基于改进K-SVD字典学习方法的地震数据去噪

为实现更好的地震数据去噪技术,笔者引入一种新的算法:快速迭代收缩阀值法(FISTA),通过FISTA和K-奇异值分解(K-SVD)不断迭代更新K-SVD字典,利用更新得到的K-SVD字典对地震数据进行稀疏表示,去除稀疏系数中较小的数值,使数据中的随机噪声得到压制。对层状模型合成地震记录,Marmousi模型合成地震记录以及实际地震数据进行对比实验,得出FISTA算法较OMP算法能更好地提高地震数据的信噪比,同时有效地保护了反射信号。     

基于高精度字典学习算法的地震随机噪声压制

地震勘探中的随机噪声会对有效信号产生严重干扰,甚至会导致信号畸变。为了满足高精度的地震勘探要求,应用高精度字典学习算法压制随机噪声。该算法基于超完备稀疏表示理论,对传统的字典学习算法从字典训练和稀疏编码两个方面进行了改善:在字典训练阶段,保持支集完备的情况下,对字典进行循环更新,使字典更好地适应数据;在稀疏编码阶段,选用上一轮更新的部分大系数作为新一轮迭代的初始系数,充分利用大系数表示有效信号的特点。对理论数据和实际含噪地震资料的处理结果表明,与传统算法相比,高精度字典学习算法在去噪的同时能保护有效信息,明显改善去噪精度,对地震记录信噪比的提高有显著优势。     

Radon域下的K-SVD字典的混采分离

基于地震反演来分离混采数据的方法,笔者提出用K次迭代奇异值分解(K-SVD)来更新Radon域下混叠信号中的字典原子的方法:在同步源采集和地震稀疏反演的背景下,将混合地震信号的分离视为稀疏反演问题,将共检波点域的数据表示在Radon域内,此时有效信号同相轴收敛;对数据阈值滤波后进行分块字典学习,进一步稀疏地表示地震数据;最后,固定字典,更新恢复信号和稀疏系数完成分离。模拟和实际资料处理结果表明:该方法对于混采数据的分离相对中值滤波、小波变换等更有效、分离质量明显提升,可应用于实际混叠数据中。     

基于LDPC矩阵采样方法的三维地震数据重构

按照以往的测量矩阵进行实际勘察无法较好地实现地震数据的重构,大多数矩阵设计复杂且元素多样,不符合实际标准。笔者将LDPC矩阵应用到地震勘探采样中,用较少的地震数据来重构完整的地震记录。采用K-SVD字典对数据进行稀疏变换,FISTA算法进行重构。对比以往的随机采样、离散均匀采样和jitter采样,LDPC矩阵更适合三维环境且恢复重构效果更好。对比重构数据的信噪比,三维模拟数据和实际数据都证实了LDPC矩阵信噪比值最高,重构出的数据效果最好。     

基于快速字典学习的压缩感知地震数据重建

地震数据的稀疏性是压缩感知地震数据重建的重要前提,其直接影响地震数据的重建精度,因此研究高效的地震数据稀疏表示方法具有重要意义.针对经典K-SVD算法稀疏编码时无法得到全局最优解,不能保证收敛从而影响重建精度的问题,这里提出快速字典学习算法稀疏表示地震数据的方法.快速字典学习将稀疏表示目标优化问题转换为两个可直接求解最...     

基于双重稀疏表示的地震资料随机噪声衰减方法

针对固定字典难以完全匹配实际资料复杂的形态特征,以及学习字典不具备快速算法、计算复杂等问题,文中选择双重稀疏字典来兼备结构性和自适应性,不仅降低了训练样本的数量,而且更适于高维信号的分析。该方法以过完备离散余弦变换(overcomplete discrete cosine transform,ODCT)作为训练基字典,将待处理资料的特征数据作为样本,利用稀疏K-SVD算法,建立了基于双重稀疏字典的地震随机噪声衰减模型。典型的合成及实际高维地震资料处理结果表明,本文方法不仅可以有效地对地震资料随机噪声进行衰减,而且能更好地保持断层等边缘结构。     

