時拾取效果不理想。因此，要想提高初至拾取算法的穩(wěn)定性和精確度，需綜合考慮多種地震屬性及相鄰道之間的相互關(guān)系，而神經(jīng)網(wǎng)絡(luò)初至拾取方法就做到了這些。

由于BP神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)簡單，算法易于實現(xiàn)，因此早已被應(yīng)用于初至拾取領(lǐng)域[8-10]。但該算法存在收斂慢、易陷于局部極值、網(wǎng)絡(luò)結(jié)構(gòu)難以確定等問題； 且因BP網(wǎng)絡(luò)是靜態(tài)網(wǎng)絡(luò)，不能學(xué)習(xí)額外樣本集以擴展網(wǎng)絡(luò)知識，難以滿足復(fù)雜地形區(qū)初至拾取要求，因此未被推廣應(yīng)用[11]。而采用級聯(lián)相關(guān)(Cascade-Correlation，簡稱CC)算法[12，13]就能很好地解決BP算法存在的問題，具有更強的應(yīng)用潛力。

神經(jīng)網(wǎng)絡(luò)初至拾取是通過神經(jīng)網(wǎng)絡(luò)對樣本的學(xué)習(xí)來建立一個分類規(guī)則，以此對初至波進行模式識別并拾取。該分類規(guī)則是否合適取決于兩個方面： ①神經(jīng)網(wǎng)絡(luò)訓(xùn)練的好壞； ②地震屬性選取是否恰當(dāng)。由于CC算法起始于一個最小網(wǎng)絡(luò)(無隱含神經(jīng)元)，這意味著在訓(xùn)練初始階段將經(jīng)歷繁雜過程和花費大量時間，也必定增加計算量且降低網(wǎng)絡(luò)收斂速度[14，15]。本文力圖改進CC算法，即從適合的初始網(wǎng)絡(luò)結(jié)構(gòu)開始學(xué)習(xí)，使其具有計算更高效和收斂更快速的特性。同時為了保證級聯(lián)神經(jīng)網(wǎng)絡(luò)的泛化能力，本文在CC算法訓(xùn)練候選隱含神經(jīng)元的目標(biāo)函數(shù)中加入正則化項，這樣就可有效防止候選神經(jīng)元權(quán)值的病態(tài)增長，提高網(wǎng)絡(luò)的泛化能力，并加快神經(jīng)網(wǎng)絡(luò)的收斂速度。

地震屬性中不僅含有地下地質(zhì)體[16]信息，也含有反映地震波類型的信息，這是利用地震屬性識別初至波的基礎(chǔ)。地震屬性種類眾多，初至拾取的效果取決于地震屬性的選取，所選地震屬性必須具有一定的穩(wěn)定性[17]，通常還可選取多種地震屬性進行組合以更利于正確區(qū)分初至波和非初至波。

2 級聯(lián)相關(guān)算法

級聯(lián)相關(guān)算法是一種神經(jīng)網(wǎng)絡(luò)自底向上構(gòu)造算法[12，13]，是Fahlman等[12]為了解決傳統(tǒng)BP算法收斂速度慢的缺點而提出的。該算法的命名即反映了其主要特征：新的隱含神經(jīng)元與以前的網(wǎng)絡(luò)拓撲結(jié)構(gòu)呈級聯(lián)相關(guān)關(guān)系。通過相關(guān)性學(xué)習(xí)算法，調(diào)整輸入權(quán)值，使新增神經(jīng)元輸出與原網(wǎng)絡(luò)輸出殘差的相關(guān)性最大。

與BP算法相比，CC算法具有以下優(yōu)點： ①能自行決定算法網(wǎng)絡(luò)結(jié)構(gòu)； ②學(xué)習(xí)速度較快； ③當(dāng)樣本集改變時，依然能保留已建立的網(wǎng)絡(luò)結(jié)構(gòu)和知識體系； ④若需訓(xùn)練一個額外的樣本集，CC算法能擴展網(wǎng)絡(luò)大小，并把新樣本合并到原有知識體系中。

CC算法的實現(xiàn)包含下列步驟。

(1)初始化網(wǎng)絡(luò)。構(gòu)建兩層網(wǎng)絡(luò)結(jié)構(gòu)：輸入層、輸出層，并對其權(quán)值進行隨機初始化設(shè)置。

