基于字典训练的小波域稀疏表示微地震去噪方法

地面微地震数据的信噪比很低,严重地影响初至拾取的精度及反演结果的可靠性。为此,研究了基于字典训练的稀疏表示去噪方法,通过曲波变换估算了剖面中的噪声方差,从而将该法用于实际地面微地震资料去噪中;为了改善在低信噪比时的去噪效果,研究了小波域的稀疏表示去噪方法,并与普通的稀疏表示去噪方法进行了定量分析。理论模型及实际资料的处理结果表明:1迭代次数及字典原子的大小会对去噪结果产生较大影响,去噪后数据的信噪比随着两者的增加而增加,但这也会导致计算效率降低。因此,在处理时对于较大的数据可以选择中等大小的字典原子及迭代次数,以保证在得到较高信噪比的同时,具有较快的运算速度;2该方法可以去除传统稀疏表示方法在去噪后引入的"背景斑块",且去噪后的信噪比也得到极大提高。因此,相对于传统的方法,本文的方法具有显著的优势及较好的应用价值。     

基于在线字典学习算法的地震数据去噪应用

为了解决常规去噪方法不能根据地震数据自适应构造基函数,去噪效果无法达到最佳的问题,引入基于稀疏表示的在线字典学习(ODL,online dictionary learning)算法对地震数据进行去噪处理。ODL算法能够快速学习,得到与地震数据高度匹配的字典,该自适应字典代替了传统域变换方法中的固定基函数。同时,结合稀疏表示的思想,使用最小角回归(LARS)算法求解出字典的最优稀疏表示系数,将字典与稀疏表示系数组合,从而得到去噪后的地震数据。理论模型和实际地震数据的去噪应用表明:相比较为先进的curvelet变换方法,ODL算法可以更有效地去除随机噪声、相干噪声,同时很好地保留了数据特征。因此,ODL算法对于地震噪声压制有实际指导意义。     

基于CEEMD的地震数据小波阈值去噪方法研究

考虑到地震信号的非平稳性和去噪方法对非平稳信号的适应性,针对互补集合经验模态分解(CEEMD)舍弃高频分量的去噪方法和小波阈值去噪方法存在的不足,提出了基于CEEMD的地震数据小波阈值去噪方法。CEEMD是EMD(经验模态分解)的改进型算法,它既保留了EMD处理非平稳信号的优势,又能有效地克服EMD的模态混叠问题;但是,单纯的CEEMD分解去噪会在去除高频噪声的同时压制高频的有效信息。将CEEMD分解与小波阈值去噪相结合,对CEEMD去噪要舍弃的含噪声较多的高频固有模态函数(IMF)分量进行小波阈值去噪,以保留这些分量中的有效信息。模型数据和实际地震资料的测试结果表明,无论对于低噪声还是强噪声地震数据,基于CEEMD的小波阈值去噪方法的去噪效果都优于单纯的CEEMD去噪方法和小波阈值去噪方法。     

基于EMD-小波包的随钻测量信号去噪方法

为了降低随钻测量过程中噪声对信号的影响,针对经验模态分解(EMD)去噪方法粗糙和小波包去噪方法缺乏自适应的问题,提出了一种基于EMD-小波包的随钻测量信号去噪方法。利用EMD分解自适应的特点将随钻测量信号分解成几个IMF分量;根据信号自相关函数的特性找出主要含噪的IMF分量,再利用小波包阈值去噪方法将含噪IMF分量中的噪声去除;将去噪后的IMF分量和剩余的分量重构,得到去噪后的随钻测量信号。为验证方法的有效性,进行了随钻测量实验并用该方法对采集的信号进行处理。结果表明该方法能够很好地去除随钻测量信号中噪声的干扰,提高信号的信噪比。     