基于地震属性优化和机器学习的煤层厚度预测方法

煤层精准定位是无人采煤的关键技术,煤层厚度预测是煤田地震资料解释的重要研究内容之一。参考实际地层厚度及物性参数,构建含楔形煤层的正演模型,通过地震剖面正演和地震属性提取、优化,对比分析信噪比和多种回归方法对煤层厚度预测的影响。研究结果表明：部分地震属性与煤厚相关性较强,可以用于煤厚预测;地震属性间的信息冗余不可忽略,但基于主成分分析和多维标度的地震属性优化结果无本质区别;当信噪比较低(10 dB)时,随机森林回归算法的均方根误差最小(1.07),支持向量机回归算法的误差居中(1.15),多元线性回归算法的误差最大(1.84);当信噪比较高(25 dB)时,支持向量机回归算法的误差最小(0.05),随机森林回归算法的误差居中(0.11),多元线性回归算法的误差最大(0.20);输入数据信噪比对煤厚预测有明显影响,信噪比越高、预测效果越好。基于地震属性优化及支持向量机回归的煤厚预测方法,是实现薄煤层厚度高精度解释的一种有效途径。     

基于自适应K-SVD的能量泄漏恢复研究

针对现有常规去噪方法手段在参数选择及条件假设的不合理因素,导致去除的噪声剖面中残留部分有效信号(又称能量泄漏)的问题,本文提出了基于自适应K-SVD的能量泄漏恢复方法,实现残存有效信号的回收利用。首先采用小波阈值、f-x域去噪等传统方法处理,获得一个较高品质的样本进行字典的构造,再引入相关系数匹配准则对残差剖面进行稀疏分解,实现随机噪声与残留有效信号的二次分离。试验结果表明,本文算法能较好地兼顾地震信号的去噪与保幅,具有自适应性。     

小波域特征提取在浅层地震资料面波压制中的应用

浅层地震资料信噪比较低,面波能量非常强,对有效成分造成掩盖。常规的面波压制方法无法有效消除叠前地震记录中的面波成分,残余面波能量及其干扰会对后续速度拾取等处理造成影响,降低叠后成像质量。笔者采用小波域内的主成分分析对叠前资料进行特征提取,再对有效特征进行加权重构,对面波成分进行有效的压制。基于本文设计的自适应Morlet小波基,可提高特征拾取时对有效成分的敏感性,实际数据的应用效果分析验证了该方法在浅层地震资料处理中的可行性与有效性。本方法在极低信噪比条件下的浅层资料面波压制中具有较高的理论与应用价值。     

基于字典学习算法的地震资料去噪处理应用研究

针对地震资料的质量一直是制约数据处理解释结果的重要因素,而且随着新技术的开发,采集到的数据量也在不断加大,噪声的存在也不可避免,因此去噪成为了一大问题,这里应用压缩感知理论,分别以DCT与K-SVD学习字典为稀疏基对不同层位的模型数据进行测试,之后对某工区的实际地震剖面进行处理.结果表明:DCT字典去噪时会损害原地震信...     

基于主元分析法的浅地层小目标探测算法

在应用便携式探地雷达(GPR)进行浅地层中的小目标探测时,由于目标回波能量小,目标回波与直达波叠加,加上地表杂波及探测产生的杂波,大大降低了目标回波的信噪比,使在复杂的浅地层介质之中,难以对小目标进行准确探测。因此提出了基于主元分析(PCA)法的浅地层小目标探测算法,通过PCA分解,将当前雷达扫描数据映射到背景所在的投影方向上,建立检验函数并和自适应阈值比较,判断是否含有目标回波信息,结合动态背景更新即可实现浅地层中小目标的探测。用PCA法对在沙土、红土、黏土、草地试验的数据进行处理,结果表明PCA法能够探测出浅地层中的小目标。     

基于粒子群快速优化MP算法的多子波分解与重构

针对地震信号多子波分解与重构技术中匹配追踪算法能够根据地震信号自身特点进行自适应分解、但其计算量庞大的问题,笔者提出一种粒子群快速优化算法,用于快速搜索地震信号稀疏分解的最优匹配原子。即在迭代过程中,将搜索区域确定在高斯函数能量集中的部分,避免了搜索过程的"贪婪性",能有效降低稀疏分解复杂度。同时,在粒子群算法中引入了一种多项式变异算子,可以有效避免搜索最优解的过度集中。实验结果证明,此算法将匹配追踪的分解精度提高了67倍,更使计算效率提高了153倍。     

基于EMD算法的煤层透射槽波信号提纯

透射槽波勘探是井下地震勘探的主要方式之一,具有探测范围大、准确率高等优点。然而井下地震信号信噪比低,远偏移距槽波信号易被噪声所淹没而无法识别,为槽波的后续处理与解释带来困难。针对这一问题．采用EMD算法对原始信号进行分解,选取并增强分解结果中的有效信号,从而实现槽波信号的提纯。实际工程中的应用效果表明,经过提纯后的地震数据,具有较少的噪声成分和较为清晰的槽波波列。     