(2)訓(xùn)練輸出層。選取適用算法迭代調(diào)整輸出層權(quán)值，以誤差無明顯改進(變小)為迭代停止條件；當(dāng)停止迭代后，根據(jù)對誤差的標(biāo)準，選擇停止訓(xùn)練，或轉(zhuǎn)入下一步。

(3)訓(xùn)練候選隱含神經(jīng)元。根據(jù)級聯(lián)、相關(guān)的特征，迭代訓(xùn)練候選隱含神經(jīng)元的權(quán)值，直到原網(wǎng)絡(luò)與新網(wǎng)絡(luò)輸出殘差關(guān)聯(lián)度最大。

(4)凍結(jié)和連接新隱含神經(jīng)元。固定新隱含神經(jīng)元的權(quán)值并連接它的輸出到網(wǎng)絡(luò)輸出層。重新調(diào)整輸出層，轉(zhuǎn)到步驟(2)。

將CC算法應(yīng)用于初至拾取還需解決以下問題： ①由于CC算法從僅有輸入層和輸出層的最小網(wǎng)絡(luò)開始學(xué)習(xí)，逐一自動地增加隱含神經(jīng)元，直到目標(biāo)網(wǎng)絡(luò)收斂，這就意味著需大量的過程步驟和時間來學(xué)習(xí)，從而增加了計算量并使收斂速度減慢[14，15]； ②CC算法構(gòu)建的是一個多層神經(jīng)網(wǎng)絡(luò)，每增加一個隱含神經(jīng)元，在效果上相當(dāng)于增加了一個新的隱含層，新增隱含神經(jīng)元越多，即新構(gòu)建的神經(jīng)網(wǎng)絡(luò)就越復(fù)雜，這樣常易導(dǎo)致神經(jīng)網(wǎng)絡(luò)對訓(xùn)練樣本產(chǎn)生過擬合[13]； ③最大化候選隱含神經(jīng)元的輸出與原網(wǎng)絡(luò)輸出殘差的關(guān)聯(lián)度(即協(xié)方差)往往會使候選隱含神經(jīng)元的權(quán)值對誤差進行過度補償，這被稱為“權(quán)值病態(tài)增長”[18]，該現(xiàn)象會嚴重影響網(wǎng)絡(luò)泛化能力。

2.1 級聯(lián)相關(guān)算法的改進

常規(guī)CC算法起始于一個最小網(wǎng)絡(luò)(無隱含神經(jīng)元)，這樣必定增加計算量，同時也降低了網(wǎng)絡(luò)收斂速度。若從某個適當(dāng)網(wǎng)絡(luò)開始訓(xùn)練，則能顯著提高網(wǎng)絡(luò)收斂速度[14]。改進后的CC算法包括初始網(wǎng)絡(luò)訓(xùn)練、候選隱含神經(jīng)元訓(xùn)練、輸出層訓(xùn)練三個階段。

(1)

圖1 初始網(wǎng)絡(luò)(a)與增加1個(b)、2個(c)隱含神經(jīng)元網(wǎng)絡(luò)示意圖

為了防止最大化相關(guān)性C時候選節(jié)點權(quán)值病態(tài)增長，在式(1)中引入正則化項

(2)

式中λ為正則化系數(shù)。在候選隱含神經(jīng)元訓(xùn)練的目標(biāo)函數(shù)中加入正則化項，可有效地對權(quán)值進行衰減，防止權(quán)值的病態(tài)增長，降低網(wǎng)絡(luò)復(fù)雜程度，提高了網(wǎng)絡(luò)的泛化性能。

當(dāng)所有候選隱含神經(jīng)元與原網(wǎng)絡(luò)的相關(guān)性不再變化時,停止訓(xùn)練； 再從多個(通常為4～8個)候選隱含神經(jīng)元中選取關(guān)聯(lián)度最大的候選隱含神經(jīng)元作為新隱含神經(jīng)元，使其輸出端與網(wǎng)絡(luò)輸出神經(jīng)元的輸入端相連接，并凍結(jié)新隱含神經(jīng)元的輸入端權(quán)值，刪除其他候選隱含神經(jīng)元，進而對新網(wǎng)絡(luò)進行輸出層訓(xùn)練。

在輸出層訓(xùn)練階段，通過調(diào)整連接輸出層權(quán)值，使全局均方誤差最小化。全局均方誤差可表示為

(3)

