层位追踪方法及装置、计算机设备及计算机可读存储介质

技术领域

本发明涉及地震信号处理技术领域，尤其涉及层位追踪方法及装置、计算机设备及计算机可读存储介质。

背景技术

本部分旨在为权利要求书中陈述的本发明实施例提供背景或上下文。此处的描述不因为包括在本部分中就承认是现有技术。

在地震资料解释中，地震剖面上同相轴的判别和层位追踪是非常重要的工作。传统基于地震相位和模式识别的方法，往往需要首先在地震层位候选种子点附近开一个识别时窗，并人工提取波形或者波组特征，层位追踪效果非常依赖于人工提取的波形或者波组特征的结果。随着深度学习技术的兴起和发展，越来越多的模型与方法被应用到地震勘探资料智能化解释过程中。因为深度学习技术所具备的泛化学习能力、抗干扰能力以及对非线性映射的表达能力，使它在地震资料解释智能化的过程中被越来越广泛的应用。

然而，现有层位追踪方法在效率及准确性上仍有待进一步提高。

发明内容

本发明实施例提供一种层位追踪方法，用以提高层位追踪的效率和准确性，该层位追踪方法包括：

获取样点采样间隔为预设样点采样间隔的目标地震数据体；

利用训练好的单剖面神经网络提取目标地震数据体中每个目标层位的种子点坐标；

将目标地震数据体中每个目标层位的种子点坐标作为输入，以构建的损失函数为约束，利用训练好的多剖面联合网络确定目标地震数据体的层位识别结果。

本发明实施例还提供一种层位追踪装置，用以提高层位追踪的效率和准确性，该层位追踪装置包括：

目标数据体获取模块，用于获取样点采样间隔为预设样点采样间隔的目标地震数据体；

种子点坐标提取模块，用于利用训练好的单剖面神经网络提取目标地震数据体中每个目标层位的种子点坐标；

层位识别模块，用于将目标地震数据体中每个目标层位的种子点坐标作为输入，以构建的损失函数为约束，利用训练好的多剖面联合网络确定目标地震数据体的层位识别结果。

本发明实施例还提供一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现上述层位追踪方法。

本发明实施例还提供一种计算机可读存储介质，所述计算机可读存储介质存储有执行上述层位追踪方法的计算机程序。

本发明实施例中，首先获取样点采样间隔为预设样点采样间隔的目标地震数据体，进而利用训练好的单剖面神经网络提取目标地震数据体中每个目标层位的种子点坐标，最后将目标地震数据体中每个目标层位的种子点坐标作为输入，以构建的损失函数为约束，利用训练好的多剖面联合网络确定目标地震数据体的层位识别结果。本发明实施例以单剖面神经网络提取目标层位的种子点坐标，进而利用多剖面联合网络识别目标地震数据体的地震层位，能够提高层位追踪的效率和准确性。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。在附图中：

图1为本发明实施例提供的层位追踪方法的实现流程图；

图1-1为本发明实施例提供的多剖面联合网络相关性计算原理示意图；

图1-2为本发明实施例提供的单剖面神经网络结构示意图；

图1-3为本发明实施例提供的某目标地震数据体的层位识别结果示意图；

图2为本发明实施例提供的层位追踪方法中步骤101的实现流程图；

图3为本发明实施例提供的层位追踪方法中训练单剖面神经网络的实现流程图；

图4为本发明实施例提供的层位追踪方法中训练单剖面神经网络的另一实现流程图；

图5为本发明实施例提供的层位追踪方法中步骤401的实现流程图；

图6为本发明实施例提供的层位追踪方法中训练多剖面联合网络的实现流程图；

图7为本发明实施例提供的层位追踪装置的模块结构图；

图8为本发明实施例提供的层位追踪装置中目标数据体获取模块701的结构框图；

图9为本发明实施例提供的层位追踪装置中训练单剖面神经网络的结构框图；

图10为本发明实施例提供的层位追踪装置中训练单剖面神经网络的另一结构框图；

图11为本发明实施例提供的层位追踪装置中样本数据体获取模块1001的结构框图；

图12为本发明实施例提供的层位追踪装置中训练多剖面联合网络的结构框图。

具体实施方式

为使本发明实施例的目的、技术方案和优点更加清楚明白，下面结合附图对本发明实施例做进一步详细说明。在此，本发明的示意性实施例及其说明用于解释本发明，但并不作为对本发明的限定。

