The Elman artificial neural network (ANN) (feedback connection) was used for seismic data filtering. The recurrent connection that characterizes this network offers the advantage of storing values from the previous time step to be used in the current time step. The proposed structure has the advantage of training simplicity by a back-propagation algorithm (steepest descent). Several trials were addressed on synthetic (with 10% and 50% of random and Gaussian noise) and real seismic data using respectively 10 to 30 neurons and a minimum of 60 neurons in the hidden layer. Both an iteration number up to 4000 and arrest criteria were used to obtain satisfactory performances. Application of such networks on real data shows that the filtered seismic section was efficient. Adequate cross-validation test is done to ensure the performance of network on new data sets.

Le réseau de neurones artificiel (RNA) de type Elman (rétroconnexion) a été utilisé pour filtrer des données sismiques. La boucle de rétroaction qui caractérise ce réseau présente l’avantage de stocker la trace de l’événement précédent pour être utilisée dans le traitement courant. Cette récurrence facilite l’apprentissage de la structure neuronale proposée par rétropropagation (méthode des gradients). Des essais ont été réalisés sur des données sismiques synthétiques (avec 10 % et 50 % de bruit aléatoire et gaussien) et réelles, en utilisant respectivement 10 à 30 neurones et un minimum de 60 neurones dans la couche cachée. Un nombre d’itération fixé à 4000 et un critère d’arrêt ont été utilisés pour satisfaire de meilleures performances. L’application de tels réseaux sur des données réelles montre que le filtrage de la section sismique est efficace. Le test de validation croisée est réalisé pour assurer la performance du réseau sur de nouvelles données.