式中：tp,o為輸出層神經(jīng)元o中樣本p的期望值；yp,o為輸出層神經(jīng)元o中樣本p的網(wǎng)絡(luò)輸出值。

訓(xùn)練算法可采用梯度下降法或Quickprop算法，但Quickprop算法在收斂速度方面更具優(yōu)勢。訓(xùn)練過程中設(shè)定原隱含神經(jīng)元仍然對目標(biāo)函數(shù)有效，因此保持所有原隱含神經(jīng)元輸入端權(quán)值不變，僅允許輸出神經(jīng)元輸入端權(quán)值改變。當(dāng)全局均方誤差不再明顯減小時，終止訓(xùn)練。同時，新一輪候選隱含神經(jīng)元訓(xùn)練階段開始。在整個學(xué)習(xí)過程中，候選隱含神經(jīng)元訓(xùn)練、輸出層訓(xùn)練階段交替出現(xiàn)，直到全局均方誤差小于目標(biāo)值為止。

2.2 Quickprop算法

Quickprop算法由Fahlman[19]提出，這是一種利用誤差平面彎曲部分的信息來加快學(xué)習(xí)的一種算法，因此需計算誤差的二階導(dǎo)數(shù)。該算法有兩個基本假設(shè)： ①誤差函數(shù)對每個權(quán)值的曲線都是二次曲線； ②每個權(quán)值的誤差曲線的斜率變化不受其他權(quán)值的影響。Quickprop算法計算每個權(quán)的方向?qū)?shù)?；谶@兩個假設(shè)，根據(jù)當(dāng)前時刻和前一時刻的斜率和權(quán)值，通過計算拋物線的最小值，求出當(dāng)前時刻的最優(yōu)調(diào)節(jié)量

(4)

式中： Δwij是神經(jīng)元i和j的連接權(quán)值(wij)的調(diào)節(jié)量；S(t+1)和S(t)是當(dāng)前時刻與前一時刻的誤差函數(shù)對wij的偏導(dǎo)數(shù)。

另外，當(dāng)S(t+1)與S(t)方向相同，但S(t+1)與S(t)的值接近，或S(t)大于S(t+1)時，式(4)會有很大的調(diào)節(jié)量，或反向調(diào)節(jié)到拋物線的最大值點。若單純采用式(4)調(diào)整權(quán)值，算法出現(xiàn)不穩(wěn)定甚至難以收斂。本文采用的權(quán)值調(diào)整公式為

Δwij(t+1)=μβΔwij(t)-(1-μ)ηS(t)

(5)式中：η為學(xué)習(xí)速度；μ為0～1之間的一個調(diào)節(jié)量，取為0時，式(5)退化為梯度下降法公式，由下式得出

(6)

選取合適參數(shù)可使算法穩(wěn)定且快速收斂。在算法開始時， Δwij為零值，不能用式(5)進行調(diào)整，而是用梯度下降法計算下一時刻的權(quán)值調(diào)節(jié)量

(7)

2.3 仿真試驗

為了驗證CC神經(jīng)網(wǎng)絡(luò)改進前后的收斂性能及其泛化能力，進行了仿真試驗。神經(jīng)網(wǎng)絡(luò)訓(xùn)練的目標(biāo)函數(shù)為

(8)

訓(xùn)練樣本從0到1之間等間隔取樣，即輸入xi如下式所示

(9)

由此可獲得50個樣本對{(x1,y1),…,(xi,yi),…,(x50,y50)}作為神經(jīng)網(wǎng)絡(luò)的訓(xùn)練樣本，測試樣本為500個，其輸入xi為區(qū)間[0，1]之內(nèi)的隨機值，將其輸入到訓(xùn)練過的神經(jīng)網(wǎng)絡(luò)可得函數(shù)的逼近值，實際函數(shù)值由式(8)計算得出。

初始網(wǎng)絡(luò)結(jié)構(gòu)為1—2—1(即一個輸入節(jié)點，兩個隱含節(jié)點，一個輸出節(jié)點)的三層BP網(wǎng)絡(luò)，激勵函數(shù)采用Sigmoidal函數(shù)，初始權(quán)值取(-1.0，1.0)范圍內(nèi)隨機值，候選隱含神經(jīng)元訓(xùn)練過程中同時訓(xùn)練8個候選節(jié)點。圖2是改進前、后CC算法的均方誤差對比圖，可見改進CC算法僅需添加7個隱含神經(jīng)元就可完全收斂，均方誤差為0.0001，而常規(guī)CC算法需添加17個隱含神經(jīng)元才收斂到目標(biāo)誤差。

