• <tr id="yyy80"></tr>
  • <sup id="yyy80"></sup>
  • <tfoot id="yyy80"><noscript id="yyy80"></noscript></tfoot>
  • 99热精品在线国产_美女午夜性视频免费_国产精品国产高清国产av_av欧美777_自拍偷自拍亚洲精品老妇_亚洲熟女精品中文字幕_www日本黄色视频网_国产精品野战在线观看 ?

    基于深度學(xué)習(xí)的地震隨機噪聲衰減方法研究進(jìn)展

    2023-11-26 12:59:42崔揚王燕楠陳萬利張虹朱丹丹白敏
    石油地球物理勘探 2023年5期
    關(guān)鍵詞:卷積噪聲神經(jīng)網(wǎng)絡(luò)

    崔揚,王燕楠,陳萬利,張虹,朱丹丹,白敏*

    (1. 長江大學(xué)油氣資源與勘探技術(shù)教育部重點實驗室,湖北武漢 430100;2. 長江大學(xué)地球物理與石油資源學(xué)院,湖北武漢 430100)

    0 引言

    伴隨著石油勘探、開發(fā)技術(shù)的快速發(fā)展,高精度地震勘探要求地震資料的信噪比、分辨率和保真度更高,而高信噪比是高分辨率和高保真度的前提,也是地震資料精細(xì)處理和解釋的必然要求。在野外地震數(shù)據(jù)采集過程中,由于地質(zhì)條件復(fù)雜多變、環(huán)境噪聲多樣、設(shè)備損耗以及人為因素的干擾,檢波器接收到的地震信號往往含有聲波、面波、多次波等規(guī)則噪聲和隨機噪聲,通過常規(guī)組合和疊加方法難以完全去除,導(dǎo)致地震資料信噪比達(dá)不到準(zhǔn)確刻畫地下地質(zhì)構(gòu)造的要求,對地震數(shù)據(jù)的偏移成像和反演等造成了消極影響,因此去除地震資料中的噪聲至關(guān)重要。

    人們提出了一系列傳統(tǒng)的地震資料去噪方法:以數(shù)學(xué)變換為基礎(chǔ)的方法,包括傅里葉變換[1]、小波變換[2-3]、Curvelet變換[4]和Seislet變換[5-6]等;基于濾波的方法[7];經(jīng)驗?zāi)B(tài)分解(Empirical Mode Decomposition,EMD)的方法[8];降秩方法[9-10];壓縮感知和字典學(xué)習(xí)方法等[11-20]。

    在基于數(shù)學(xué)變換的方法中,傅里葉變換具有非常重要的地位,是地震資料處理的基礎(chǔ),但傅里葉變換不能同時兼顧時間域和頻率域分辨率。小波變換的提出進(jìn)一步優(yōu)化了時間域和頻率域窗函數(shù)調(diào)節(jié)問題,具有時域和頻域局部化性質(zhì),可較好地分析豐富的頻率成分和非平穩(wěn)信號。與小波變換相比,Curvelet變換在去除不規(guī)則噪聲的同時有效信號的損失較小。Seislet 變換可有效壓縮含有空間假頻的不完整地震數(shù)據(jù),首次在地震數(shù)據(jù)分解和重構(gòu)過程中預(yù)測并更新算子,可節(jié)省內(nèi)存空間、提高運算速度[6]。耿瑜等[11]根據(jù)地震數(shù)據(jù)的頻散關(guān)系提出了多尺度Dreamlet 變換壓縮方法,壓縮比較Curvelet 變換更高,并且在相同的壓縮條件下,對壓縮、重建后的數(shù)據(jù)成像,可更好地刻畫重要構(gòu)造。但是,由于地震信號的特征復(fù)雜、噪聲和有效信號在變換域存在重疊,因此在變換域準(zhǔn)確分離噪聲而不損傷有效信號的難度較大。

    在基于濾波的方法中,Porsani 等[12]提出了修正Spitz 方法,將全步長預(yù)測濾波器修改為半步長,大大提高了噪聲壓制效果。EMD 方法根據(jù)數(shù)據(jù)本身的時間尺度特征分解信號,不需要預(yù)設(shè)任何基函數(shù)。在理論上該方法適用于所有信號分解,尤其在處理非平穩(wěn)及非線性數(shù)據(jù)方面優(yōu)勢明顯。但該方法存在較嚴(yán)重的端點效應(yīng),因此去噪效果不好。

    奇異譜分析(Singular Spectrum Analysis,SSA)是經(jīng)典的降秩方法,通過對由地震數(shù)據(jù)頻率切片構(gòu)造的Hankel矩陣降秩進(jìn)行去噪。程文婷等[13]基于自相似性和低秩先驗的地震數(shù)據(jù)去噪方法,通過塊匹配算法搜索地震數(shù)據(jù)的自相似塊,再以“自相似塊組”為單元,利用低秩約束壓制隨機噪聲。Donoho[14]提出了壓縮感知(Compressed Sensing,CS)理論,充分利用信號稀疏性或可壓縮性采集、編/解碼信號,在降低信號取樣要求的同時減少信號處理時間和降低成本。唐剛[15]將CS 理論用于地震勘探領(lǐng)域,通過有機結(jié)合地震資料采集和數(shù)據(jù)重建,充分利用地震資料在字典變換域的稀疏化特征,在大幅降低采樣率和節(jié)約成本的同時,獲得了理想的處理效果。以上模型驅(qū)動去噪方法的優(yōu)點是具有可解釋性,算法過程中的每一步都具有數(shù)學(xué)或物理意義,缺點是需要根據(jù)某種數(shù)據(jù)類型設(shè)計對應(yīng)的問題模型,需要更多的先驗知識調(diào)整參數(shù)才能獲得更好的效果,而且簡單的物理模型往往不能描述高維度地震數(shù)據(jù)的復(fù)雜特征和細(xì)微差別。

    模型驅(qū)動去噪方法較大地提高了地震資料信噪比,但以字典學(xué)習(xí)和深度學(xué)習(xí)為代表的數(shù)據(jù)驅(qū)動方法為壓制地震數(shù)據(jù)的隨機噪聲提供了新思路。在CS 理論基礎(chǔ)上,Aharon 等[16]提出了一種信號表示理論,使用字典代替?zhèn)鹘y(tǒng)變換域方法的基函數(shù),通過在變換域中選擇基函數(shù)的最佳組合分離噪聲和有效信號。Tang 等[17]將字典學(xué)習(xí)算法引入地震數(shù)據(jù)處理,有效去除了偽Gibbs 現(xiàn)象。Beckouche 等[18]通過MOD(Method of Optimal Direction)算法構(gòu)造學(xué)習(xí)型字典,結(jié)合隨機噪聲壓制過程和字典的訓(xùn)練壓制隨機噪聲。宋維琪等[19]基于K-SVD(K-Singular Value Decomposition)字典學(xué)習(xí),根據(jù)地震資料本身的特點訓(xùn)練稀疏表示地震資料的最優(yōu)字典,從而分離噪聲與有效信號達(dá)到去噪的目的。Wu 等[20]利用SGK(Sequence Generalized K-means)算法代替KSVD 字典學(xué)習(xí),提出同步隨機噪聲去除和重建三維地震數(shù)據(jù)的快速字典學(xué)習(xí)方法,顯著提高了計算效率。

    近年來,大數(shù)據(jù)、人工智能技術(shù)的飛速發(fā)展為短時間內(nèi)處理海量數(shù)據(jù)提供了保障。目前,地震勘探正向超深層、復(fù)雜構(gòu)造、巖性勘探和非常規(guī)方向發(fā)展,對地震資料的信噪比和保真度提出了更高要求,神經(jīng)網(wǎng)絡(luò)的出現(xiàn)為處理以上問題提供了新思路和途徑。深度學(xué)習(xí)與傳統(tǒng)的模型驅(qū)動方法相比,在給定先驗信息的前提下,在應(yīng)用過程中對參數(shù)的調(diào)節(jié)更少,對于初學(xué)者更友好。主要的神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu),如卷積神經(jīng)網(wǎng)絡(luò)(Convolutional Neural Network,CNN)[21]、去噪卷積神經(jīng)網(wǎng)絡(luò)(Denoising Convolutional Neural Network,DnCNN)[22]、U-Net 深度神經(jīng)網(wǎng)絡(luò)[23]、前反饋(Back Propagation,BP)神經(jīng)網(wǎng)絡(luò)[24]、空洞卷積神經(jīng)網(wǎng)絡(luò)[25](Dilated Convolutional Neural Network,DCNN)、殘差網(wǎng)絡(luò)(ResNet)[26]等,在地震隨機噪聲衰減領(lǐng)域已經(jīng)取得了較好效果。