图1示出了本发明实施例提供的层位追踪方法的实现流程，为便于描述，仅示出了与本发明实施例相关的部分，详述如下：

如图1所示，层位追踪方法，其包括：

步骤101，获取样点采样间隔为预设样点采样间隔的目标地震数据体；

步骤102，利用训练好的单剖面神经网络提取目标地震数据体中每个目标层位的种子点坐标；

步骤103，将目标地震数据体中每个目标层位的种子点坐标作为输入，以构建的损失函数为约束，利用训练好的多剖面联合网络确定目标地震数据体的层位识别结果。

在对地震数据体进行层位识别时，需要首先获取待进行层位识别的目标地震数据体，该目标地震数据体为样点采样间隔为预设样点采样间隔的地震数据体。其中，该预设样点采样间隔为预先设定的采样时间间隔，可以理解的是，本领域技术人员可以根据实际情况和具体需求预先设定该预设样点采样间隔。例如，本领域技术人员可以预先设定该预设样点采样间隔为0.1毫秒，或者本领域技术人员可以预先设定该预设样点采样间隔为0.08毫秒，或者0.12毫秒，本领域技术人员还可以预先设定该预设样点采样间隔除上述0.1毫秒、0.08毫秒及0.12毫秒之外的其它数值，例如0.11毫秒或0.09毫秒，本发明实施例对此不做特别的限制。

在获取样点采样间隔为预设样点采样间隔的目标地震数据体后，利用训练好的单剖面神经网络提取目标地震数据体中每个目标层位的种子点坐标。其中，训练好的单剖面神经网络能够提取地震数据体中目标层位的种子点坐标。

进一步的，在利用训练好的单剖面神经网络提取目标地震数据体中每个目标层位的种子点坐标后，将提取到的目标地震数据体中每个目标层位的种子点坐标作为多剖面联合网络的输入，同时以构建的损失函数为约束，利用训练好的多剖面联合网络对目标地震数据体进行层位追踪，输出目标地震数据体的层位识别结果。

其中，多剖面联合网络至少包括双向长短期记忆网络。多剖面联合网络的作用在于将上一步骤中单剖面神经网络提取的结果

图1-1示出了本发明实施例提供的多剖面联合网络相关性计算示意图，图1-2示出了本发明实施例提供的单剖面神经网络的结构示意，该剖面的单剖面神经网络具体结构为：conv1(包括三个卷积核，采用3*3的卷积核，相同尺度卷积)，maxpool(采用最大池化)，conv2(包括三个卷积核，采用3*3的卷积核，相同尺度卷积)，maxpool(采用最大池化)，conv3(包括三个卷积核，采用3*3的卷积核，相同尺度卷积)，maxpool(采用最大池化)，full1(全连接层)，full2(全连接层)，full3(全连接层)。该单剖面神经网络主要有两部分组成，即conv1+maxpool+conv2+maxpool+conv3+maxpool特征提取过程和full1(全连接层)，full2(全连接层)，full3(全连接层)，判别预测的位置结果

具体的，可以通过如下公式确定构建的损失函数：

其中，θ表示多剖面联合网络的网络参数集合，loss(θ)表示构建的损失函数，t表示索引变量，K表示所有识别的层位目标点的剖面个数，loss_pos

图1-3示出了本发明实施例提供的某目标地震数据体的层位识别结果示意，从图1-3中可以看出本文提出的网络模型所得结果优于传统方法。

在本发明实施例中，首先获取样点采样间隔为预设样点采样间隔的目标地震数据体，进而利用训练好的单剖面神经网络提取目标地震数据体中每个目标层位的种子点坐标，最后将目标地震数据体中每个目标层位的种子点坐标作为输入，以构建的损失函数为约束，利用训练好的多剖面联合网络确定目标地震数据体的层位识别结果。本发明实施例以单剖面神经网络提取目标层位的种子点坐标，进而利用多剖面联合网络识别目标地震数据体的地震层位，能够提高层位追踪的效率和准确性。