在[0，1]之間隨機取500個測試樣本，輸入到已訓(xùn)練好的神經(jīng)網(wǎng)絡(luò)，用于驗證神經(jīng)網(wǎng)絡(luò)的函數(shù)逼近效果。圖3為兩種神經(jīng)網(wǎng)絡(luò)輸出結(jié)果： 常規(guī)CC算法函數(shù)逼近出現(xiàn)“鋸齒”形狀，權(quán)值病態(tài)增長影響了網(wǎng)絡(luò)的泛化能力(紅色曲線)； 綠色曲線是改進后CC算法函數(shù)逼近效果，“鋸齒”現(xiàn)象消失，與實際曲線吻合很好。

仿真過程中，對訓(xùn)練和測試重復(fù)了30次。表1為算法改進前、后的對照效果，可見改進后的CC算法不僅提高了收斂速度，而且在一定程度上提高了神經(jīng)網(wǎng)絡(luò)的泛化能力。

圖2 均方根誤差對照圖

算法平均新隱節(jié)點數(shù)平均訓(xùn)練誤差平均訓(xùn)練時間/s平均測試誤差常規(guī)CC16.57.82×10-443.61.63×10-3改進CC7.04.15×10-45.75.19×10-4

3 地震屬性提取及交會分析

地震屬性的選取是神經(jīng)網(wǎng)絡(luò)初至拾取過程中重要一環(huán)，地震屬性的穩(wěn)定性影響初至拾取精度。不同的地震屬性在不同地區(qū)以及針對不同的震源會有不同的拾取效果，因此穩(wěn)定的地震屬性以及能正確區(qū)分初至波的地震屬性是神經(jīng)網(wǎng)絡(luò)識別初至波的前提。

通過算法編程從地震資料中提取多種地震屬性，然后進行分析對比，最后選取瞬時強度比、振幅、頻率、曲線長度比、相鄰道相關(guān)性這五種地震屬性來綜合識別初至波。瞬時強度比是通過先對地震道做希爾伯特變換，通過復(fù)地震道分析技術(shù)可求得瞬時振幅，然后再計算前后兩時窗內(nèi)瞬時振幅的平方和之均方根之比便可求得瞬時強度比。頻率是為了考察地震道局部波形的主頻，一般在一個高斯時窗內(nèi)對地震數(shù)據(jù)做短時傅氏變換可求得主頻。圖4為振幅和頻率與瞬時強度比的三維交會圖，可看出初至波與非初至波有明顯的分類邊界。

相鄰道相關(guān)性是在選定時窗內(nèi)考察當(dāng)前道與前后相鄰n道局部波形的相似性而提出的一個地震屬性，可用于檢測初至波同相軸。即通過傾角掃描相關(guān)法[20]求得當(dāng)前道與前后n道互相關(guān)函數(shù)平均值的極大值，其值介于0～1之間。在初至波處，當(dāng)前道與前后n道一般有很強相似性，即屬性值為一較大值。如圖5所示：在初至波之前為隨機噪聲，其屬性值為一個較小值；初至波之后的有效波若存在同相軸，其屬性值仍為一較大值，故該屬性是半穩(wěn)定的，需結(jié)合其他地震屬性共同識別初至波。

圖5 相鄰道相關(guān)性隨道號的分布

曲線長度比是將時窗內(nèi)的地震波包絡(luò)線長度的變化作為一種地震屬性，用以識別初至波。曲線長度比即為前后相鄰兩時窗內(nèi)線積分比值，它體現(xiàn)了地震波的振幅和頻率特征[21]，其變化情況能反映波形的變化情況。圖6是曲線長度比與相鄰道相關(guān)性的交會圖，圖7是曲線長度比與振幅、頻率的三維交會圖，從兩圖可看出初至波與非初至波同樣分類邊界依然非常明顯。

圖6 相鄰道相關(guān)性與曲線長度比的交會圖

圖7 振幅和頻率及曲線長度比的交會圖

瞬時強度比、振幅、頻率、曲線長度比、相鄰道相關(guān)性這五種地震屬性的組合適應(yīng)于不同地形的神經(jīng)網(wǎng)絡(luò)初至波拾取的要求，其組合有較強的穩(wěn)定性，對低信噪比數(shù)據(jù)的初至也有較強的識別能力。