    本文介紹了傳統(tǒng)去噪方法及字典學(xué)習(xí)、深度學(xué)習(xí)等數(shù)據(jù)驅(qū)動學(xué)習(xí)方法,通過簡述前人研究成果,展望了深度學(xué)習(xí)在地震去噪領(lǐng)域的發(fā)展前景。

    1 深度學(xué)習(xí)的發(fā)展歷程

    20 世紀(jì)50 年代,Turing[27]首次提出了人工智能概念(圖1),機器學(xué)習(xí)是人工智能的核心,普遍用于人工智能的各個領(lǐng)域;深度學(xué)習(xí)是機器學(xué)習(xí)領(lǐng)域的重要組成部分,能夠模仿人腦處理和解釋數(shù)據(jù)。隨著深度學(xué)習(xí)的進(jìn)一步發(fā)展,神經(jīng)網(wǎng)絡(luò)作為一種機器學(xué)習(xí)算法出現(xiàn)在大眾視野中,它是受人腦運行規(guī)律啟發(fā)的一項技術(shù),旨在從信息處理的角度抽象處理人腦神經(jīng)元,通過建立模型模擬人腦神經(jīng)元的運行規(guī)律。這些模型按照輸入和輸出的映射關(guān)系構(gòu)成不同類型的神經(jīng)網(wǎng)絡(luò),從而解決各類實際問題。神經(jīng)網(wǎng)絡(luò)建立了輸入和輸出的復(fù)雜映射關(guān)系,一般由輸入層、輸出層和眾多隱藏層構(gòu)成,輸入特征通過隱藏層的復(fù)雜變換傳遞到輸出層進(jìn)而得到輸出結(jié)果,深層節(jié)點可以會聚、合并、重組上一層的特征,從而識別復(fù)雜特征。因此各種具有獨特神經(jīng)處理單元和復(fù)雜層次結(jié)構(gòu)的神經(jīng)網(wǎng)絡(luò)不斷涌現(xiàn),Lecun 等[21]提出的LeNet在當(dāng)時的學(xué)術(shù)界和工業(yè)界受到廣泛關(guān)注,隨后不斷出現(xiàn)許多典型的神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu),如AlexNet[28]、VGGNet[29]、U-Net、ResNet、循環(huán)神經(jīng)網(wǎng)絡(luò)(RNN)、生成對抗神經(jīng)網(wǎng)絡(luò)(Generative Adversarial Network,GAN)和深度置信等網(wǎng)絡(luò),這些網(wǎng)絡(luò)在圖像識別、醫(yī)學(xué)成像、信號處理以及人工地震等領(lǐng)域發(fā)揮了巨大作用。

    圖1 人工智能、機器學(xué)習(xí)與深度學(xué)習(xí)的關(guān)系

    2 衰減地震隨機噪聲的神經(jīng)網(wǎng)絡(luò)

    本文介紹幾種典型的去噪神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu),包括CNN、DnCNN、U-Net、BP、DCNN、ResNet 等,并分析網(wǎng)絡(luò)性能和隨機噪聲衰減結(jié)果。

    2.1 CNN

    首先介紹CNN 及其優(yōu)點,其次闡述CNN 的發(fā)展現(xiàn)狀,再重點描述多粒度特征融合CNN(Multigranularity Feature Fusion CNN,MFFCNN)的網(wǎng)絡(luò)結(jié)構(gòu)與去隨機噪聲效果,并對比5種方法的去噪結(jié)果,最后總結(jié)了CNN 的不足。

    CNN 已經(jīng)成功用于地震資料隨機噪聲衰減領(lǐng)域。CNN 具有局部連接、權(quán)值共享和池化操作的獨特操作,大大減小了參數(shù)使用量,提高了網(wǎng)絡(luò)運算效率,最先用于地震隨機噪聲衰減。

    韓衛(wèi)雪等[30]構(gòu)建了一種適用于地震資料去噪的CNN,并成功用于海上疊前地震數(shù)據(jù)和陸地疊后地震數(shù)據(jù)隨機噪聲衰減,實驗數(shù)據(jù)顯示該方法的隨機噪聲去除效果優(yōu)于小波變換、曲波變換等傳統(tǒng)方法。針對利用CNN 進(jìn)行地震資料去噪的結(jié)構(gòu)選擇具有盲目性的問題,Zhang 等[31]利用稀疏自動編碼器有效衰減了地震數(shù)據(jù)隨機噪聲,并保留了數(shù)據(jù)的細(xì)微特征。Dong 等[32]通過構(gòu)建噪聲集訓(xùn)練不同區(qū)域的去噪模型,有效抑制了不同地區(qū)的地震隨機噪聲。Yang 等[33]提出了一種智能CNN 降噪框架,可以自適應(yīng)地捕捉地震資料中的有效信號,獲得去噪信號。利用激活函數(shù)指數(shù)線性單元(Exponential Linear Units,ELU)和Adam 優(yōu)化算法訓(xùn)練網(wǎng)絡(luò),ELU 能夠緩解負(fù)區(qū)間的梯度消失,提高了網(wǎng)絡(luò)對負(fù)尺度有效信息的提取能力,有效提升了隨機噪聲衰減效果。向奎[34]通過改進(jìn)圖像超分辨率重構(gòu)領(lǐng)域的超分辨率CNN(Super Resolution Convolutional Neural Network,SRCNN)[35]衰減地震道集隨機噪聲。改進(jìn)的SRCNN 直接從輸入圖像和輸出圖像學(xué)習(xí)端到端的映射,可將含噪道集視為低分辨率圖像,去噪道集視為高分辨率圖像。該映射以從輸入圖片到輸出圖片的CNN 的形式表示。SRCNN 兼具結(jié)構(gòu)簡單和參數(shù)調(diào)整方便的優(yōu)點,不僅圖像處理水平很高,而且實現(xiàn)了即時可用的高速實用性。

    大多數(shù)CNN 采用監(jiān)督學(xué)習(xí)方式衰減地震隨機噪聲,需要構(gòu)建大量的無噪數(shù)據(jù)和含噪數(shù)據(jù)作為訓(xùn)練集,由于難以獲得無噪數(shù)據(jù),導(dǎo)致監(jiān)督學(xué)習(xí)方法的去噪效果不佳,降低了網(wǎng)絡(luò)的泛化性。使用合成地震數(shù)據(jù)訓(xùn)練網(wǎng)絡(luò)時,由于合成地震記錄與真實地震記錄在結(jié)構(gòu)上相差較大,大大降低了監(jiān)督學(xué)習(xí)方法的實際地震數(shù)據(jù)去噪效果。

    無監(jiān)督學(xué)習(xí)克服了難以獲得實際無噪地震數(shù)據(jù)的困難,基于概率密度和輸入樣本的相似性學(xué)習(xí)噪聲數(shù)據(jù)和有效信號的相似性,達(dá)到壓制隨機噪聲的目的。用于地震數(shù)據(jù)處理領(lǐng)域的無監(jiān)督學(xué)習(xí)方法主要有三類:第一類是自動編碼器(Autoencoder,AE),可以高效地處理含噪地震數(shù)據(jù),并且非線性表示能力較好;第二類是深度圖像先驗(Deep Image Prior,DIP),此類方法需要滿足兩個前提,即噪聲是獨立分布的,且地震信號的自相關(guān)性更強。但是,在網(wǎng)絡(luò)訓(xùn)練時必須要確定噪聲衰減的最優(yōu)迭代次數(shù);第三類是自監(jiān)督深度學(xué)習(xí)(Self-Supervised Learning),將含噪地震數(shù)據(jù)作為輸入和標(biāo)簽訓(xùn)練神經(jīng)網(wǎng)絡(luò),通過自監(jiān)督損失函數(shù)去噪。自監(jiān)督學(xué)習(xí)方法可以引入監(jiān)督學(xué)習(xí)網(wǎng)絡(luò)的訓(xùn)練模型權(quán)重訓(xùn)練初次全連接層,降低了網(wǎng)絡(luò)模型的訓(xùn)練時間成本。

    Fang 等[36]提出了一種新型無監(jiān)督學(xué)習(xí)的地震隨機噪聲衰減方法,可以直接使用含噪標(biāo)簽訓(xùn)練網(wǎng)絡(luò),有效提高了地震資料的信噪比。但該方法對非零均值噪聲的衰減效果較差,需要進(jìn)行零均值校正。Chen 等[37]提出了一種新的自監(jiān)督學(xué)習(xí)地震數(shù)據(jù)去噪方法,利用含噪數(shù)據(jù)訓(xùn)練網(wǎng)絡(luò),對丟棄層產(chǎn)生的原始噪聲數(shù)據(jù)進(jìn)行伯努利采樣訓(xùn)練神經(jīng)網(wǎng)絡(luò),在測試過程中采用蒙特卡羅(Monte Carlo)自積分法進(jìn)一步提高了網(wǎng)絡(luò)的去噪效果。Wang 等[38]提出了一種基于模型的地震數(shù)據(jù)無監(jiān)督深度學(xué)習(xí)的去隨機噪聲方法,在物理模型部分改進(jìn)了迭代軟閾值算法(Iterative Soft Threshold Algorithm,ISTA),并設(shè)計了一個平滑懲罰損失函數(shù)計算可訓(xùn)練參數(shù)的梯度;將由f-x反褶積處理的含噪地震數(shù)據(jù)作為網(wǎng)絡(luò)輸入,經(jīng)過網(wǎng)絡(luò)的進(jìn)一步處理后輸出去噪地震剖面,不需要地震數(shù)據(jù)的先驗信息,具有良好的泛化性,去噪效果優(yōu)于傳統(tǒng)方法以及監(jiān)督學(xué)習(xí)、無監(jiān)督學(xué)習(xí)去噪方法。