图2示出了本发明实施例提供的层位追踪方法中步骤101的实现流程，为便于描述，仅示出了与本发明实施例相关的部分，详述如下：

在本发明的一实施例中，为了进一步提高层位追踪的准确性，如图2所示，步骤101，获取样点采样间隔为预设样点采样间隔的目标地震数据体，包括：

步骤201，以地震数据的顶层最小坐标及底层最大坐标为界限，上下扩充预设数量个采样点，确定原始地震数据体；

步骤202，对原始地震数据体每一道上边界以外的数据置零，确定层位识别地震数据体；

步骤203，利用B样条插值对层位识别地震数据体中的无效值进行插值处理，确定插值后的地震数据体；

步骤204，将插值后的地震数据体调整为样点采样间隔为预设样点采样间隔的目标地震数据体。

在获取目标地震数据体时，首先以地震数据的顶层最小坐标及底层最大坐标为界限，上下扩充预设数量个采样点，确定原始地震数据体。其中，该预设数量预先设定的数量，可以理解的是，本领域技术人员可以根据实际情况和具体需求预先设定该预设数量。例如，预先设定该预设数量为200，或者预先设定该预设数量为190或210等等，本领域技术人员可以理解的是，还可以预先设定该预设数量为除上述200，190及210之外的其他数量，例如180或220，本发明实施例对此不作特别的限制。

在确定原始地震数据体后，将原始地震数据体每一道上边界以外的数据置零，以获得层位识别地震数据体。鉴于层位识别地震数据体还包括部分无效数据，为进一步提高层位识别效果，利用B样条插值对层位识别地震数据体中的无效值进行插值处理，进而得到插值处理后的地震数据体。为了进一步提高层位识别的效果，调整插值后的地震数据体的样点采样间隔，将插值后的地震数据体的样点采样间隔调整为预设样点采样间隔，以得到最终的目标地震数据体。

在本发明实施例中，以地震数据的顶层最小坐标及底层最大坐标为界限，上下扩充预设数量个采样点确定原始地震数据体，分别对原始地震数据体每一道上边界以外的数据置零，利用B样条插值对无效值进行插值处理，最终将插值后的地震数据体调整为样点采样间隔为预设样点采样间隔的目标地震数据体，能够进一步提高层位追踪的准确性。

图3示出了本发明实施例提供的层位追踪方法中训练单剖面神经网络的实现流程，为便于描述，仅示出了与本发明实施例相关的部分，详述如下：

在本发明的一实施例中，为了提高单剖面神经网络的识别准确率，如图3所示，训练单剖面神经网络的过程包括：

步骤301，获取样本地震数据体中每个目标层位的种子点坐标及其对应的标签数据；

步骤302，将样本地震数据体中每个目标层位的种子点坐标及其对应的标签数据作为输入数据，迭代训练单剖面神经网络；

步骤303，在满足迭代终止的条件时，获得训练好的单剖面神经网络。

在训练单剖面神经网络时，收集样本地震数据体，进而获取样本地震数据体每个目标层位的种子点坐标

进而，将上述样本地震数据体中每个目标层位的种子点坐标及其对应的标签数据作为训练单剖面神经网络的输入数据，对单剖面神经网络进行迭代训练。直至满足迭代终止的条件时，停止训练获得训练好的单剖面神经网络。训练好的单剖面神经网络能够提取地震数据体中目标层位的种子点坐标。

其中，迭代终止的条件可以包括迭代次数达到一预定迭代次数，例如10万次或者8万次等等；另外，迭代终止的条件还可以包括训练的单剖面神经网络的准确率达到预定准确率，例如达到98％或者达到95％等等。

在本发明实施例中，获取样本地震数据体中每个目标层位的种子点坐标及其对应的标签数据，将样本地震数据体中每个目标层位的种子点坐标及其对应的标签数据作为输入数据，迭代训练单剖面神经网络，在满足迭代终止的条件时，获得训练好的单剖面神经网络。对单剖面神经网络进行训练，能够提高单剖面神经网络的识别准确率。

图4示出了本发明实施例提供的层位追踪方法中训练单剖面神经网络的另一实实现流程，为便于描述，仅示出了与本发明实施例相关的部分，详述如下：

在本发明的一实施例中，为了提高训练单剖面神经网络的效率，如图4所示，在上述图3所示方法步骤的基础上，训练单剖面神经网络的过程，还包括：

步骤401，获取样点采样间隔为预设样点采样间隔的样本地震数据体。

为了对单剖面神经网络进行训练，需要收集和准备符合要求的样本地震数据体。故需要在训练单剖面神经网络之前，获取样本地震数据体。该样本地震数据体的样点采样间隔为预设样点采样间隔。