4 神經(jīng)網(wǎng)絡(luò)在初至拾取中的應(yīng)用

4.1 輸入及輸出數(shù)據(jù)的處理

神經(jīng)網(wǎng)絡(luò)訓(xùn)練需要可靠的訓(xùn)練樣本，本文采用手工拾取的初至波作為訓(xùn)練樣本。為了方便進行手工拾取并保證神經(jīng)網(wǎng)絡(luò)的拾取精度，僅考查初至波波峰，手工拾取初至波的波峰時間?？紤]到地層的吸收衰減及波前擴散效應(yīng)，地震數(shù)據(jù)的近炮檢距振幅值與遠炮檢距的振幅值差異較大，在提取地震屬性前先對地震數(shù)據(jù)進行歸一化，消除近炮檢距和遠炮檢距地震數(shù)據(jù)的振幅差異，這樣有利于提高初至拾取的精度。提取地震屬性時，根據(jù)人工拾取的初至波峰時間提取初至波的屬性值，然后再求取初至波前后四個非初至波波峰的地震屬性值作為神經(jīng)網(wǎng)絡(luò)的訓(xùn)練樣本數(shù)據(jù)。

采用Sigmoidal函數(shù)作為神經(jīng)網(wǎng)絡(luò)激勵函數(shù)，根據(jù)其“倒鐘”分布特性，當(dāng)數(shù)據(jù)在遠離0的區(qū)域里進行學(xué)習(xí)時，處于飽和區(qū)段，學(xué)習(xí)收斂速度很慢，甚至出現(xiàn)麻痹現(xiàn)象，因此需要對樣本輸入進行規(guī)范化。規(guī)范化公式如下

(10)

式中：x′為規(guī)劃化后的特征樣本；xmax為特征樣本極大值；xmin為特征樣本的極小值。

圖8為噶爾盆地M工區(qū)測線的地震數(shù)據(jù)初至拾取效果，從中可看出，初至波到達前存在一定的噪聲干擾，但初訓(xùn)練樣本進行規(guī)范化后，輸入數(shù)據(jù)都在區(qū)間[0，1]內(nèi)，確保在不減少數(shù)據(jù)間聯(lián)系的前提下，提高了網(wǎng)絡(luò)訓(xùn)練和學(xué)習(xí)的速度。

將訓(xùn)練成功之后的神經(jīng)網(wǎng)絡(luò)用于初至拾取時，考慮到其工作效率，不可能逐個考察每個采樣點，因此，為了提高拾取效率，對初至波搜索范圍進行了限制。其方法是對手工拾取的初至波峰時間(必須包含近炮檢距與遠炮檢距的初至數(shù)據(jù))與其炮檢距進行最小二乘法曲線擬合，得到初至波峰時間與炮檢距的近似關(guān)系式。在隨后的拾取過程中再調(diào)用這個關(guān)系式，根據(jù)炮檢距信息估算初至波時間，然后以此估算的初至波時間為中點開了一個搜索時窗，神經(jīng)網(wǎng)絡(luò)在此時窗內(nèi)搜索初至波波峰即可?？紤]到折射波的傳播特征[22]，可以設(shè)定一個最小折射波速度和一個最大折射波速度，根據(jù)這兩個速度以及炮檢距信息來確定初至波的搜索范圍。

神經(jīng)網(wǎng)絡(luò)拾取的是初至波的波峰時間。對可控震源，其初至?xí)r間即為波峰時間； 對炸藥震源，其初至?xí)r間則為初至波起跳時間[23]。炸藥震源初至波起跳點與初至波峰點之間的時間差與初至波周期有關(guān)，一般為3/4個周期。因此，要想得到炸藥震源初至波起跳點時間，則需對拾取初至的位置做時移。可直接利用地震屬性提取過程中得到的初至波頻率信息，若初至波頻率為f，則時移量可由Δτ=3/(4f)求得。

4.2 實際地震資料處理

為了檢驗本算法的拾取效果，對中國西部三個不同地區(qū)的地震數(shù)據(jù)進行了初至拾取測試。上述圖8為取自準噶爾盆地的地表起伏不大、初至波清晰的地震數(shù)據(jù)，可見拾取效果非常理想。