    傳統(tǒng)的基于CNN 的地震隨機噪聲壓制方法大多使用固定大小的卷積核,不能通過可變大小的卷積核提取不同尺度的地震信號特征。為了解決這一問題,F(xiàn)eng 等[39]使用具有不同尺寸卷積核的多粒度特征融合模塊(Multigranularity Feature Fusion,MFF)提取地震數(shù)據(jù)中不同尺度的波動特征,并利用特征融合結(jié)構(gòu)的特征更好地處理地震數(shù)據(jù)的細(xì)節(jié)和紋理信息,提出了MFFCNN 地震隨機噪聲衰減方法,提高了地震資料去噪效果。首先,MFFCNN 的頭部將輸入數(shù)據(jù)經(jīng)卷積層(Cov)和激活函數(shù)ReLU(Rectified Linear Unit)提取初步特征;然后,將獲得的特征圖送入網(wǎng)絡(luò)結(jié)構(gòu)主體,模塊1、模塊2、模塊3分別采用3×3、5×5、7×7 的卷積核分別從不同的粒度提取潛在特征;最后,經(jīng)過尾部的卷積層和激活函數(shù)還原輸出(圖2)。

    圖2 MFCNN 結(jié)構(gòu)[39]

    圖3 為MFFCNN 主體部分的三個MFF 模塊詳細(xì)結(jié)構(gòu)。由圖可見,每個卷積層的卷積核數(shù)量為16,保證了輸出圖像的通道數(shù)與輸入圖像一致。通過不同尺寸的卷積核的模塊輸出16×3 的通道數(shù)連接張量,通過卷積層融合成一個16×1的張量,使MFF模塊的輸出圖像尺寸與輸入保持一致。最后,將MFF模塊輸入與MFF模塊的輸出的殘差作為網(wǎng)絡(luò)輸出。

    圖3 MFFCNN 主體部分的三個MFF 模塊詳細(xì)結(jié)構(gòu)[39]

    圖4 為不同方法的去噪結(jié)果。由圖可見:合成地震數(shù)據(jù)(圖4a)添加標(biāo)準(zhǔn)差σ=1.3 的隨機噪聲后同相軸模糊不清(圖4b),經(jīng)過6 種方法壓制噪聲后信噪比都得到了相應(yīng)提高(圖4c~圖4h),且都存在一定的有效信號損失和同相軸彎曲,但是MFFCNN 處理結(jié)果的同相軸最清晰,波形畸變最小,在壓制隨機噪聲的同時,更好地保證了地震信號的保真度(圖4h)。

    圖4 不同方法的去噪結(jié)果[39]

    表1 為不同去噪方法壓制噪聲后的峰值信噪比(PSNR)和結(jié)構(gòu)相似度指數(shù)(Structural Similarity Index,SSIM),其中SSIM 的值越接近1 代表噪聲壓制前、后的地震剖面越相似、效果越好。由表可見,隨著輸入數(shù)據(jù)加入的隨機噪聲越大,各種方法去噪后的PSNR 降低,但是MFFCNN 的去噪效果始終優(yōu)于其他方法,其PSNR、SSIM 始終大于29.575 dB、0.9474。

    表1 不同去噪方法壓制噪聲后的PSNR(dB)/SSIM[39]

    CNN 作為一種BP 網(wǎng)絡(luò),自由參數(shù)的數(shù)量較少,可以提高訓(xùn)練效率,并且減少特征損失。但是,CNN在壓制地震隨機噪聲時具有一定的盲目性,不同的CNN 結(jié)構(gòu)對地震隨機噪聲的壓制效果不同。

    2.2 DnCNN

    DnCNN 在CNN 的基礎(chǔ)上使用了更深層次的網(wǎng)絡(luò)結(jié)構(gòu)、殘差算法以及批標(biāo)準(zhǔn)化,噪聲衰減效果更好。Xu 等[40]首先在圖像去噪領(lǐng)域提出了DnCNN。為了在CNN 的基礎(chǔ)上進(jìn)一步壓制地震隨機噪聲、提高地震數(shù)據(jù)的信噪比,Yu 等[41]將DnCNN 用于地震隨機噪聲衰減,分別使用不同的卷積層個數(shù)進(jìn)行去噪試驗,結(jié)果表明卷積層個數(shù)為17 時隨機噪聲衰減效果最好。但是,DnCNN 仍存在特征圖利用不充分、細(xì)節(jié)特征丟失的缺點,導(dǎo)致去噪地震資料存在一定的波形失真。為此,張超銘等[42]進(jìn)一步改進(jìn)DnCNN,使網(wǎng)絡(luò)更適用于地震數(shù)據(jù)去噪。改進(jìn)模型Constrained-DnCNN 在淺層網(wǎng)絡(luò)引入約束卷積提取低層特征并傳遞到深層網(wǎng)絡(luò),因此能夠自主學(xué)習(xí)噪聲殘差特征,并借鑒殘差網(wǎng)絡(luò)的結(jié)構(gòu)設(shè)計,通過跳連接(Skip Connection)提高網(wǎng)絡(luò)訓(xùn)練效果。結(jié)果表明,Constrained-DnCNN 可以實現(xiàn)盲去噪,并進(jìn)一步增強去噪效果,提高地震數(shù)據(jù)信噪比。針對DnCNN 對復(fù)雜地震數(shù)據(jù)的去噪效果較差、存在波動特征損失的問題,鐘鐵等[43]提出了多分支去噪神經(jīng)網(wǎng)絡(luò)(Diverse Branch Block Convolutional Neural Networks,DBBCNN),對沙漠地區(qū)復(fù)雜地震數(shù)據(jù)的隨機噪聲衰減實驗結(jié)果表明,DBCNN 可以更好地壓制隨機噪聲,去噪地震數(shù)據(jù)的信噪比較高。Zhong 等[44]利用多尺度去噪卷積神經(jīng)網(wǎng)絡(luò)(Multiscale Denoising Convolutional Neural Network,MSDCNN)壓制地震隨機噪聲,可在不同尺度提取地震數(shù)據(jù)特征,其跨尺度交互功能提高了去噪精度,特別對低信噪比地震資料的去噪效果更好,并在更大程度上保留了有效信號的振幅特性。

    DnCNN 的輸入信號為含噪地震數(shù)據(jù),網(wǎng)絡(luò)共有17個卷積層,前16層的卷積核尺寸為3×3,步長為1,卷積核數(shù)量為64。為了使輸出特征圖的大小與網(wǎng)絡(luò)輸入匹配,在卷積后進(jìn)行填充0操作,避免了圖像的特征損失。該網(wǎng)絡(luò)在第1 個卷積層中使用激活函數(shù)ReLU 對含噪數(shù)據(jù)歸一化處理;第2~第16 卷積層添加批歸一化處理,加快網(wǎng)絡(luò)收斂速度;第17 卷積層通過卷積還原輸出,網(wǎng)絡(luò)的輸出為預(yù)測的隨機噪聲,經(jīng)過還原輸出為去噪數(shù)據(jù)(圖5)。

    圖5 DnCNN 去噪網(wǎng)絡(luò)結(jié)構(gòu)[41]

    DnCNN 是一種利用殘差學(xué)習(xí)和BN 進(jìn)行去噪的CNN,由于DnCNN 為沒有池化層的全卷積網(wǎng)絡(luò)結(jié)構(gòu),導(dǎo)致內(nèi)部數(shù)據(jù)結(jié)構(gòu)和空間層級化信息丟失,造成去噪地震數(shù)據(jù)的少部分紋理特征丟失、卷積核感受野較小以及捕獲鄰域信息能力不足的問題。

    2.3 U-net

    U-Net是改進(jìn)的全卷積網(wǎng)絡(luò),因其結(jié)構(gòu)的形狀類似于字母“U”而得名(圖6)。U-Net 最早由Ronneberger 等[23]提出,目前已成為深度學(xué)習(xí)領(lǐng)域最重要的方法之一,同時也普遍用于地震隨機噪聲衰減。

    圖6 U-Net 結(jié)構(gòu)[48]

