基于压缩感知的SR-ADMM地震数据重建

施工成本和现场环境等因素导致所采集的地震数据有缺失,进而影响后续地震数据的处理和资料解释,对缺失的地震数据进行重建具有重要意义。根据压缩感知理论,若数据具有稀疏特征,则在低于奈奎斯特采样频率的条件下通过优化算法即可恢复完整数据。文中提出基于压缩感知的平方正则交替乘子方向算法（SR-ADMM）的地震数据重建方法。SR-ADMM算法在交替乘子方向算法迭代过程中加入了平方正则项,且是自适应地选取参数平衡因子。首先用字典学习对缺失地震数据进行稀疏表示,然后用SR-ADMM算法解决最优化问题并重建缺失的地震数据。模拟地震数据和大庆油田实际数据的重建结果表明：所提的基于SR-ADMM算法压缩感知地震数据方法的重建精度较高,且具有实用性。     

快速结构字典学习三维地震数据重建方法

目前基于字典学习的三维地震数据重建方法通常采取二维逐切片重建的策略,这种重建方式忽略了切片间的相互联系,未能充分运用地震数据各个方向上的连续性约束。为此,提出了一种三维联合重建方法——快速结构字典学习三维数据重建方法。该方法在压缩感知理论框架下,利用快速结构字典学习算法训练训练集,产生三维自适应字典;然后利用三维自适应字典、观测矩阵以及正则化正交匹配追踪算法对数据进行高精度重建。模型数据和实际数据的重建结果表明,该方法能够恢复地震数据的细节特征,具有重建精度高、保幅性良好的优点。     

利用压缩感知技术的离散正交S变换地震数据重建

压缩感知中不同稀疏变换的重建效果及计算效率存在差异,为此文中提出一种基于压缩感知技术的离散正交S变换（DOST）地震数据重建方法。通过求取一组正交基函数与时间序列的内积,得到时频矩阵,使原始信号呈现更强稀疏性,以改善压缩感知地震数据重建效果。该方法弥补了S变换不能作为压缩感知的稀疏变换的局限性,向压缩感知理论体系引入了一种适用的稀疏变换方法。理论模型和实际数据试算结果表明,该方法迭代快速且收敛稳定,整体重建效果令人满意。     

MCA框架下Shearlet和DCT字典组合地震数据重建

相比于单一变换,形态分量分析（MCA）是信号稀疏表示的一种更有效的手段。在MCA框架下,提出了一种Shearlet字典和DCT字典组合的地震数据重建方法。首先,基于MCA框架,分别选取DCT字典和Shearlet字典稀疏表示地震数据中的局部奇异分量与平滑线状分量;随后,通过加入指数阈值模型和指数阈值函数的块坐标松弛（BCR）算法重建各个分量;最后,合并各个分量得到重建结果。合成数据实验和真实数据实验均表明,该方法能够有效地重建缺失地震数据,且重建精度高于单一Shearlet字典、Curvelet+DCT字典组合和Shearlet+Curvelet字典组合。     

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.     

压缩感知地震数据重建中的三个关键因素分析

地震数据重建对地震资料处理和成像具有重要意义。基于压缩感知的地震数据重建方法是应用较广泛的一类方法,其中的稀疏变换、迭代算法和阈值模型等的选取将影响最终地震数据重建的效果和计算效率。本文着重分析了Fourier、Curvelet和Seislet这三种稀疏变换对地震数据重建的影响,比较了POCS（Projection onto Convex Sets）、IHT（Iterative Hard Thresholding）、Bregman和JRSI（Joint Reconstruction by Sparsity-promoting Inversion）四种迭代算法各自的优缺点,研究了线性、指数和数据驱动三种不同阈值模型的特性。通过模拟和实际算例对比分析了压缩感知地震数据重建过程中上述三个关键因素的影响,得到了三方面的重要认识和结论,为在实际地震数据重建中选择上述因素提供了可靠依据和现实建议。     

基于单道奇异值分解的微地震资料去噪方法

奇异值分解(SVD)是一种利用地震资料的相关性进行去噪的有效方法。但对于信号较弱、信噪比极低的微地震资料,传统SVD方法处理效果较差。针对单道微地震记录噪声周期性较强的特点,提出了一种基于单道SVD的去噪方法。首先利用单道微地震记录来构建分解矩阵,然后对矩阵进行奇异值分解,通过对奇异值分布规律的分析,选取适当的奇异值实现矩阵的重构,最后通过SVD反变换得到重构信号,从而达到去除噪声、突出有效信号的目的。实践表明,该方法能有效去除微地震记录中的噪声,为微地震事件的正确识别与震源的准确定位提供强有力的前提保障。     

利用奇异值分解方法提高地震数据信噪比

奇异值分解(SVD)技术借助地震资料具有良好相关性的特性,能够有效地分离噪声和信号。经过SVD分解的地震数据,根据能量大小可分为若干个奇异值,大奇异值对应的本征图像主要代表信号,小奇异值对应的本征图像主要代表噪声,通过选用前k个最大的奇异值对应的本征图像重建地震记录,可以有效地消除随机噪声。利用GeoEast地震数据处理系统获得了经静校正、振幅补偿、反褶积、动校正与叠加等处理后的叠后数据,正演模型和热欧三维叠后地震数据处理结果表明,SVD方法能有效地消除随机噪声,提高地震数据信噪比。     

标准正交紧支集小波基与地震数据的分解和重建

本讨论了Ｄａｕｂｅｒｃｈｉｅｓ标准正交紧支集小波基，借助于多分辨率分析方法，建立了地震数据的分解和重建算法，并对实测地震数据进行了压缩和重建。     

基于压缩感知的过套管电阻率数据重构方法研究

过套管电阻率测井是在钢套管内测量地层电阻率进而进行含水饱和度评价和油藏监测的一种新的测井方法.由于测量结果为点测数据,需要在数据预处理时由多个单点数据重构整条曲线,而传统的插值方法,分辨薄层的能力差,因此文章提出了一种基于压缩感知的数据重构方法,使用点测深度和欲重构数据的深度匹配关系,建立观测矩阵,基于傅立叶变换的稀疏分解矩阵,采用OMP算法解决稀疏分解系数L1范数最小化问题,取得了良好的重构结果.     

