本发明属于地球科学技术与人工智能交叉领域，尤其涉及一种基于多道卡尔曼滤波网络的无监督微地震去噪方法与系统。
背景技术：
1、微地震监测技术是通过监测非常规储层压裂导致岩石微小变形或压力释放产生的微地震事件，识别地下储层的性质和特征的一种地球物理技术，在石油和天然气勘探中发挥重要作用。微地震事件的发生持续时间短，声波频率高，震源的能量相对较弱，又因信号在传播过程中经过地层吸收，受环境噪声干扰严重甚至微地震事件湮没在噪声中，因此采集到的微地震数据通常存在微地震事件少、信噪比低、有效信号能量弱的特点。为提高后续拾取的精度以及反演结果的可靠性，需要压制微地震资料中的随机噪声，提升微地震资料的信噪比。
2、根据有效信号和噪声分离方法的机理，可以将微地震信号去噪方法划分为基于模型驱动方法与数据驱动方法。基于模型驱动方法包括静态模型去噪，动态模型去噪；数据驱动方法最有代表性的是深度学习去噪。静态模型去噪的原理是假设数据符合固定的分布或简单的统计规律来处理噪声，这类方法中最常用的是常规滤波、变换域等去噪方法。静态模型去噪方法依赖于有限信号分布的统计特征，无法适应随时间动态变化的信号。动态模型的去噪原理是根据信号随时间的变化特性，对系统模型和测量数据进行估计，达到去噪目的。此类方法最典型的是卡尔曼滤波，基本原理是通过分析微地震信号的特点，根据先验知识构造状态空间模型，利用最优估计理论对有效信号与噪声等多变量间的关系进行建模，自适应调整系统状态估计和误差协方差矩阵预测有效信号。但传统卡尔曼滤波在去噪过程中忽略了微地震多道数据的相关性，更重要的是模型参数的初始化依赖先验知识，限制了去噪方法的应用效果。
3、近年来，深度学习在地震数据去噪和反演方面表现出色，国内外学者们也逐渐将深度学习应用于微地震数据去噪的研究中。国内外学者将u-net神经网络应用于微地震数据的去噪，此类有监督网络方法的去噪性能很大程度上依赖于大量有效样本，而微地震数据信噪比低、采集和处理成本较高导致微地震数据量少，难以获取足够有效样本对网络进行训练，因此无监督的去噪网络模型得到了重视。学者们将变分自编码器等无监督网络模型应用于微地震数据的去噪处理，但是目前无监督去噪网络基于纯数据驱动原理，增加了微地震数据网络学习的难度，使得模型的收敛速度变慢，容易陷入局部最优解。
4、鉴于以上分析，目前的微地震去噪方法面临的挑战包括：
5、（1）基于模型驱动方法通常依赖于领域专家的丰富经验来选择合适的参数，但这种依赖先验知识的方式不仅需要大量的专业背景支持，而且不同情况下需要反复进行参数调整，导致算法效率低下且应用范围受限。
6、（2）有监督学习的方法虽然能够自动从数据中学习特征，减少人为干预，但其去噪性能很大程度上依赖于大量有效样本，使其泛化能力受到限制。
7、（3）无监督的方法虽然可以在一定程度上缓解数据依赖的问题，但由于基于纯数据驱动原理，缺乏有效引导，导致模型去噪性能受限。
技术实现思路
1、为解决上述技术问题，本发明提出了一种基于多道卡尔曼滤波网络的无监督微地震去噪方法与系统，以解决上述现有技术存在的问题。
2、为实现上述目的，本发明提供了一种基于多道卡尔曼滤波网络的无监督微地震去噪方法，包括：
3、获取多道微地震数据并进行预处理；
4、基于循环神经网络构建多道卡尔曼地震去噪网络；
5、构建损失函数，基于预处理后的多道微地震数据与所述损失函数与对多道卡尔曼地震去噪网络进行无监督训练；
6、通过训练后的多道卡尔曼地震去噪网络对实时微地震数据进行去噪。
7、可选的，所述多道微地震数据包括理论合成数据和实际数据；获取所述多道微地震数据的过程包括：选取监测井，围绕监测井布置若干测线，在所述测线上等距布置检波器，获取实际微振数据；通过正演生成添加高斯随机噪声的理论合成数据。
