1.一种基于波原子变换的深度学习抗假频地震数据规则化方法，其特征在于：所述地震数据规则化方法包括以下步骤：

步骤一、训练数据集准备：

将训练集中地震数据的样本进行空间变换处理，方法包括旋转角度和镜像翻转，增加数据集的样本数据，将样本数据裁剪为尺寸256×256的切片数据x，作为训练样本的最小单位；

不规则的地震数据通过从完整地震数据抽取比例为r的地震道作为空道来仿真，抽取方法为分别利用完全随机抽取、部分随机抽取和均匀抽取的方法仿真3种不规则情况，通过随机抽取来仿真采集坏道的不规则情况，部分区域随机抽取仿真不均匀采样的不规则情况，均匀抽取的方法来仿真稀疏采样的不规则情况；

将每一个地震数据切片复制15份，将这15份切片分3组，分别仿真上述3种不规则数据的样本，其中每组5份，分别采用相应的抽取方法在5种不同的比例r下，也即为r分别为

10％、20％、30％、40％和50％，生成空白地震道，得到若干个不规则地震数据切片样本y，对应标签为x；

步骤二：波原子域样本标签准备：

波原子变换采用工具箱代码完成，每个切片数据x生成2个256×256的波原子域切片系数，分别设为c1和c2；

步骤三：网络输入与标签设定：

以步骤一中得到的不规则地震数据切片数据y作为输入，以步骤一中的原始地震切片数据x和步骤二中得到的切片系数c1和c2分别作为标签，训练联合学习网络模型G；

步骤四：深度学习网络模型G结构设定：深度学习网络模型G划分成2个子网，分别为特征提取网络和波原子系数预测网络，首先将不规则数据输入作为特征提取网络的输入，并将此输入经过一系列卷积、归一化、激活操作；然后在波原子系数预测网络中对相应的波原子系数进行估计，再利用波原子系数矩阵反变换生成预测得规则数据；

网络模型设定为：

(1)、特征提取子网络

该子网的作用是将不规则地震数据作为网络的输入，提取数据的特征图谱；卷积网络的每一层卷积核的尺寸大小相同，为3×3，步长为1，填补为1，使得每一层输入数据与输出数据的尺寸相同且降低计算复杂度；卷积后的特征图谱经过归一化和激活函数，再经过下一层卷积操作；将卷积层、归一化层和激活函数3个操作定义为一组，每两组作为一个残差块，共5个残差块，每一个残差块中卷积核的个数依次为32，64，64，128，256，利用残差学习的特性，每两个残差块之间设置跳接；

(2)、波原子系数预测子网络

以提取的特征图谱作为两个并行波原子系数预测子网络的输入，分别生成相应的波原子系数；将所有的卷积核的尺寸设置为3×3，步长为1,填补为1；两个并行子网分别预测两个波原子子带对应的系数矩阵，在该网络的最后将预测的波原子系数反变换生成时空域规则数据；

步骤五：损失函数设定：

联合空间域、波原子域和傅里叶域损失误差的联合误差函数：losstotal＝μlosswaveatom+νlossspace+ηlossf‑klossspace的定义为： x为真实地震数据，x′为预测规则化数据；

由于空间域的均方误差约束很难捕捉地震数据的频纹理细节，为了提高最终规则化数据细节纹理质量，引入波原子损耗来帮助数据纹理的恢复重建；设C＝(c1,c2)和分别表示真实和预测的波原子系数，提出基于波原子域的损耗为波原子域均方误差，捕捉波原子域的细节信息；定义为：

为防止规则化结果出现假频现象，将原始规则数据x以及预测生成的规则数据x′，经过傅里叶变换后得到X和X′，计算两者损失误差lossf‑k定义为：联合误差函数：losstotal＝μlosswaveatom+νlossspace+ηlossf‑k，其中losswaveatom为波原子域预测系数与实际系数的均方误差，用来提高纹理细节的复原；lossspace为传统的空间域预测数据与实际数据的均方误差，用来约束空间域地震数据的误差；lossf‑k为f‑k域误差，用来消除假频；μ，ν和η为平衡因子；

步骤六：网络模型训练：

将上述步骤一至步骤五得到的不规则样本输入y，原数据标签x，及其波原子分解系数c1和c2，网络输出对应波原子预测系数 和 及其反变换后生成空间预测数据x′，原始规则数据和预测数据经过傅里叶变换X和X′，得到波原子域误差losswaveatom，空间域误差lossspace，傅里叶域误差lossf‑k，最后得到联合误差losstotal，通过深度卷积神经网络的正向传递和反向回馈来调整网络参数，将调整好的网络参数保存；

步骤七：地震数据规则化测试：

将测试集中不规则地震数据组织成切片地震y，输入经训练调整好参数的卷积神经网络模型G中，生成波原子域系数 和 将 和 进行波原子反变换得到波原子域预测的地震数据x′，即为复原后生成的规则化的地震数据。