    在U-Net結(jié)構(gòu)的基礎(chǔ)上,王鈺清等[45]提出了一種以數(shù)據(jù)增廣和CNN 為基礎(chǔ)的U型網(wǎng)絡(luò),為解決深度學(xué)習(xí)中的數(shù)據(jù)標(biāo)簽問題提供了新的途徑和方法。羅仁澤等[46]構(gòu)建了一種較U-Net 更深的殘差U 型網(wǎng)絡(luò)(RU-Net),該網(wǎng)絡(luò)具有強大的特征捕獲能力,引入殘差塊后,通過對提取的隨機噪聲進(jìn)行二次消化、學(xué)習(xí),盡量保留一次學(xué)習(xí)可能丟失的隨機噪聲特征,使學(xué)習(xí)到的噪聲特征更接近噪聲本質(zhì),因此隨機噪聲壓制效果優(yōu)于U-Net。Bai等[47]搭建了一種基于U-Net的深度學(xué)習(xí)網(wǎng)絡(luò)壓制地震隨機噪聲,與U-Net不同的是在編碼器部分添加了Dropout 防止網(wǎng)絡(luò)過擬合,可以提高網(wǎng)絡(luò)的運行效率,網(wǎng)絡(luò)輸出為含噪地震數(shù)據(jù)和去噪地震數(shù)據(jù)之間的殘差。將余弦相似度指數(shù)作為損失函數(shù),可更好地保持去噪地震數(shù)據(jù)同相軸的橫向連續(xù)性。Liu 等[48-49]在前人的基礎(chǔ)上基于U-Net 提出了融入自相似性的無監(jiān)督地震數(shù)據(jù)噪聲壓制(Noise2Sim)方法,采用相似圖像采樣器生成訓(xùn)練對,提出了相似驅(qū)動的自監(jiān)督學(xué)習(xí)(Similarity-informed Self-learning,SISL)模型。在訓(xùn)練過程中引入正則化約束的損失函數(shù)約束有效信號損失,有效提高了地震數(shù)據(jù)信噪比。

    圖6 為U-Net 結(jié)構(gòu)。由圖可見,U-Net 網(wǎng)絡(luò)主要分為編碼和解碼兩個部分,其中編碼部分使用卷積核尺寸為3×3 的卷積與BN 和ReLU 串聯(lián),使用最大池化(Max Pooling)壓縮特征圖尺寸,轉(zhuǎn)置卷積(CovTranspose)的作用是重構(gòu)特征圖,使用Conat跳連接緩解網(wǎng)絡(luò)訓(xùn)練過程的過擬合。

    圖7為SISL結(jié)構(gòu)圖。由圖可見:將原始含噪數(shù)據(jù)u送入相似圖像采樣器中生成相似噪聲圖像sim(u)。然后,將u作為去噪網(wǎng)絡(luò)fθ的輸入得到去噪后的數(shù)據(jù)fθ(u)。再將fθ(u)送入相似圖像采樣器得到sim[fθ(u)]。使用的混合損失函數(shù)由兩部分組成:①fθ(u)與sim(u)之間的均方誤差損失函數(shù)Lres;②考慮到sim[fθ(u)]和sim(u)之間的差異,引入正則化約束的均方誤差損失函數(shù)Lreg,可以有效地減少有效信號的損失。圖8、圖9 分別為不同算法的去噪結(jié)果、去除的噪聲剖面。由圖可見:①K-SVD(圖8b)和非局部均值(Nonlocal Means,NLM)(圖8c)方法去噪剖面信噪比較高,同相軸較清晰,但是相對于含噪地震數(shù)據(jù)(圖8a),圖8b、圖8c損失了部分波動特征,還存在一些條帶噪聲和剩余隨機噪聲(圖9a、圖9b),并使部分同相軸過于平滑;②由于圖8a 中存在非零均值噪聲,由噪聲數(shù)據(jù)的無監(jiān)督去噪方法(Noise2Void)雖然更好地保留了波動特征(圖8d),但噪聲剖面殘存有效信號(圖9c);③Noise2Sim(圖8e)和SISL(圖8f)方法較好地保護了有效信號并壓制了隨機噪聲,二者總體上去噪效果接近,但圖8e 左上角存在部分波形錯亂,噪聲剖面(圖9d、圖9e)的顏色指示SISL(圖9e)更好地保留了有效信號。因此,SISL 方法可以有效地消除隨機噪聲,并較好地保留有效信號。U-Net通過獨特的編碼和解碼操作,在地震隨機噪聲衰減領(lǐng)域已取得較好效果,但仍存在模型泛化性受限和地震數(shù)據(jù)局部細(xì)節(jié)丟失等問題。

    圖7 SISL 結(jié)構(gòu)圖[48]

    圖8 不同算法的去噪結(jié)果[48]

    圖9 不同算法去除的噪聲剖面[48]

    2.4 BP 神經(jīng)網(wǎng)絡(luò)

    按誤差反向傳播訓(xùn)練的BP 神經(jīng)網(wǎng)絡(luò)是一種多層前饋網(wǎng)絡(luò),最早由Rumelhart 等[24]提出。圖10 為BP神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)。由圖可見,網(wǎng)絡(luò)結(jié)構(gòu)主要包括輸入層、復(fù)雜的隱藏層和輸出層,神經(jīng)元的作用是連接相鄰的層并進(jìn)行相關(guān)計算。圖11 為BP 神經(jīng)網(wǎng)絡(luò)工作流程。由圖可見:噪聲衰減原理是把含噪數(shù)據(jù)作為輸入數(shù)據(jù),然后通過隱藏層的處理和反向傳播調(diào)整權(quán)值和參數(shù),輸入數(shù)據(jù)從輸入層經(jīng)過隱藏層逐層處理,然后轉(zhuǎn)入輸出層,每一層的神經(jīng)元狀態(tài)僅受上一層神經(jīng)元狀態(tài)的影響;如果輸出結(jié)果不及預(yù)期,則轉(zhuǎn)入反向傳播,即將誤差信號沿著連接通路原路返回,不斷修改各神經(jīng)元的權(quán)值,使誤差信號逐漸降至最小。輸出為去除的隨機噪聲,再用原始含噪數(shù)據(jù)減去BP 神經(jīng)網(wǎng)絡(luò)輸出的噪聲剖面,即可得到去噪地震數(shù)據(jù)。

    圖10 BP 神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)[24]

    圖11 BP 神經(jīng)網(wǎng)絡(luò)地震數(shù)據(jù)去噪流程(據(jù)文獻(xiàn)[24]修改)

    BP 神經(jīng)網(wǎng)絡(luò)在去噪方面有獨特優(yōu)勢,它能自動學(xué)習(xí)噪聲和地震資料之間的函數(shù)關(guān)系,并且具有網(wǎng)絡(luò)結(jié)構(gòu)簡單、效果好、普適性強等優(yōu)點。但BP 神經(jīng)網(wǎng)絡(luò)主要用于處理非線性問題,對于線性問題,噪聲衰減效果并不理想。

    2.5 DCNN

    DCNN 在DnCNN 的基礎(chǔ)上擴大了卷積層的感受野,能夠進(jìn)一步緩解池化操作造成的特征細(xì)節(jié)丟失問題,用于地震隨機噪聲衰減可更有效地提取地震資料中的波動特征,保留更多細(xì)節(jié)。顧航[50]提出了一種基于DCNN 的地震數(shù)據(jù)去噪算法解決DnCNN 去噪后部分紋理信息丟失問題。將空洞卷積引入DnCNN結(jié)構(gòu),采用擴大感受野的方式獲取更多的地震記錄波動特征,以增強網(wǎng)絡(luò)的特征學(xué)習(xí)能力。應(yīng)用空洞卷積改進(jìn)DnCNN 結(jié)構(gòu)構(gòu)建地震數(shù)據(jù)去噪模型,通過優(yōu)化網(wǎng)絡(luò)擴展率、訓(xùn)練集、網(wǎng)絡(luò)參數(shù)提高模型去噪能力。玉琨[51]基于DnCNN 網(wǎng)絡(luò)結(jié)構(gòu)并結(jié)合空洞卷積的優(yōu)勢改進(jìn) DnCNN 算法:利用空洞卷積核代替?zhèn)鹘y(tǒng)的卷積核,并在不增加參數(shù)的情況下擴大CNN 的感受野,設(shè)計了一個用于地震資料去噪的對稱式空洞卷積神經(jīng)網(wǎng)絡(luò)(Symmetric Dilated Convolutional Neural Network,SDCNN)。