基于压缩感知的Dreamlet域数据重构方法及应用

随着压缩感知(CS)理论的完善, 逐步发展形成了基于该理论的新的信号处理技术。近年来, 在石油地震勘探领域, 基于该理论的随机稀疏数据采样、数据重构及规则化和稀疏采样观测系统优化设计等方面的研究取得了重要进展。本文在Ru-Shan Wu博士等提出的Dreamlet域数据重构技术基础上, 针对实际地震数据在时间和空间上剧烈变化以及存在较强干扰背景情况, 通过优化重构参数和流程, 对随机稀疏采样的模拟和真实地震数据进行了重构和对比分析。模拟和实际数据应用显示, 该技术是一种高效和高质量的地震数据重构方法。     

应用快速不动点延续算法的地震数据重建

地形条件或采集成本等因素往往导致现场采集到的地震数据呈现不完整分布,从而影响后续地震数据的分析与处理,因此对原始地震数据做高精度重建显得尤为必要。不动点延续算法是一种基于核范数最小化的重建方法,但该算法需进行奇异值分解（SVD,其计算复杂度为O[mnmin（m,n）],m、n为矩阵的维度）,且当矩阵维度较高时运算耗时较长;传统方法是直接利用PROPACK加速包,将计算复杂度降低为O（rmn）（r为矩阵的秩）,但此加速方法依然耗时较长。为此,提出一种快速不动点延续算法,通过利用块克雷洛夫迭代近似奇异值分解算法和子空间复用技术,将SVD的计算复杂度降低为O[mcmin（m,c）]（c<m,n）,c∈R⁺）为复杂度常数。仿真地震数据和实际地震数据重建结果表明,在确保一定信噪比的情况下,文中提出的快速不动点延续算法的计算效率显著高于传统加速型不动点延续算法。     

基于压缩感知的小波域地震数据实时压缩与高精度重构

地震数据压缩是解决地震仪无线数据传输的一项关键技术。现有技术方案是对现场数据变换编码,消除其冗余达到压缩效果,再解码反变换恢复原始数据。这类方案需要对完整采集的地震数据进行操作,不仅时效性差,造成了硬件资源浪费,而且数据解码难以高精度恢复。针对以上问题,本文基于压缩感知理论（CS）提出一种新的地震数据压缩重构方案,通过构造混沌伯努利测量矩阵（CBMM）对地震数据小波变换后的稀疏系数进行压缩,在下位机端实时编码;为了提高重构精度,采用贝叶斯小波树结构CS重构算法（BTSWCS）,根据小波树结构统计特性,构建一个分层贝叶斯CS先验模型,利用马尔科夫链蒙特卡洛推理对模型参数后验估计,在上位机端恢复原始数据。实际地震数据处理表明,使用本方法对总采样点为2⁸的数据压缩,压缩时间可缩短至1.0×10^-5s。低信噪比情况下,本文重构算法使峰值信噪比（PSNR）值至少提升5dB。     

海上压缩感知地震仿真采集设计与处理

压缩感知地震采集的主要目的是提高地震采集效率,降低地震采集成本。受现有海上地震采集装备及技术限制,目前只能在某些方向上进行压缩感知随机采样。通过研究,形成了一套基于Jitter模式的海上压缩感知地震采集观测系统设计技术及配套的数据重构方法和模块。利用该方法实施了两个海上压缩感知地震采集设计仿真试验,并对所采集数据进行了重构处理。结果显示,在节省约1/3采集资源情况下,模型正演数据和实际数据仿真试验的重构效果良好,表明Jitter随机采样模式适用于海上压缩感知地震采集观测系统设计。     

无监督残差网络的地震数据重构方法

野外采集的地震数据通常会存在地震道缺失的问题,对其进行重构一直是地震资料处理中的一个难题。目前使用深度学习(Deep Learning,DL)方法重构地震数据主要采用完整地震数据作为标签训练网络模型的监督学习方式,然而对实测野外数据很难获得准确的标签。对大量训练样本的依赖影响了DL方法在地震数据重构中的应用。为此,提出了一种基于残差网络的无监督DL的地震数据重构方法。该方法无需使用完整的地震数据作为训练集训练残差网络,而是以随机数据作为残差网络的输入,以含缺失地震道的地震数据作为网络的期望输出。通过对网络预测与期望输出之间的误差的反向传播,迭代优化网络参数,使网络与期望输出间的误差达到最小,获得参数最优的残差网络,并用该网络重构缺失的地震数据。在网络参数优化过程中,利用卷积的局部和平移不变性质,用卷积滤波器学习多尺度下地震数据邻域之间的相似特征,并在网络输出中呈现学习到的这些先验特征。使用所提方法重构Marmousi模型模拟地震资料和实测海洋拖缆资料中规则和不规则缺失的记录道,并与传统的快速凸集投影软阈值(FPOCS-Soft)方法的结果进行对比,结果表明,无监督残差网络方法可有效重构缺失地震道,准确性高、连续性好,精度高于FPOCS-Soft方法。