圖9為寧夏銀川盆地L工區(qū)的地震資料。該測線貫穿沙漠和山前礫石帶的交界，圖9中炮集左側(cè)為沙漠中采集的地震數(shù)據(jù)，右側(cè)為山前帶采集的地震數(shù)據(jù)。圖中地震折射波非常明顯，能量較強，甚至超過直達波，運用本算法拾取的初至波峰依然能取得了好的效果。圖10為圖9的局部放大，圖中紅色水平小線段對應(yīng)本文方法拾取的每一道的初至波，這些紅色的小線段密集地排在一起，形成了圖9中的紅色曲線?？煽吹綀D10中直達波與折射波交界處拾取效果也非常理想。

圖11、圖12為延安黃土塬地區(qū)的原始地震資料及其拾取結(jié)果，圖中的紅色線段意義與圖9一樣。

圖8 準噶爾盆地M工區(qū)地震數(shù)據(jù)拾取結(jié)果

圖9 寧夏銀川盆地L工區(qū)地震數(shù)據(jù)拾取結(jié)果

圖10 圖9放大效果

圖11 延安黃土塬地區(qū)地震數(shù)據(jù)的拾取結(jié)果

圖12 圖11放大效果

該地區(qū)地表起伏大，未做高程校正之前，初至波高低起伏不定，常規(guī)初至拾取方法難以取得較好效果，采用本算法初至拾取正確率達到95%以上，圖12為圖11局部的放大，圖中極個別點存在誤差。

5 結(jié)束語

CC算法較之BP算法在初至拾取方面有較大優(yōu)勢，不僅收斂速度快，而且能自行確定網(wǎng)絡(luò)的拓撲結(jié)構(gòu)，更重要的是這種算法能擴展網(wǎng)絡(luò)大小以學(xué)習(xí)新樣本(BP算法不具備的)。改進的CC算法進一步提高了收斂速度和泛化能力。地震屬性的選取是影響初至拾取精度的一個重要方面，本文所選的五種地震屬性能夠較好地用于識別初至波； 五種地震屬性的組合對初至波的區(qū)分能力較強，效果相對穩(wěn)定性； 實際地震資料的拾取取得了良好的效果。

當(dāng)然神經(jīng)網(wǎng)絡(luò)不是萬能的，對于品質(zhì)較差的地震資料，其拾取結(jié)果也存在一定誤差，如何從拾取結(jié)果中剔除不可靠的初至波是進一步研究的重點。

[1] 曾慶才，曾同生，歐陽永林等.復(fù)雜山地層析反演靜校正新方法及應(yīng)用.石油地球物理勘探，2017，52(3)：418-425，441. Zeng Qingcai，Zeng Tongsheng，Ouyang Yonglin et al.A new tomographic inversion for static corrections in complex mountain areas.OGP，2017，52(3)：418-425，441.

[2] 謝春，劉玉柱，董良國等.基于聲波方程的有限頻伴隨狀態(tài)法初至波旅行時層析.石油地球物理勘探，2015，50(2)：274-282. Xie Chun，Liu Yuzhu，Dong Liangguo et al.First arrival tomography with finite frequency adjoint state method based on acoustic wave equation.OGP，2015，50(2)：274-282.

[3] 楊國權(quán)，丁鵬程，李振春等.應(yīng)用線性程函方程和整形正則化的三維初至波旅行時層析.石油地球物理勘探，2017，52(2)：264-272. Yang Guoquan，Ding Pengcheng，Li Zhenchun et al.3D first arrival traveltime tomography with linearized eikonal equation and shaping regularization.OGP，2017，52(2)：264-272.

[4] 左國平，王彥春，隋榮亮.利用能量比法拾取地震初至的一種改進方法.石油物探，2004，43(4)：345-347. Zuo Guoping，Wang Yanchun，Sui Rongliang.An improved method for first arrival pickup using energy ratio.GPP，2004， 43(4)：345-347.

[5] 張偉，王彥春，李洪臣等.地震道瞬時強度比法拾取初至波.地球物理學(xué)進展，2009，24(1)：201-204. Zhang Wei，Wang Yanchun，Li Hongchen et al.Seismic first arrival pickup using instantaneous intensity ratio.Progress in Geophysics，2009，24(1)：201-204.

[6] 牛沛琛，張建中.基于數(shù)字圖像處理的地震波初至?xí)r間檢測.計算機與現(xiàn)代化，2007，(4)：27-30. Niu Peichen，Zhang Jianzhong.First arrival picking based on image processing methods.Computer and Modernization，2007，(4)：27-30.