在本发明实施例中，获取样点采样间隔为预设样点采样间隔的样本地震数据体，能够进一步提高层位追踪的准确性。

图5示出了本发明实施例提供的层位追踪方法中步骤401的实现流程，为便于描述，仅示出了与本发明实施例相关的部分，详述如下：

在本发明的一实施例中，为了进一步提高层位追踪的准确性，如图5所示，步骤401，获取样点采样间隔为预设样点采样间隔的样本地震数据体，包括：

步骤501，以样本地震数据的顶层最小坐标及底层最大坐标为界限，上下扩充预设数量个采样点，确定原始样本地震数据体；

步骤502，对原始样本地震数据体每一道上边界以外的数据置零，确定层位识别样本地震数据体；利用B样条插值对层位识别样本地震数据体中的无效值进行插值处理，确定插值后的样本地震数据体；

步骤503，利用B样条插值对层位识别样本地震数据体中的无效值进行插值处理，确定插值后的样本地震数据体；

步骤504，将插值后的样本地震数据体调整为样点采样间隔为预设样点采样间隔的样本地震数据体。

其中，获取样点采样间隔为预设样点采样间隔的样本地震数据体的过程与前述获取样点采样间隔为预设样点采样间隔的目标地震数据体的过程和原理一致，具体可以参见前述获取样点采样间隔为预设样点采样间隔的目标地震数据体的过程，此处不再详细赘述。

在本发明实施例中，以地震数据的顶层最小坐标及底层最大坐标为界限，上下扩充预设数量个采样点确定原始样本地震数据体，分别对原始样本地震数据体每一道上边界以外的数据置零，利用B样条插值对无效值进行插值处理，最终将插值后的样本地震数据体调整为样点采样间隔为预设样点采样间隔的样本地震数据体，能够进一步提高层位追踪的准确性。

图6示出了本发明实施例提供的层位追踪方法中训练多剖面联合网络的实现流程，为便于描述，仅示出了与本发明实施例相关的部分，详述如下：

在本发明的一实施例中，为了提高多剖面联合网络的识别效果，如图6所示，训练多剖面联合网络的过程包括：

步骤601，将利用训练好的单剖面神经网络提取的样本地震数据体中每个目标层位的种子点坐标作为输入，迭代训练多剖面联合网络；

步骤602，在满足迭代终止的条件时，获得训练好的多剖面联合网络。

其中，在训练多剖面联合网络时，将单剖面神经网络提取的样本地震数据体中每个目标层位的种子点坐标，作为多剖面联合网络的输入数据，迭代训练多剖面联合网络，直至满足迭代终止的条件时停止训练，获得训练后的多剖面联合网络。

其中，迭代终止的条件可以包括迭代次数达到一预定迭代次数，例如10万次或者8万次等等；另外，迭代终止的条件还可以包括训练的多剖面联合网络的准确率达到预定准确率，例如达到98％或者达到95％等等。

在本发明实施例中，将利用训练好的单剖面神经网络提取的样本地震数据体中每个目标层位的种子点坐标作为输入，迭代训练多剖面联合网络，在满足迭代终止的条件时，获得训练好的多剖面联合网络。对多剖面联合网络进行训练，能够提高多剖面联合网络的识别效果。

本发明实施例还提供一种层位追踪装置，如下面的实施例所述。由于这些装置解决问题的原理与层位追踪方法相似，因此这些装置的实施可以参见方法的实施，重复之处不再赘述。

图7示出了本发明实施例提供的层位追踪装置的功能模块，为便于说明，仅示出了与本发明实施例相关的部分，详述如下：

参考图7，所述层位追踪装置所包含的各个模块用于执行图1对应实施例中的各个步骤，具体请参阅图1以及图1对应实施例中的相关描述，此处不再赘述。本发明实施例中，所述层位追踪装置包括目标数据体获取模块701、种子点坐标提取模块702及层位识别模块703。

目标数据体获取模块701，用于获取样点采样间隔为预设样点采样间隔的目标地震数据体。

种子点坐标提取模块702，用于利用训练好的单剖面神经网络提取目标地震数据体中每个目标层位的种子点坐标。

层位识别模块703，用于将目标地震数据体中每个目标层位的种子点坐标作为输入，以构建的损失函数为约束，利用训练好的多剖面联合网络确定目标地震数据体的层位识别结果。

其中，多剖面联合网络至少包括双向长短期记忆网络。

具体的，可以通过如下公式确定构建的损失函数：

其中，θ表示多剖面联合网络的网络参数集合，loss(θ)表示构建的损失函数，t表示索引变量，K表示所有识别的层位目标点的剖面个数，loss_pos

在本发明实施例中，首先目标数据体获取模块701获取样点采样间隔为预设样点采样间隔的目标地震数据体，进而种子点坐标提取模块702利用训练好的单剖面神经网络提取目标地震数据体中每个目标层位的种子点坐标，最后层位识别模块703将目标地震数据体中每个目标层位的种子点坐标作为输入，以构建的损失函数为约束，利用训练好的多剖面联合网络确定目标地震数据体的层位识别结果。本发明实施例以单剖面神经网络提取目标层位的种子点坐标，进而利用多剖面联合网络识别目标地震数据体的地震层位，能够提高层位追踪的效率和准确性。