8、可选的，构建多道卡尔曼地震去噪网络的过程包括：
9、设计多道卡尔曼运算算子，将多道卡尔曼运算算子嵌入基本架构中；其中，选取循环神经网络作为基本架构。
10、可选的，所述多道卡尔曼运算算子包括卡尔曼滤波状态预测方程、卡尔曼滤波更新方程、对角映射。
11、可选的，所述卡尔曼滤波状态预测方程为：
12、；
13、其中，为预测矩阵，为状态转移矩阵，为过程噪声协方差矩阵，与单位矩阵行拼接，记为，输出包括当前时刻先验估计状态向量、状态协方差矩阵。
14、可选的，所述卡尔曼滤波更新方程为：
15、；
16、其中，为更新矩阵，为卡尔曼增益，为观测矩阵，为卡尔曼滤波状态预测方程，为对应时刻的地震道观测数据，由最优状态估计与误差协方差矩阵行拼接构成，=，为隐藏状态。
17、可选的，对多道卡尔曼地震去噪网络进行无监督训练的过程包括；
18、将多道卡尔曼地震去噪网络的可训练参数设置为方阵并初始化为随机数；对理论合成数据与实际微振数据分别通过固定尺寸窗口滑移进行分块操作后，输入至多道卡尔曼地震去噪网络，基于损失函数进行反向传播运算，获得误差值；基于误差值和adam优化算法对多道卡尔曼地震去噪网络的参数进行优化，直至满足收敛条件，结束训练。
19、可选的，对实时微地震数据进行去噪的过程包括：
20、将实时微地震数据输入至训练后的多道卡尔曼地震去噪网络，通过卡尔曼滤波状态预测方程获得初始隐藏状态；基于实时微地震数据、初始隐藏状态与所述卡尔曼滤波更新方程获得实时微地震数据对应时刻的最终隐藏状态，所述最终隐藏状态包括最优状态估计和误差协方差矩阵；通过对角映射对所述最优状态估计进行映射，获得去噪结果。
21、本发明还提供了一种基于多道卡尔曼滤波网络的无监督微地震去噪系统，包括：
22、数据获取模块，用于获取多道微地震数据并进行预处理；
23、模型构建模块，用于基于循环神经网络构建多道卡尔曼地震去噪网络；
24、模型训练模块，用于构建损失函数，基于预处理后的多道微地震数据与所述损失函数与对多道卡尔曼地震去噪网络进行无监督训练；
25、去噪模块，用于通过训练后的多道卡尔曼地震去噪网络对实时微地震数据进行去噪。
26、与现有技术相比，本发明具有如下优点和技术效果：
27、本发明提供了一种多道卡尔曼滤波神经网络的无监督微地震去噪方法与系统，结合卡尔曼滤波与循环神经网络，首先，建立多道微地震数据的卡尔曼滤波状态预测与更新方程，充分利用多道相关性提高卡尔曼滤波参数的表征能力；其次，设计多道卡尔曼滤波状态预测与更新的rnn运算算子，通过链式梯度自动求取方式优化卡尔曼滤波的参数，构建基于循环神经网络模式的多道卡尔曼网络去噪；再次，结合无监督的微地震去噪训练方法，实现卡尔曼参数自动优化，避免有效数据标签的过度依赖；最后，通过理论正演与实际微地震数据的实验结果表明，本发明在微地震去噪准确性与效率上优于传统卡尔曼滤波与自编码器等同类方法。与现有技术相比，本发明的技术方案结合卡尔曼滤波与循环神经网络，并提出多道卡尔曼滤波，实现多道微地震数据同步处理，提高了计算效率；充分利用微地震数据道内与道间相关性，提高卡尔曼滤波的表征能力与滤波效果；对时变微地震信号的去噪有较好的效果，为后续微地震数据进一步的处理与分析提供了可靠的数据支持。
1.一种基于多道卡尔曼滤波网络的无监督微地震去噪方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的基于多道卡尔曼滤波网络的无监督微地震去噪方法，其特征在于，
3.根据权利要求1所述的基于多道卡尔曼滤波网络的无监督微地震去噪方法，其特征在于，
4.一种实现权利要求1-3任一项所述方法的基于多道卡尔曼滤波网络的无监督微地震去噪系统，其特征在于，包括：