    SDCNN 將空洞卷積方法引入DnCNN 框架,以空洞卷積代替部分傳統(tǒng)卷積,為網(wǎng)絡(luò)提供了更大的感受野,使地震數(shù)據(jù)的內(nèi)部數(shù)據(jù)結(jié)構(gòu)保留更多的有效信息,并避免了丟失大量有效信息的情況發(fā)生。SDCNN 充分考慮了含噪地震記錄與殘差之間的關(guān)系,擴大了卷積視野,便于恢復(fù)地震記錄的紋理信息,其結(jié)構(gòu)如圖12所示。含噪數(shù)據(jù)作為網(wǎng)絡(luò)結(jié)構(gòu)的輸入,經(jīng)過多層1D、2D、4D 卷積層、BN 和ReLU 激活函數(shù),最終輸出結(jié)果為去噪數(shù)據(jù)。

    圖12 SDCNN 結(jié)構(gòu)[53]

    DCNN 具有較大的感受野,在提取隨機噪聲特征時能利用更大范圍的背景信息,大大增強了信息捕獲能力,既能消除大量的隨機噪聲,又避免了有效信息的丟失。但由于空洞卷積在常規(guī)卷積核的相鄰權(quán)重之間插入了“0”,因此損失了捕獲信息的連續(xù)性。

    2.6 ResNet

    He等[26]提出的ResNet是改進(jìn)的深層CNN,在圖像處理領(lǐng)域引起了巨大反響。通過在卷積層之間添加快捷連接(Shortcut Connection)操作,解決了隨著網(wǎng)絡(luò)層數(shù)加深帶來的梯度消失問題。何凱[52]提出基于雙重殘差結(jié)構(gòu)的CNN 地震隨機噪聲壓制方法,緩解了CNN 的梯度消失問題,可更好地提取地震數(shù)據(jù)特征。結(jié)果表明,該方法在保留有用信息的同時能夠更好地壓制隨機噪聲。在地震信號去噪問題中,ResNet通過逐層殘差學(xué)習(xí),可充分學(xué)習(xí)信號和噪聲特征。在圖像處理領(lǐng)域,研究表明重復(fù)的配對操作可以有效地提高網(wǎng)絡(luò)性能。為了進(jìn)一步提高去噪效果,方文倩等[53]將雙重ResNet結(jié)構(gòu)引入地震資料隨機噪聲衰減,該方法允許將不同層配對操作的兩個算子任意組合,可提取豐富的地震數(shù)據(jù)和隨機噪聲特征,提高了網(wǎng)絡(luò)的隨機噪聲衰減性能。武國寧等[54]結(jié)合ResNet的拓?fù)浣Y(jié)構(gòu)與平穩(wěn)小波變換(Wavelet)壓制地震隨機噪聲,避免了訓(xùn)練過程中的梯度消失問題,可獲得信號低頻以及不同方向的高頻特征信息。

    圖13為小波變換與深度ResNet結(jié)構(gòu)。網(wǎng)絡(luò)輸入為一級平穩(wěn)Haar小波變換(SWT)得到的低頻以及不同方向的高頻含噪數(shù)據(jù)。ResNet 共有17 層,其中第一層為卷積和激活函數(shù)層(Cov+ReLU),其他層為卷積、批量歸一化和激活函數(shù)層(Cov+BN+ReLU),最后一層為卷積層(Cov)用于重建輸出。輸出為一級平穩(wěn)Haar小波變換的四個分量。用輸入數(shù)據(jù)X與標(biāo)簽數(shù)據(jù)Y相減得到的信號通過逆平穩(wěn)小波變換(ISWT)得到去噪數(shù)據(jù)。

    圖13 小波變換與深度ResNet 結(jié)構(gòu)[54]

    圖14 為含有4個不同斜率的線性同相軸的模擬數(shù)據(jù)去噪效果對比。由圖可見,文獻(xiàn)[54]的方法對加噪地震數(shù)據(jù)的去噪效果(圖14f)優(yōu)于小波閾值(圖14c)、f-x域反褶積(圖14d)、DnCNN(圖14e)、方法。

    圖14 含有4個不同斜率的線性同相軸的模擬數(shù)據(jù)去噪效果對比[54]

    ResNet的提出解決了由于網(wǎng)絡(luò)層數(shù)過深帶來的性能退化問題,可以反向更新解決梯度消失和梯度爆炸問題,打破了網(wǎng)絡(luò)的不對稱性,增強了網(wǎng)絡(luò)的泛化性。

    2.7 遷移學(xué)習(xí)

    目前,由于CNN 等監(jiān)督學(xué)習(xí)方法需要大量的標(biāo)簽數(shù)據(jù),但野外地震數(shù)據(jù)量大、采集成本高以及地震資料保密機制的限制,難以獲得高質(zhì)量的標(biāo)簽數(shù)據(jù),很難繼續(xù)提高去噪效果。為了解決缺乏真實地震數(shù)據(jù)的問題,人們提出了GAN[55]用于生成數(shù)據(jù)集,但是將GAN 生成的數(shù)據(jù)作為訓(xùn)練集處理結(jié)果可能不盡人意。

    Sun 等[56]提出了基于無監(jiān)督遷移學(xué)習(xí)的地震隨機噪聲衰減方法,該方法在Batson等[57]提出的自監(jiān)督盲去噪(Noise2self)的基礎(chǔ)上加入遷移學(xué)習(xí)策略。假設(shè)真實地震信號是相關(guān)的、噪聲是相互獨立的,使用一個不變的值(J-invariant)用于估計降噪器的去噪性能。利用N2STL(Noise2self Transfer Learning)方法對含有不同高斯噪聲的2D 疊前和疊后合成地震記錄、2D 野外共反射點道集和3D 疊后地震記錄降噪,在增強地震資料信噪比的同時更好地保留了深部有效信號,取得了理想的去噪效果。另外,自注意力機制等網(wǎng)絡(luò)結(jié)構(gòu)的地震資料去噪效果較好。

    2.8 不同網(wǎng)絡(luò)模型噪聲壓制效果對比

    目前,利用神經(jīng)網(wǎng)絡(luò)壓制地震隨機噪聲已成為研究熱點,人們不斷提出了新的網(wǎng)絡(luò)模型、優(yōu)化算法、學(xué)習(xí)策略以及數(shù)據(jù)集制作方式。CNN、DnCNN和U-Net都是利用卷積操作提取特征,但是它們的網(wǎng)絡(luò)結(jié)構(gòu)不同。DnCNN 在CNN 的基礎(chǔ)上引入BN 和殘差學(xué)習(xí)策略,加快了網(wǎng)絡(luò)的收斂速度;U-Net 在CNN 的基礎(chǔ)上增加了編碼和解碼步驟,分別通過池化層或下采樣和轉(zhuǎn)置卷積或上采樣實現(xiàn),能夠提取更高維度的復(fù)雜特征。文中對比、分析了不同的網(wǎng)絡(luò)結(jié)構(gòu)以及去噪效果(表2)。

    2.9 CNN 噪聲壓制實例

    采用2D 開源數(shù)據(jù)集[41],將數(shù)據(jù)集劃分為145631 個標(biāo)簽數(shù)據(jù),并對每個標(biāo)簽數(shù)據(jù)添加40%的隨機噪聲作為訓(xùn)練集(圖15)依次訓(xùn)練。初始學(xué)習(xí)率為0.0001,卷積核尺寸為3×3,步長為1,利用Adam優(yōu)化算法自動調(diào)整學(xué)習(xí)率提高網(wǎng)絡(luò)收斂速度。共迭代80 次,每次送入神經(jīng)網(wǎng)絡(luò)的樣本數(shù)設(shè)置為64。測試在Ubuntu 操作系統(tǒng)下進(jìn)行,內(nèi)存為32 G,GPU 型號為NVIDA GeForce RTX 3090。噪聲壓制效果(表3)表明,隨著噪聲比例增加,原始地震數(shù)據(jù)的信噪比SNR 不斷降低,去噪地震數(shù)據(jù)的信噪比SNRCNN、SNRDnCNN顯著提高,且DnCNN 的噪聲壓制效果好于CNN。

    表3 DnCNN 和CNN 的去噪前、后的信噪比

    圖15 隨機抽取的訓(xùn)練數(shù)據(jù)和標(biāo)簽數(shù)據(jù)對

    圖16 為實際地震數(shù)據(jù)去噪結(jié)果。由圖可見,對于原始地震數(shù)據(jù)(圖16a)的加噪數(shù)據(jù)(圖16b),DnCNN 的噪聲壓制效果(圖16d、圖16f)好于CNN(圖16c、圖16e),能夠更好地壓制隨機噪聲并保留弱振幅地震信號,且圖16d的同相軸更清晰。

    圖16 實際地震數(shù)據(jù)去噪效果

    3 結(jié)論和展望

    3.1 結(jié)論

    以CNN、DnCNN、U-Net、BP、ResNet 和遷移學(xué)習(xí)等為代表的深度學(xué)習(xí)方法的實際去噪效果優(yōu)于傳統(tǒng)方法和字典學(xué)習(xí)方法,且不需要設(shè)定結(jié)構(gòu)模型,泛化性更強。利用訓(xùn)練好的網(wǎng)絡(luò)結(jié)構(gòu)去噪時,計算時間往往比模型驅(qū)動短且精度更高。