图8示出了本发明实施例提供的层位追踪装置中目标数据体获取模块701的结构示意，为便于说明，仅示出了与本发明实施例相关的部分，详述如下：

在本发明的一实施例中，为了进一步提高层位追踪的准确性，参考图8，所述目标数据体获取模块701所包含的各个单元用于执行图2对应实施例中的各个步骤，具体请参阅图2以及图2对应实施例中的相关描述，此处不再赘述。本发明实施例中，所述目标数据体获取模块701包括原始目标数据体获取单元801、目标数据体置零单元802、目标数据体插值单元803及目标数据体采样调整单元804。

原始目标数据体获取单元801，用于以地震数据的顶层最小坐标及底层最大坐标为界限，上下扩充预设数量个采样点，确定原始地震数据体。

目标数据体置零单元802，用于对原始地震数据体每一道上边界以外的数据置零，确定层位识别地震数据体。

目标数据体插值单元803，用于利用B样条插值对层位识别地震数据体中的无效值进行插值处理，确定插值后的地震数据体。

目标数据体采样调整单元804，用于将插值后的地震数据体调整为样点采样间隔为预设样点采样间隔的目标地震数据体。

在本发明实施例中，原始目标数据体获取单元801以地震数据的顶层最小坐标及底层最大坐标为界限，上下扩充预设数量个采样点确定原始地震数据体，分别目标数据体置零单元802对原始地震数据体每一道上边界以外的数据置零，目标数据体插值单元803利用B样条插值对无效值进行插值处理，最终将目标数据体采样调整单元804插值后的地震数据体调整为样点采样间隔为预设样点采样间隔的目标地震数据体，能够进一步提高层位追踪的准确性。

图9示出了本发明实施例提供的层位追踪装置中训练单剖面神经网络的结构示意，为便于说明，仅示出了与本发明实施例相关的部分，详述如下：

在本发明的一实施例中，为了提高单剖面神经网络的识别准确率，参考图9，所述训练单剖面神经网络所包含的各个单元用于执行图3对应实施例中的各个步骤，具体请参阅图3以及图3对应实施例中的相关描述，此处不再赘述。本发明实施例中，所述训练单剖面神经网络包括种子点坐标获取模块901、单剖面网络训练模块902及单剖面网络训练终止模块903。

种子点坐标获取模块901，用于获取样本地震数据体中每个目标层位的种子点坐标及其对应的标签数据。

单剖面网络训练模块902，用于将样本地震数据体中每个目标层位的种子点坐标及其对应的标签数据作为输入数据，迭代训练单剖面神经网络。

单剖面网络训练终止模块903，用于在满足迭代终止的条件时，获得训练好的单剖面神经网络。

在本发明实施例中，种子点坐标获取模块901获取样本地震数据体中每个目标层位的种子点坐标及其对应的标签数据，单剖面网络训练模块902将样本地震数据体中每个目标层位的种子点坐标及其对应的标签数据作为输入数据，迭代训练单剖面神经网络，单剖面网络训练终止模块903在满足迭代终止的条件时，获得训练好的单剖面神经网络。对单剖面神经网络进行训练，能够提高单剖面神经网络的识别准确率。

图10示出了本发明实施例提供的层位追踪装置中训练单剖面神经网络的另一结构示意，为便于说明，仅示出了与本发明实施例相关的部分，详述如下：

在本发明的一实施例中，为了提高训练单剖面神经网络的效率，参考图10，所述训练单剖面神经网络所包含的各个单元用于执行图4对应实施例中的各个步骤，具体请参阅图4以及图4对应实施例中的相关描述，此处不再赘述。本发明实施例中，在上述图9所示模块结构的基础上，所述训练单剖面神经网络，还包括样本数据体获取模块1001。

