双稀疏字典和FISTA的地震数据去噪

地震数据的随机噪声去除是地震数据处理中的一项重要步骤，双稀疏字典提供了两层稀疏模型，比单层稀疏模型可以更好地去除噪声.该方法首先利用contourlet变换对地震数据进行稀疏表示，然后在contourlet域中使用快速迭代收缩阈值算法（fast iterative shrinkage-thresholding algorithm，FISTA）对初始字典系数进行更新，接着采用数据驱动紧标架（data-driven tight frame，DDTF）在contourlet域中得到DDTF字典并通过FISTA得到更新后的字典系数，最后通过DDTF字典和更新后的字典系数获得新的contourlet系数，并对新的contourlet系数进行硬阈值和contourlet反变换得到去噪后的数据.通过模拟数据和实际数据的实验证明：与固定基变换去噪方法相比，该方法可以自适应地对地震数据进行稀疏表示，在地震数据较为复杂时得到更高的信噪比；与字典学习去噪方法相比，该方法不仅拥有较快的去噪速度，而且克服了字典学习因为缺少先验约束造成瑕疵的缺点.     

复波场的实部和虚部对同时源波形反演的影响

高精度的成像需要准确的速度场信息,波形反演被认为是目前具有最高分辨率的速度反演方法之一.计算效率是目前全波形反演需要考虑的一个主要问题.为了很好地解决计算效率的问题,本文引入了一种高效的无串扰同时源反演方法,并详细介绍了其原理与计算流程.同时,基于此多震源同时反演方法,本文拓展出实波场反演、虚波场反演及复波场反演的三种反演策略,进而分析复波场的实部和虚部对全波形反演的影响.实验表明,相比于复波场全波形反演,无论是实波场反演还是虚波场反演,反演分辨率有所降低;相比于实波场反演,虚波场反演对初始模型的依赖性较小,目标函数的非线性较弱;最后,通过使用组合反演策略,即初始阶段采用虚波场反演,中后期阶段采用复波场反演,不仅可以降低反演的非线性,而且能够保证高精度建模.