    但是基于深度學(xué)習(xí)的地震去噪技術(shù)也存在諸多不足:實際數(shù)據(jù)的去噪效果往往差于合成數(shù)據(jù);普適性不強;神經(jīng)網(wǎng)絡(luò)的“黑匣子”特性使其物理可解釋性大大降低;網(wǎng)絡(luò)性能與訓(xùn)練數(shù)據(jù)的泛化性密切相關(guān),若訓(xùn)練集覆蓋所有類型的解,則去噪效往往較好;用于訓(xùn)練網(wǎng)絡(luò)的數(shù)據(jù)集因人而異,難以評價網(wǎng)絡(luò)性能。

    3.2 展望

    深度學(xué)習(xí)技術(shù)已經(jīng)成功用于地震去噪領(lǐng)域,但也存在諸多問題,期待深度學(xué)習(xí)在以下方面取得進(jìn)展和突破:

    (1)搭建適用于不同噪聲的去噪神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu),并將更優(yōu)的網(wǎng)絡(luò)結(jié)構(gòu)引入地震隨機噪聲壓制。目前基于深度學(xué)習(xí)的去噪方法中,大多針對去除地震隨機噪聲,而對于面波、聲波、多次波、繞射波等相干噪聲的壓制方法較少,若能通過深度學(xué)習(xí)方法去除相干噪聲,將會大幅提高地震資料處理效率及信噪比。將更多的神經(jīng)網(wǎng)絡(luò)模型引入地震資料去噪領(lǐng)域提高資料處理精度,將成為未來的研究方向。

    (2)將地震信號轉(zhuǎn)換到變換域構(gòu)造網(wǎng)絡(luò)的損失函數(shù)。在變換域可在一定程度上分離噪聲和有效信號,將變換域的地震信號作為網(wǎng)絡(luò)損失函數(shù)可進(jìn)一步加快網(wǎng)絡(luò)收斂速度、提高網(wǎng)絡(luò)的預(yù)測精度,但也存在多次變換的累計誤差。

    (3)改進(jìn)學(xué)習(xí)策略的同時制作更具代表性的數(shù)據(jù)集,盡可能地使訓(xùn)練數(shù)據(jù)覆蓋所有類型的解,提高網(wǎng)絡(luò)泛化性。對于基于監(jiān)督學(xué)習(xí)的地震隨機噪聲衰減方法,訓(xùn)練結(jié)果與訓(xùn)練集的質(zhì)量密切相關(guān),因此制作更具代表性的數(shù)據(jù)集使訓(xùn)練集盡可能地覆蓋所有解,可以提高網(wǎng)絡(luò)的泛化性;采用基于無監(jiān)督學(xué)習(xí)的方式可以擺脫對無噪數(shù)據(jù)的依賴,將含噪數(shù)據(jù)做為訓(xùn)練集也是發(fā)展趨勢之一。

    (4)自動化的參數(shù)調(diào)優(yōu)。神經(jīng)網(wǎng)絡(luò)依賴于大量的訓(xùn)練集,而地震數(shù)據(jù)量巨大,造成模型訓(xùn)練時間過長。因此期待自動改進(jìn)網(wǎng)絡(luò)參數(shù)的方法,在保證地震資料信噪比的同時,提高網(wǎng)絡(luò)的訓(xùn)練速度。

    (5)結(jié)合模型驅(qū)動與數(shù)據(jù)驅(qū)動的方法?;谀P偷姆椒ú⒉灰蕾嚇?biāo)記數(shù)據(jù)學(xué)習(xí)映射,但簡單的模型往往不能描述高維復(fù)雜數(shù)據(jù)的細(xì)微差別和動態(tài)變化,而且每一步算法都需要對應(yīng)的數(shù)學(xué)/物理模型,不具備泛化性。相比之下,基于數(shù)據(jù)驅(qū)動的方法不依賴于解析近似,從復(fù)雜數(shù)據(jù)中提取有效信息,但不具備數(shù)學(xué)可解釋性。采用即插即用等方式,結(jié)合模型驅(qū)動與數(shù)據(jù)驅(qū)動的方法可以進(jìn)一步探索數(shù)據(jù)驅(qū)動和模型驅(qū)動的優(yōu)勢。