基于EMD与ICA的地震信号去噪技术研究

去除随机噪声是地震资料处理的重要环节,而目前的多数去噪技术都不同程度存在去噪效果差、损害有效信号等问题。为此,利用经验模态分解(Empirical Mode Decomposition,简写为EMD)能将信号自适应分解为不同尺度振动模态的优点及独立分量分析(Independent Component Analysis,简写为ICA)能提取独立源信号的优势,构造了一种EMD与ICA相结合的新的去噪算法,很好地实现了地震有效信号和随机噪声的分离,在提高去噪效果的同时提高了有效信号的保幅效果。将该算法应用于仿真实验和实际资料去噪,结果都明显优于总体经验模态分解(Ensemble Empirical Mode Decomposition,简写为EEMD)去噪结果,地震资料的信噪比和分辨率都大大提高。     

地震数据自适应多层字典学习稀疏表示方法

基于压缩感知（Compressed Sensing,CS）地震数据重构的精度很大程度上取决于用于稀疏表示字典的性能。在K—奇异值分解（K-Singular Value Decomposition,K-SVD）方法中每个训练样本的稀疏级别是固定的,这可能导致原始样本在稀疏表示过程中产生欠拟合或过拟合问题;而且它只使用原始样本的特征作为训练字典,无法利用样本在字典学习过程中产生的隐式特征,从而影响地震数据的重构精度。为此,对K-SVD方法进行了改进,采用自适应多层字典学习（Adaptive Multilayered Dictionary Learning,AMDL）方法对地震数据进行稀疏表示,不但可在字典学习过程中充分利用不同层次的特征,而且还可自适应地确定每一层所选择的原子数。试验结果表明,与K-SVD方法相比,该方法能够为基于CS的地震数据重构提供更准确的稀疏表示。     

利用基于深度学习的过完备字典信号稀疏表示算法压制地震随机噪声

曲波变换去噪处理使同相轴在断层等不连续区域发生畸变,对有效信号产生干扰。基于过完备字典信号稀疏表示（K-SVD）需要人工反复调整参数才能改善去噪效果。为此,将K-SVD去噪算法与深度学习网络相结合,综合考虑深度学习网络与稀疏表示方法的优点,研究了基于深度学习的过完备字典信号稀疏表示（Deep-KSVD）的地震数据随机噪声压制方法。为了使该网络有能力学习参数,在追踪阶段用一个等价的可学习的替代方案代替正交匹配追踪（OMP）算法。计算过程包括将数据分解为重叠的数据块、通过适当的追踪对每个数据块去噪以及通过去噪后的数据块加权重建整个数据,去噪处理包括稀疏编码、正则化系数估计以及数据块重建三个部分。模型数据和实际数据测试结果表明：当Deep-KSVD网络训练完成后,给定含噪数据,能够自适应地衰减地震噪声,并保护有效不连续性信息及数据结构特点,无需再进行参数调整;与K-SVD去噪方法相比,Deep-KSVD去噪方法的噪声压制效果更好,可提高全频带数据的信噪比。     

基于经验模态分解与小波阈值的MT信号去噪方法

针对低信噪比大地电磁数据的去噪问题,本文提出了-种基于经验模态分解的小波阈值去噪方法,并给出了方法原理和计算步骤;在与小波变换去噪效果对比的基础上,用仿真实验验证了方法的可靠性,并对安徽和内蒙某地实测数据进行了去噪处理。结果表明,本文提出的去噪方法是有效的,去噪后MT信号变得平稳,估算的响应曲线误差棒平均值减小,可为进-步的资料处理和地质解释提供保障。     

基于变分模态分解的地震随机噪声压制方法

针对经验模态分解（EMD）方法中递归迭代式筛选过程耗时过长、分解精度不高等问题,提出了基于频率域内全局自适应的变分模态分解（VMD）的地震随机噪声压制方法。与EMD类方法的迭代筛选模式不同,VMD方法的分解过程可转换至变分泛函最优求解过程,以每个带限窄带（BIMF）分量的估计带宽之和最小为约束,通过增广Lagrange目标函数将变分问题由约束性变为非约束性,采用交替方向乘子（ADMM）算法寻求变分泛函的最优解达到信号自适应分解的目的。ADMM中频率中心及带宽交替更新对偶上升,使两者同时达到最优趋势,并生成所有BIMF分量,具有更高的时间效率。同时,各模态分量在频谱上均具有带限特性,可实现信号频带的高分辨率、自适应剖分。实验结果表明,基于VMD的地震随机噪声压制方法具有优异噪声压制、幅值保持性能的同时,还具备较高的计算效率,可满足高维大尺度地震数据的处理要求。     