局部奇异值分解法压制随机干扰

对于低信噪比资料,压制随机噪声,增强有效信号是地震资料处理的首要任务。而传统的奇异值分解去噪算法,在有效信号横向相干性较强时,去噪效果明显,但当有效信号同相轴呈倾斜、弯曲或孤立状态时,其在压制随机噪声的同时,存在滤除部分有效信号的弊端,为此通过对不同时窗内的地震数据进行拉平、奇异值分解数据重构与反拉平等处理方法,对常规奇异值分解算法进行改进,以克服其对包含非水平连续信号资料去噪效果差的局限。理论数据和实际资料的去噪结果表明,改进后的算法去噪效果明显优于常规奇异值分解法,能在保证有效波不被滤除的前提下有效提高地震资料的信噪比。     

叠前线性干扰自动追踪SVD压制方法

在原始地震资料中,由于强线性干扰波的存在,导致地震剖面信噪比降低,严重制约了地质资料的解释研究工作。为了消除线性干扰波,提高资料信噪比,提出了利用自动追踪奇异值分解(SVD,singular value decomposition)方法,在叠前消除资料中的线性干扰波。该方法通过自动追踪倾斜线性干扰波,利用小窗口技术恢复线性干扰信号,并进行奇异值分解计算,使原始地震记录与线性干扰信号相减,便可得到反射波有效信号。结合实际资料应用的结果表明,该方法能有效地消除线性干扰信号,达到提高地震资料信噪比的目的。     

基于SVD和PCA方法重构干涉格林函数

地震干涉法(SI)是一种用来计算两个信号接收点之间格林函数(GF)的方法,它的基本假设是以其中一个接收点位置为虚拟源,可用来计算两点间震源传播的旅行时间。然而采用直接叠加的方法压制干扰信号,计算得到的干涉格林函数效果不佳,因而计算得到的旅行时间也不够精确。这里基于奇异值分解法(SVD)对叠加前的互相关矩阵进行分解及重构,可以有效压制两点间来自干扰源的信号,再利用主成分分析法(PCA)对固有几何拓扑结构降维特性提取主信号,计算得到新的干涉格林函数。数值模拟及实测数据处理结果表明:使用SVD和PCA综合处理方法,能有效提高干涉格林函数的准确性。     

自适应主分量提取算法及应用

介绍了神经网络中的自适应主分量提取（APEX）算法的实现步骤,并首次将它用在地震数据处理中.通过对地震记录进行正交分解和特征提取,可消除噪声.模型计算和实际资料处理结果表明了该方法的有效性.     

基于匹配小波包算法的地震信号去噪

地震资料的信噪比是影响地震资料质量的关键因素之一。目前的去噪方法中,在滤波的同时会损伤有效信号,因此提出基于匹配算法的去噪方法,利用和地震信号匹配的小波包对信号进行分解,用选出的波形代表有效信号达到去噪的效果。实验分析表明,利用匹配小波包算法能够很好地压制地震信号白噪声,提高信噪比。当噪声能量小于有效信号周期能量时,小波包算法去噪效果比小波收缩阈值法好,信噪比提高5 dB ±。     

形态分量分析在去除地震资料随机噪声中的应用

以数学形态学和稀疏信号理论为依据,采用形态分量分析(MCA)方法去除地震数据中的随机噪声。应用MCA方法的关键在于选取合适的字典,从地震数据的特点和计算复杂性出发,选取UWT字典和Curvelet字典,一个用来稀疏表示地震数据的局部奇异部分,一个用来稀疏表示地震数据的线状变化部分。采用BCR算法求解目标函数,通过将数据分解为形态特征不同的2个分量,舍弃在字典中不能有效稀疏表示的随机噪声来达到去噪目的。作为一种二维去噪方法,MCA去噪方法在时间和空间方向上都具有很强的随机噪声抑制能力;由于UWT字典和Curvelet字典能够比传统的小波变换有更强的稀疏表示能力,MCA去噪方法对有效信息的损害较小,是一种保真保幅的去噪方法。模型测试和实际资料处理验证了该方法的有效性。     

小波变换与地震资料谱白化

从地震记录的褶积模型出发，讨论了地震记录小波变换的物理意义。经深入分析发现，恰当地选择小波函数及尺度因子α，对地震记录作了小波变换，相当于对地震记录，作谱白化，其特点是运算速度快，参数易于选择，可使不同目的层的信噪比与分辨率达到最佳折衷，模型及实际算法结果，证明了该方法的有效性。