    猜你喜歡
    卷積噪聲神經(jīng)網(wǎng)絡(luò)
    基于3D-Winograd的快速卷積算法設(shè)計及FPGA實現(xiàn)
    噪聲可退化且依賴于狀態(tài)和分布的平均場博弈
    神經(jīng)網(wǎng)絡(luò)抑制無線通信干擾探究
    電子制作(2019年19期)2019-11-23 08:42:00
    從濾波器理解卷積
    電子制作(2019年11期)2019-07-04 00:34:38
    基于傅里葉域卷積表示的目標(biāo)跟蹤算法
    控制噪聲有妙法
    基于神經(jīng)網(wǎng)絡(luò)的拉矯機控制模型建立
    重型機械(2016年1期)2016-03-01 03:42:04
    復(fù)數(shù)神經(jīng)網(wǎng)絡(luò)在基于WiFi的室內(nèi)LBS應(yīng)用
    基于支持向量機回歸和RBF神經(jīng)網(wǎng)絡(luò)的PID整定
    一種基于白噪聲響應(yīng)的隨機載荷譜識別方法
    亚洲精品日本国产第一区| 中文天堂在线官网| 国产又色又爽无遮挡免| 熟女av电影| 秋霞伦理黄片| videos熟女内射| 国产成人精品在线电影| 成人亚洲欧美一区二区av| 天堂中文最新版在线下载| 国产免费福利视频在线观看| 欧美亚洲 丝袜 人妻 在线| 精品一区二区三区四区五区乱码 | av黄色大香蕉| 亚洲伊人色综图| 又黄又爽又刺激的免费视频.| 美女视频免费永久观看网站| 久久久久久久大尺度免费视频| 极品少妇高潮喷水抽搐| 乱码一卡2卡4卡精品| 一级爰片在线观看| 免费在线观看完整版高清| 一级毛片黄色毛片免费观看视频| 母亲3免费完整高清在线观看 | 国产成人一区二区在线| 国产免费一级a男人的天堂| 国产精品一国产av| 欧美精品国产亚洲| 青春草亚洲视频在线观看| 久久97久久精品| 国产老妇伦熟女老妇高清| 婷婷色av中文字幕| 亚洲欧美色中文字幕在线| 欧美激情 高清一区二区三区| 少妇人妻精品综合一区二区| 亚洲综合精品二区| 下体分泌物呈黄色| 三级国产精品片| 韩国精品一区二区三区 | 精品久久蜜臀av无| 国产免费视频播放在线视频| 三级国产精品片| 国产淫语在线视频| 国产有黄有色有爽视频| 国产极品粉嫩免费观看在线| 久久影院123| 热99国产精品久久久久久7| 晚上一个人看的免费电影| 国产精品麻豆人妻色哟哟久久| 捣出白浆h1v1| 边亲边吃奶的免费视频| 欧美日韩视频精品一区| av又黄又爽大尺度在线免费看| 午夜免费鲁丝| 久久久久网色| 自线自在国产av| 久久精品熟女亚洲av麻豆精品| 成年女人在线观看亚洲视频| 又粗又硬又长又爽又黄的视频| 大码成人一级视频| 成人国产av品久久久| 国产男女超爽视频在线观看| 天天躁夜夜躁狠狠久久av| 国产欧美日韩综合在线一区二区| 精品第一国产精品| 老司机影院成人| 久久精品夜色国产| av在线app专区| 在线观看免费视频网站a站| 免费女性裸体啪啪无遮挡网站| 欧美bdsm另类| 久久ye,这里只有精品| 国产精品久久久久久精品电影小说| 亚洲精品一区蜜桃| 看免费成人av毛片| 国产精品偷伦视频观看了| 亚洲av福利一区| 久久精品久久精品一区二区三区| 99久久精品国产国产毛片| 建设人人有责人人尽责人人享有的| 男女午夜视频在线观看 | 国产亚洲欧美精品永久| 丰满少妇做爰视频| 国产精品99久久99久久久不卡 | 日韩中文字幕视频在线看片| 日韩欧美精品免费久久| 国产欧美日韩一区二区三区在线| 伦精品一区二区三区| 丝袜人妻中文字幕| 欧美另类一区| 欧美精品亚洲一区二区| 亚洲av综合色区一区| 亚洲第一av免费看| 宅男免费午夜| 国产免费一级a男人的天堂| 免费不卡的大黄色大毛片视频在线观看| 久久韩国三级中文字幕| 久热久热在线精品观看| 亚洲性久久影院| freevideosex欧美| 日本猛色少妇xxxxx猛交久久| 久久国内精品自在自线图片| 亚洲少妇的诱惑av| 免费高清在线观看日韩| 国产一区二区三区av在线| 一边亲一边摸免费视频| 精品久久国产蜜桃| 男女免费视频国产| 国产一区二区在线观看日韩| 国产片内射在线| 99久国产av精品国产电影| 男人舔女人的私密视频| 欧美变态另类bdsm刘玥| 欧美日韩一区二区视频在线观看视频在线| 日本色播在线视频| 狂野欧美激情性xxxx在线观看| 国产精品熟女久久久久浪| 国产爽快片一区二区三区| 尾随美女入室| 亚洲欧美精品自产自拍| 蜜臀久久99精品久久宅男| 欧美精品国产亚洲| 丰满少妇做爰视频| 亚洲图色成人| videos熟女内射| 在线观看www视频免费| 亚洲国产毛片av蜜桃av| 久久国产精品大桥未久av| 日韩中字成人| 免费av中文字幕在线| 亚洲国产最新在线播放| 在线亚洲精品国产二区图片欧美| av天堂久久9| 国产成人a∨麻豆精品| 国产精品熟女久久久久浪| 在线亚洲精品国产二区图片欧美| 亚洲精华国产精华液的使用体验| 亚洲人成77777在线视频| 日韩中字成人| 国产成人av激情在线播放| 一二三四在线观看免费中文在 | 午夜福利视频在线观看免费| 考比视频在线观看| 欧美xxⅹ黑人| 色婷婷av一区二区三区视频| 搡老乐熟女国产| 女性被躁到高潮视频| 国产精品国产av在线观看| 在线精品无人区一区二区三| 伊人亚洲综合成人网| 色吧在线观看| 久久午夜福利片| 中文字幕制服av| 国产不卡av网站在线观看| 人成视频在线观看免费观看| 亚洲国产av影院在线观看| 国产激情久久老熟女| 国产免费视频播放在线视频| 欧美丝袜亚洲另类| 亚洲三级黄色毛片| 国产在线免费精品| 国产黄色免费在线视频| 啦啦啦在线观看免费高清www| 日韩成人av中文字幕在线观看| 亚洲成人手机| 水蜜桃什么品种好| 欧美精品亚洲一区二区| 欧美3d第一页| 男女午夜视频在线观看 | 国产国语露脸激情在线看| 男女边吃奶边做爰视频| 丝袜美足系列| 国产一级毛片在线| 中国美白少妇内射xxxbb| 久久久久久久久久久久大奶| 国产永久视频网站| 91aial.com中文字幕在线观看| 国产成人91sexporn| 国产日韩一区二区三区精品不卡| 国产 精品1| 国产亚洲精品第一综合不卡 | 少妇猛男粗大的猛烈进出视频| 欧美丝袜亚洲另类| 久久精品aⅴ一区二区三区四区 | 亚洲国产欧美日韩在线播放| 国产色婷婷99| 亚洲国产精品一区二区三区在线| 亚洲熟女精品中文字幕| 久久久久精品久久久久真实原创| 女人精品久久久久毛片| 国产视频首页在线观看| 水蜜桃什么品种好| 夜夜爽夜夜爽视频| 欧美xxⅹ黑人| 我的女老师完整版在线观看| 亚洲,一卡二卡三卡| 韩国高清视频一区二区三区| 精品亚洲乱码少妇综合久久| 精品一区二区三卡| 人人妻人人爽人人添夜夜欢视频| 亚洲人成网站在线观看播放| 亚洲久久久国产精品| 高清毛片免费看| 精品国产一区二区三区四区第35| 高清视频免费观看一区二区| 大香蕉久久成人网| 国产国拍精品亚洲av在线观看| 国产免费一区二区三区四区乱码| 一级黄片播放器| 在线亚洲精品国产二区图片欧美| 久久亚洲国产成人精品v| 久久久久久久久久久免费av| 母亲3免费完整高清在线观看 | 成人午夜精彩视频在线观看| a级片在线免费高清观看视频| av视频免费观看在线观看| 少妇的逼水好多| 宅男免费午夜| 91aial.com中文字幕在线观看| 成人18禁高潮啪啪吃奶动态图| 丝袜美足系列| 黑人巨大精品欧美一区二区蜜桃 | 国产欧美亚洲国产| 黄色配什么色好看| 国产精品国产三级专区第一集| 夫妻午夜视频| 日本欧美国产在线视频| 亚洲欧美中文字幕日韩二区| 久久99热6这里只有精品| 亚洲美女搞黄在线观看| 久久久欧美国产精品| 精品国产一区二区三区久久久樱花| 视频在线观看一区二区三区| 国产精品国产三级国产av玫瑰| 日本猛色少妇xxxxx猛交久久| 一本久久精品| 日韩视频在线欧美| 久久久久精品人妻al黑| freevideosex欧美| 亚洲国产av新网站| 性色avwww在线观看| 99久国产av精品国产电影| 国产爽快片一区二区三区| 午夜视频国产福利| 一级毛片黄色毛片免费观看视频| 日韩av在线免费看完整版不卡| 高清av免费在线| 亚洲色图综合在线观看| 亚洲欧美中文字幕日韩二区| 婷婷成人精品国产| 夜夜爽夜夜爽视频| 免费av不卡在线播放| 欧美日韩成人在线一区二区| 亚洲av男天堂| 久久综合国产亚洲精品| 人妻系列 视频| 国产高清三级在线| 久久久久久久久久久免费av| 亚洲av中文av极速乱| 97在线视频观看| 99久国产av精品国产电影| 久久狼人影院| 边亲边吃奶的免费视频| 国产一区二区在线观看av| 久久影院123| 又黄又粗又硬又大视频| 国产精品久久久久久精品古装| 日韩精品免费视频一区二区三区 | 日韩人妻精品一区2区三区| 亚洲综合色惰| 免费观看性生交大片5| 日韩一区二区三区影片| 亚洲性久久影院| 国产一区二区三区av在线| 日韩av免费高清视频| 男男h啪啪无遮挡| 婷婷成人精品国产| 午夜视频国产福利| 满18在线观看网站| 久久久久久伊人网av| 国产免费视频播放在线视频| 国产亚洲一区二区精品| 亚洲丝袜综合中文字幕| 日本免费在线观看一区| 精品一区二区三区四区五区乱码 | 亚洲一区二区三区欧美精品| 七月丁香在线播放| 国产成人a∨麻豆精品| 久久久久久久大尺度免费视频| 亚洲,欧美精品.