[7] 曹茂森，任青文，萬林梅等.Length分形維算法拾取地震波初至.石油地球物理勘探，2004，39(5)：509-514. Cao Maosen，Ren Qingwen，Wang Linmei et al.Length fractal dimension method for picking siemic first break.OGP，2004，39(5)：509-514.

[8] 裴正林，余欽范.基于小波變換和BP神經(jīng)網(wǎng)絡(luò)的地震波初至拾取方法.勘察科學(xué)技術(shù)，1999，(4)：61-64. Pei Zhenglin，Yu Qinfan.A wavelet transform and BP neural network-based algorithm for detecting first arrivals on seismic waves.Site Investigation Science and Technology，1999，(4)：61-64.

[9] Murat M E and Rudman A J.Automated first arrival picking：A neural network approach.Geophysical Prospecting，1992，40(6)：587-604.

[10] 王金峰，羅省賢.BP神經(jīng)網(wǎng)絡(luò)的改進及其在初至波拾取中的應(yīng)用.物探化探計算技術(shù)，2006，28(1)：14-17. Wang Jinfeng，Luo Shengxian.The improved BP neural network and its application in seismic first breaks picking.Computing Techniques for Geophysical and Geochemical Exploration，2006，28(1)：14-17.

[11] Kusuma T and Brown M M.Cascade-correlation learning architecture for first-break picking and automated trace editing.SEG Technical Program Expanded Abstractsx，1992，11：1136-1139.

[12] Fahlman S E，Lebiere C.The cascade-correlation learning architecture.Advances in Neural Information Processing Systems，1990，524-532.

[13] Baluja S，F(xiàn)ahlman S E.Reducing Network Depth in the Cascade-Correlation Learning Architecture.School of Computer Science，Carnegie Mellon University，1994，1-11.

[14] 楊鐘瑾，史忠科.快速自底向上構(gòu)造神經(jīng)網(wǎng)絡(luò)的方法.數(shù)學(xué)實踐與認識，2004，34(9)：114-118. Yang Zhongjin，Shi Zhongke.Fast approach for cascade-correlation learning.Mathematics in Practice and Theory，2004，34(9)：114-118.

[15] 楊慧中，王偉娜，丁鋒.神經(jīng)網(wǎng)絡(luò)的兩種結(jié)構(gòu)優(yōu)化算法研究.信息與控制，2006，35(6)：700-705. Yang Huizhong，Wang Weina，Ding Feng.Two structure optimization algorithms for neural networks.Information and Control，2006，35(6)：700-705.

[16] 王治國，尹成，唐何兵等.沉積模式約束的地震多屬性水下扇巖相劃分.石油地球物理勘探，2015，50(2)：357-362. Wang Zhiguo，Yin Cheng，Tang Hebing et al.Submarine fan lithofacies identification with depositional model and seismic attributes.OGP，2015，50(2)：357-362.

[17] Hart D I.Improving the reliability of first-break picking with neural networks.SEG Technical Program Expanded Abstracts，1996，15:1662-1665.

[18] Wu Q，Nakayama K.Avoiding weight-ill growth：cascade correlation algorithm with local regularization.Neural Networks，1997，3，1954-1959.

[19] Fahlman S E.Fast learning variations on back-propa-gation：An empirical study.In Proceedings of the 1988 Connectionist Models Summer School，1989，38-51.

[20] 顧漢明，周鴻秋，張學(xué)強.初至?xí)r間的自動拾取.物探與化探.1992，16(2):120-129. Gu Hanming，Zhou Hongqiu，Zhang Xueqiang.Automatic pick of first arrival time.Geophysical and Geochemical Exploration，1992，16(2)：120-129.

[21] 印興耀，韓文功，李振春等.地震技術(shù)新進展(第一版).山東東營：中國石油大學(xué)出版社，2006，58-75. Yin Xingyao，Han Wengong，Li Zhenchun et al.New Progress in Seismic Technology (First Version).The Publishing House of China University of Petroleum，Dongying，Shandong，2006，58-75.

[22] McCormack M D，Zaucha D E and Dushek D W.First-break refraction event picking and seismic data trace editing using neural networks.Geophysics，1993，58(1)：67-78.

[23] 劉志成.初至智能拾取技術(shù).石油物探，2007，46(5)：521-530. Liu Zhicheng.First break intelligent picking technique.GPP，2007，46(4)：521-530.