样本数据体获取模块1001，用于获取样点采样间隔为预设样点采样间隔的样本地震数据体。

在本发明实施例中，样本数据体获取模块1001获取样点采样间隔为预设样点采样间隔的样本地震数据体，能够进一步提高层位追踪的准确性。

图11示出了本发明实施例提供的层位追踪装置中样本数据体获取模块1001的结构示意，为便于说明，仅示出了与本发明实施例相关的部分，详述如下：

在本发明的一实施例中，为了进一步提高层位追踪的准确性，参考图11，所述样本数据体获取模块1001所包含的各个单元用于执行图5对应实施例中的各个步骤，具体请参阅图5以及图5对应实施例中的相关描述，此处不再赘述。本发明实施例中，所述样本数据体获取模块1001包括原始样本数据体获取单元1101、原始样本数据体置零单元1102、原始样本数据体插值单元1103及原始样本数据体采样调整单元1104。

原始样本数据体获取单元1101，用于以样本地震数据的顶层最小坐标及底层最大坐标为界限，上下扩充预设数量个采样点，确定原始样本地震数据体。

原始样本数据体置零单元1102，用于对原始样本地震数据体每一道上边界以外的数据置零，确定层位识别样本地震数据体。

原始样本数据体插值单元1103，用于利用B样条插值对层位识别样本地震数据体中的无效值进行插值处理，确定插值后的样本地震数据体。

原始样本数据体采样调整单元1104，用于将插值后的样本地震数据体调整为样点采样间隔为预设样点采样间隔的样本地震数据体。

在本发明实施例中，原始样本数据体获取单元1101以地震数据的顶层最小坐标及底层最大坐标为界限，上下扩充预设数量个采样点确定原始样本地震数据体，原始样本数据体置零单元1102分别对原始样本地震数据体每一道上边界以外的数据置零，利用B样条插值对无效值进行插值处理，最终原始样本数据体插值单元1103将插值后的样本地震数据体调整为样点采样间隔为预设样点采样间隔的样本地震数据体，能够进一步提高层位追踪的准确性。

图12示出了本发明实施例提供的层位追踪装置中训练多剖面联合网络的结构示意，为便于说明，仅示出了与本发明实施例相关的部分，详述如下：

在本发明的一实施例中，为了提高多剖面联合网络的识别效果，参考图12，所述训练多剖面联合网络所包含的各个单元用于执行图6对应实施例中的各个步骤，具体请参阅6以及图6对应实施例中的相关描述，此处不再赘述。本发明实施例中，所述训练多剖面联合网络包括多剖面网络迭代训练模块1201及多剖面网络迭代终止模块1202。

多剖面网络迭代训练模块1201，用于将利用训练好的单剖面神经网络提取的样本地震数据体中每个目标层位的种子点坐标作为输入，迭代训练多剖面联合网络。

多剖面网络迭代终止模块1202，用于在满足迭代终止的条件时，获得训练好的多剖面联合网络。

在本发明实施例中，多剖面网络迭代训练模块1201将利用训练好的单剖面神经网络提取的样本地震数据体中每个目标层位的种子点坐标作为输入，迭代训练多剖面联合网络，多剖面网络迭代终止模块1202在满足迭代终止的条件时，获得训练好的多剖面联合网络。对多剖面联合网络进行训练，能够提高多剖面联合网络的识别效果。

本发明实施例还提供一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现上述层位追踪方法。

本发明实施例还提供一种计算机可读存储介质，所述计算机可读存储介质存储有执行上述层位追踪方法的计算机程序。

综上所述，本发明实施例中，首先获取样点采样间隔为预设样点采样间隔的目标地震数据体，进而利用训练好的单剖面神经网络提取目标地震数据体中每个目标层位的种子点坐标，最后将目标地震数据体中每个目标层位的种子点坐标作为输入，以构建的损失函数为约束，利用训练好的多剖面联合网络确定目标地震数据体的层位识别结果。本发明实施例以单剖面神经网络提取目标层位的种子点坐标，进而利用多剖面联合网络识别目标地震数据体的地震层位，能够提高层位追踪的效率和准确性。

本领域内的技术人员应明白，本发明的实施例可提供为方法、系统、或计算机程序产品。因此，本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。

本发明是参照根据本发明实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。

这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。

这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。

以上所述的具体实施例，对本发明的目的、技术方案和有益效果进行了进一步详细说明，所应理解的是，以上所述仅为本发明的具体实施例而已，并不用于限定本发明的保护范围，凡在本发明的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。