| 这个男人来自地球电影免费观看 | 国产午夜精品一二区理论片| 男女下面插进去视频免费观看 | 欧美精品高潮呻吟av久久| 欧美日韩综合久久久久久| 免费人妻精品一区二区三区视频| 黑人猛操日本美女一级片| 国产精品久久久久成人av| 中文乱码字字幕精品一区二区三区| 又黄又爽又刺激的免费视频.| 韩国精品一区二区三区 | 免费av中文字幕在线| 成年人午夜在线观看视频| tube8黄色片| 欧美日韩一区二区视频在线观看视频在线| 少妇人妻 视频| 卡戴珊不雅视频在线播放| 狠狠精品人妻久久久久久综合| 亚洲精华国产精华液的使用体验| 母亲3免费完整高清在线观看 | freevideosex欧美| 国产亚洲午夜精品一区二区久久| 在现免费观看毛片| 日韩一区二区视频免费看| 国产极品天堂在线| 青春草亚洲视频在线观看| 亚洲欧美日韩另类电影网站| 男人添女人高潮全过程视频| 亚洲欧美精品自产自拍| 亚洲综合色网址| 亚洲国产色片| 日韩电影二区| 亚洲一码二码三码区别大吗| 黑人高潮一二区| 午夜福利影视在线免费观看| 三上悠亚av全集在线观看| 国产精品国产av在线观看| 一级片免费观看大全| 久久午夜综合久久蜜桃| 熟女人妻精品中文字幕| 久久久精品免费免费高清| 国产精品 国内视频| 色视频在线一区二区三区| 久久精品久久久久久久性| 国产欧美亚洲国产| 国产一区二区在线观看av| av电影中文网址| 999精品在线视频| 国产淫语在线视频| 精品国产乱码久久久久久小说| 国产精品熟女久久久久浪| 久久久久精品人妻al黑| 成人国产麻豆网| 亚洲高清免费不卡视频| 新久久久久国产一级毛片| 日韩熟女老妇一区二区性免费视频| 欧美人与性动交α欧美精品济南到 | 精品一区二区三区四区五区乱码 | 久久ye,这里只有精品| 婷婷成人精品国产| 五月开心婷婷网| 各种免费的搞黄视频| 久久国产亚洲av麻豆专区| a级毛色黄片| 在线天堂中文资源库| 99热国产这里只有精品6| 久久韩国三级中文字幕| av在线app专区| 国产成人精品在线电影| 国产精品秋霞免费鲁丝片| 久久 成人 亚洲| 丝袜在线中文字幕| 欧美激情极品国产一区二区三区 | 亚洲精品456在线播放app| 成人免费观看视频高清| 少妇人妻 视频| 亚洲高清免费不卡视频| 亚洲精品国产av蜜桃| 黄色一级大片看看| 日韩制服丝袜自拍偷拍| a级片在线免费高清观看视频| 日韩不卡一区二区三区视频在线| 午夜91福利影院| 在线观看一区二区三区激情| 亚洲激情五月婷婷啪啪| 久久影院123| 丝袜在线中文字幕| 精品人妻偷拍中文字幕| 亚洲婷婷狠狠爱综合网| 十八禁网站网址无遮挡| www.熟女人妻精品国产 | 日本黄大片高清| 国国产精品蜜臀av免费| 久久人人爽人人片av| 午夜福利,免费看| 精品一区二区免费观看| 在现免费观看毛片| 国产精品国产av在线观看| 久久99精品国语久久久| 亚洲,一卡二卡三卡| 久久久国产欧美日韩av| 亚洲激情五月婷婷啪啪| 成人无遮挡网站| 亚洲国产毛片av蜜桃av| 午夜日本视频在线| 啦啦啦视频在线资源免费观看| 精品亚洲成a人片在线观看| 日本黄大片高清| 亚洲色图综合在线观看| 免费黄频网站在线观看国产| 日韩中字成人| 老司机影院成人| 欧美老熟妇乱子伦牲交| 亚洲国产av影院在线观看| 精品少妇内射三级| 日韩欧美一区视频在线观看| 国产一区二区在线观看av| 国产成人aa在线观看| 日本-黄色视频高清免费观看| 色视频在线一区二区三区| 另类亚洲欧美激情| 欧美日本中文国产一区发布| 免费人妻精品一区二区三区视频| 亚洲精品久久午夜乱码| 伊人久久国产一区二区| 久久久久久久久久久久大奶| 亚洲精品国产av成人精品| 久久精品人人爽人人爽视色| 黑人高潮一二区| 如何舔出高潮| 国产成人精品无人区| 天美传媒精品一区二区| 成年动漫av网址| 亚洲精品日韩在线中文字幕| 中文字幕av电影在线播放| 日韩成人伦理影院| 国产激情久久老熟女| 老女人水多毛片| www.色视频.com| 亚洲成人一二三区av| 捣出白浆h1v1| 午夜激情久久久久久久| 国产一级毛片在线| 中文天堂在线官网| 性色avwww在线观看| 捣出白浆h1v1| 欧美另类一区| 精品亚洲成a人片在线观看| 久久久久久久久久久免费av| 国产男女内射视频| 人妻系列 视频| 日本免费在线观看一区| 一级毛片电影观看| 在线观看人妻少妇| 亚洲天堂av无毛| 美国免费a级毛片| 午夜视频国产福利| 成人国语在线视频| 亚洲av综合色区一区| 久久免费观看电影| 午夜老司机福利剧场| 伦理电影大哥的女人| 两个人看的免费小视频| 国产成人午夜福利电影在线观看| 婷婷色综合大香蕉| 最近的中文字幕免费完整| 久久女婷五月综合色啪小说| 男女高潮啪啪啪动态图| 自线自在国产av| a级毛片在线看网站| 嫩草影院入口| 久久久欧美国产精品| 日韩制服骚丝袜av| 久久久久人妻精品一区果冻| 欧美 亚洲 国产 日韩一| 亚洲精品美女久久久久99蜜臀 | 美女大奶头黄色视频| 日本av手机在线免费观看| av在线老鸭窝| 欧美日韩成人在线一区二区| 人妻人人澡人人爽人人| 国产精品人妻久久久久久| 菩萨蛮人人尽说江南好唐韦庄| 下体分泌物呈黄色| av有码第一页| 免费av中文字幕在线| 亚洲少妇的诱惑av| 午夜日本视频在线| 日韩免费高清中文字幕av| 国产在线免费精品| 欧美国产精品一级二级三级| 乱码一卡2卡4卡精品| 99香蕉大伊视频| 最近2019中文字幕mv第一页| 精品国产一区二区三区久久久樱花| 日韩成人av中文字幕在线观看| 精品视频人人做人人爽| 国内精品宾馆在线| 人妻一区二区av| 97在线视频观看| 国产精品麻豆人妻色哟哟久久| 日韩精品有码人妻一区| 99热这里只有是精品在线观看| 寂寞人妻少妇视频99o| 91精品国产国语对白视频| 人妻一区二区av| 在线观看国产h片| 国产色婷婷99| 亚洲综合色网址| 日韩视频在线欧美| www.色视频.com| 中文字幕免费在线视频6| 中文字幕人妻熟女乱码| 久久精品久久久久久久性| 边亲边吃奶的免费视频| 精品少妇内射三级| 99国产精品免费福利视频| 一级a做视频免费观看| 精品亚洲乱码少妇综合久久| 亚洲美女黄色视频免费看| 老司机亚洲免费影院| 99精国产麻豆久久婷婷| 久久精品国产综合久久久 | 色哟哟·www| 国产日韩欧美亚洲二区| 草草在线视频免费看| 天天躁夜夜躁狠狠躁躁| 国产极品粉嫩免费观看在线| 亚洲美女搞黄在线观看| 免费播放大片免费观看视频在线观看| 日韩制服丝袜自拍偷拍| 久久久久久伊人网av| 国产高清三级在线| 国产一区亚洲一区在线观看| 国产精品麻豆人妻色哟哟久久| av免费在线看不卡| 丝瓜视频免费看黄片| 精品国产一区二区久久| 国产成人欧美| 午夜日本视频在线| 国产 精品1| 欧美精品人与动牲交sv欧美| 好男人视频免费观看在线| 80岁老熟妇乱子伦牲交| 自拍欧美九色日韩亚洲蝌蚪91| 18禁动态无遮挡网站| 久久99精品国语久久久| 一二三四在线观看免费中文在 | 国产激情久久老熟女| 乱码一卡2卡4卡精品| 日韩精品有码人妻一区| 天堂俺去俺来也www色官网| 日韩av在线免费看完整版不卡| 老司机亚洲免费影院| 欧美日韩一区二区视频在线观看视频在线| 热re99久久国产66热| 日本黄色日本黄色录像| av天堂久久9| 久久毛片免费看一区二区三区| av又黄又爽大尺度在线免费看| 91成人精品电影| 看非洲黑人一级黄片| 久久人人97超碰香蕉20202| 国产熟女午夜一区二区三区| 韩国高清视频一区二区三区| 男女边摸边吃奶| 秋霞在线观看毛片| 天天躁夜夜躁狠狠久久av| 美女国产高潮福利片在线看| 国产女主播在线喷水免费视频网站| 在现免费观看毛片| 精品熟女少妇av免费看| 美女福利国产在线| 精品人妻熟女毛片av久久网站| 午夜福利影视在线免费观看| 天天操日日干夜夜撸| 韩国高清视频一区二区三区| 亚洲av中文av极速乱| 麻豆乱淫一区二区| 一级片免费观看大全| 99热全是精品| 国产精品无大码| 久久久久久久大尺度免费视频| 五月伊人婷婷丁香| 国产精品久久久久久久久免| 国产精品一国产av| 亚洲国产欧美日韩在线播放| 亚洲国产av新网站| 极品少妇高潮喷水抽搐| 十分钟在线观看高清视频www| 久久久a久久爽久久v久久| 又粗又硬又长又爽又黄的视频| 在线观看免费视频网站a站| 黑人欧美特级aaaaaa片| 亚洲中文av在线| 亚洲欧美清纯卡通| 欧美精品一区二区大全| 欧美精品亚洲一区二区| 超色免费av| 内地一区二区视频在线| 久久久久久伊人网av| 一个人免费看片子| 一级a做视频免费观看| 欧美+日韩+精品| 18禁在线无遮挡免费观看视频| 制服丝袜香蕉在线| 9热在线视频观看99| 免费人妻精品一区二区三区视频| 久久久久久人妻| 18禁裸乳无遮挡动漫免费视频| 午夜免费观看性视频| xxxhd国产人妻xxx| 九九在线视频观看精品| 国产黄色视频一区二区在线观看| 日韩中字成人| 国产日韩欧美亚洲二区| 亚洲精品国产色婷婷电影| 伦理电影大哥的女人| 亚洲国产色片| freevideosex欧美| 久久久久久久国产电影| 久久久久久伊人网av| 少妇被粗大的猛进出69影院 | 国产成人aa在线观看| 亚洲精品乱码久久久久久按摩| 欧美丝袜亚洲另类|