基于Shearlet变换的自适应阈值地震数据去噪方法

由于随机噪声的干扰,地震勘探的有效信号经常淹没其中难以识别,且在时间域难以分离随机噪声和有效信号。Shearlet变换是一种新的多尺度多方向时频分析方法,具有最优的稀疏表示能力、局部化特征和方向敏感性。Shearlet变换在去除随机噪声的同时,能够最大限度地保留有效信号,可以有效地提高地震数据的信噪比。针对传统的Shearlet变换阈值去噪方法不能随尺度和方向变化的不足,提出了随尺度和方向变化的自适应阈值,可以同时适应不同尺度和方向噪声水平的差异。利用Shearlet变换的自适应阈值算法与小波变换去噪方法,分别对理论和实际地震数据进行去噪。对比可知,Shearlet变换的自适应阈值算法具有更强的去噪能力,并能够最大限度地保留有效信号。     

压缩感知框架下基于K-奇异值分解字典学习的地震数据重建

针对地震勘探中由于采集成本及采集环境等诸多因素导致地震数据不完整或者不规则问题,本文提出了一种压缩感知框架下基于K-奇异值分解（K-SVD）字典学习的地震数据重建算法。基本思路是首先对大量地震样本数据进行K-SVD字典训练得到超完备字典,然后引入缺失地震数据的采样矩阵作为测量矩阵。在重建阶段则采用正则化正交匹配追踪（ROMP）实现缺失地震数据的恢复。与传统的基于Curvelet变换或基于傅里叶变换等地震数据重建算法采用单一基函数不同,本文引入的超完备字典能够自适应地根据训练样本数据进行特征提取,并能根据待处理数据的本身特点自适应选取变换基函数。超完备字典为地震数据自适应稀疏扩展提供了更大灵活性,有利于更好地重建数据。合成地震数据以及实际海洋数据重建实验验证了本文算法的可行性及有效性。     

聚合经验模态分解和小波变换相结合的地震信号衰减分析

常规经验模态分解（EMD）方法存在模态混叠等问题会造成多解性,从而影响含气层弱信号的识别。为此,引入可改进模态混叠的聚合EMD（EEMD）方法,结合小波变换从地震数据中可提取具有明确物理和地质意义的新地震属性进行含气性检测。具体步骤为：1对地震道进行EEMD。选取具有强相关性的IMF进行重构生成地震道的特征高频子信号;2衰减梯度计算。针对EEMD处理后的IMF高频信号特征,采用改进的动态频率域窗函数,逐点计算地震道特征子信号小波时频图中各点处的对数能量,并逐道、逐点计算地震数据体的衰减梯度;3利用最小二乘法和选择频率域动态窗函数提高衰减梯度的预测精度。对川西海相碳酸盐岩的储层预测结果表明,利用文中方法可以刻画各相带储层的不同强振幅异常特征,尤其对台内滩相储层的强振幅异常更灵敏,可以有效地识别宽带地震响应中特定频率的强振幅异常,同时能较好地抑制地层等影响因素,给出的含烃类统计性解释结果与已知井的含气测试结果相吻合。     

基于稀疏冗余表示的三维地震数据随机噪声压制

传统的二维随机噪声压制方法应用于三维地震数据的随机噪声压制时,去噪效果往往不理想,为此提出基于稀疏冗余表示的压制三维地震数据随机噪声的方法.该方法在贝叶斯框架下,通过正交匹配追踪(OMP)和K-奇异值分解(K-SVD)不断迭代更新三维稀疏矩阵和三维超完备离散余弦变换(DCT)字典,利用三维超完备DCT字典作为三维地震数据的稀疏冗余表示,使三维地震数据中随机噪声得到压制.三维模拟数据和实际地震数据试算表明:与常规f-x反褶积法和K-L变换法相比,该方法既提高了三维地震数据体的信噪比,又有效地保护了地震反射信号,而且水平切片的连续性和平滑性很好,构造复杂区域的分辨率也得到提高.