Matching Pursuits方法综述

Matching Pursuits(匹配逼近)算法是在一个确定的函数集合中自适应地选择一些函数来表示一个信号的计算过程,函数集合中的每个函数都称为原子.多样化的信号特征决定了可以精确刻画信号特征的原子的类型,而重复迭代逼近的贪婪算法又确定了运算效率是MP算法的存在和发展的问题核心.本文围绕MP算法中原子库的生成,原子参数的搜索索引方式和迭代逼近过程中的快速算法等方面,阐述了MP算法发展变化过程.     

地震信号稀疏分解的快速方法

稀疏化方法由于能够实现地震信号的高精度分解,已经成为重要的地震信号处理技术.目前地震信号稀疏分解常采用的方法是匹配追踪算法(Matching Pursuit,MP),但所得结果不够稀疏.针对此局限,提出了一种基于重复加权提升搜索算法(Repeated Weighted Boostmg Search,RWBS)的快速分解方法.首先,根据地震信号的频谱图缩小频率搜索范围;然后,将搜索算法RWBS与正交匹配追踪(Orthogonal Matching Pursuit,OMP)方法相结合,就得到一种快速的稀疏分解方法,将本文的方法应用到人工合成和实际的地震数据处理中,并与MP和OMP追踪算法作比较,说明采用本文方法进行地震信号分解在稀疏度和分解速度方面都有提高,仿真实验结果表明,与MP和OMP分解算法相比,在满足相同的分解精度条件下,RWBS算法不仅大大提高了分解的稀疏度,而且提高分解速度.与OMP算法相比较.基于RWBS的新方法分解所需的时间减少了约87%;与MP算法相比较,新方法分解所需的时间减少约50%.     

基于结构化匹配追踪的地震资料去噪技术研究

地震数据往往受噪声干扰,影响有效反射波的识别,因此提高地震资料信噪比在数据处理中尤为重要,我国在此方面研究已经取得进展.结构化匹配追踪算法是一种采用原子字典分组式及树状结构搜索的全局结构化算法,具有运算效率高、速度快的特点.本文在分析结构化匹配追踪算法的基础上提出基于该算法的地震资料去噪技术,根据反射波信号与噪声信号的频段差异,对分解得到的时频原子设置阈值频段,去除含噪成分,从而达到去噪目的.与常规去噪技术相比,该技术精准、快速地分解地震反射波信号与噪声信号,最大限度地减小对地震反射波信号的损害.     

基于正交时频原子的地震信号快速匹配追踪

匹配追踪能够根据地震信号自身的特点进行自适应分解,但因计算量巨大使其不能被广泛应用.本文提出了一种正交时频原子快速匹配追踪方法,该方法在迭代分解过程中,充分利用地震信号的局部性特征作为先验信息点,在先验信息点附近采用动态搜索策略寻找最佳匹配时频原子,同时对时频原子进行正交变换,消除了时频原子库中的冗余分量,最终将信号分解为一系列正交时频原子的线性叠加.测试结果表明,该方法不仅保持了匹配追踪的分解精度,而且使计算效率有了质的提高.     

基于分块字典学习理论的地震数据去噪

随着油气勘探观测环境愈发复杂,采集的地震数据常常掺杂各种噪声信号,导致勘探目标引起的有效微弱信号被覆盖,严重影响高精度的地震勘探数据解译,因而有效的压制地震勘探数据噪声显得越发重要。本文采用字典学习策略,将复杂地震数据进行分块,通过分块数据的字典学习获取字典原子,构建高精度的字典学习地震数据稀疏表示,通过两次迭代更新字典原子,进行数据去噪。将本文的字典学习算法应用于含随机噪声的模拟数据和实测地震勘探数据处理,验证该算法的可行性及有效性。结果表明,本文算法有效去除了随机噪声,保留了有效信号同相轴,提高了信噪比,可为复杂含噪地震数据的去噪处理提供新的技术手段。      

改进的高精度匹配追踪方法研究及应用

本文在常规算法的基础上,提出了一种改进的匹配追踪方法.该方法通过引入新的完备库构建策略,并以雷克子波作为原子,利用原始地震数据最大相关性估计完备库的原子的位置和能量,使得分解精度进一步提高,极大地提高了算法的适应性;为避免原子间隔过小问题,引进了最小原子间距,使得分解效率和分解质量进一步提高.模型试算和实际资料应用表明,本文算法不仅提高了信号稀疏表示的质量,加快了收敛速度,而且算法的适应性和分解精度也得到提高;该方法能够较好地挖掘地震有效信息,提高地震解释精度.     

基于压缩感知的加权MCA地震数据重构方法

地震数据规则化重构是地震资料处理十分重要的基础性工作.压缩感知理论打破了香农采样定理的制约,利用信号在某个变换域的稀疏特性重构出完整的信号,在地震数据重构领域得到了很好的应用.深反射地震剖面大都布置在地质构造比较复杂的区段,复杂的地质构造使深反射地震剖面上的波阻特征复杂,采用单一稀疏变换不能最有效地表征数据的内部结构特征.MCA(形态成分分析)方法将信号分解为几种形态特征区别明显的分量来逼近数据的内部复杂结构,但是对各成分简单的叠加仍然无法有效地描述复杂构造数据的各种特征.结合两种方法的优点,本文提出了一种新的基于压缩感知的重构算法框架,在MCA方法的基础上对各稀疏字典进行加权,在迭代中不断更新各个稀疏字典的权值系数,对信号内部的各种特征进行最优描述,从而实现对信号的高质量重构.模型测试和实际资料处理结果表明:基于压缩感知的加权MCA方法不仅可以对地质构造复杂的地震数据进行高效的插值重建,而且可以很好的消除空间假频.     

局域波分解及其在地震信号时频分析中的应用

讨论非平稳、非线性局域波信号分解方法的物理意义和自适应性，数值实现三种局域波分解算法，研究局域波分解在地震信号时频分析中的应用方法和实践.通过Hilbert变换得到地震信号时频分布特征，与Fourier变换谱物理意义不同.采用一定的计算策略，改善瞬时频率计算精度，突出瞬时频率属性的物理意义；将局域波分解同Wigner分布结合，计算地震信号基于局域波分解的Wigner分布，抑制交叉项.模型和实际地震数据试算结果表明实现算法的正确性和有效性.研究表明：在地震信号时频分析中采用局域波分解求Hilbert谱具有自适应性，时域和频域的分辨率也较高；而基于局域波分解的地震信号Wigner分布，保留Wigner分布优良特性，抑制交叉项方法简单易实现；局域波分解方法适合处理地震信号，值得进一步研究和推广.     

基于匹配追踪分解和tau-p域拾取的快速高斯束偏移方法

交互式的速度分析是复杂构造探区速度模型建立的一种有效方法,为了使不同的速度模型在短时间内得到检测和标定,本文基于匹配追踪分解算法和tau-p域同相轴拾取技术,发展了一种快速叠前深度域高斯束偏移方法.根据tau-p域地震同相轴的振幅特征,本文采用匹配追踪算法对地震记录进行时间和空间上地稀疏分解,并将分解的时频原子应用于高斯束偏移,以达到压缩地震数据和提高偏移速率的目的.模型试算和实际资料处理结果表明:本文方法不仅能够对地下复杂构造和高陡反射面清晰成像,而且可使叠前地震数据压缩近数十倍,使深度域偏移的计算效率提高一个数量级以上.     

基于超完备字典学习的缺失地震数据重构方法

地震勘探目标区域环境的复杂多变性导致采集的地震数据存在不完整或者不规则等问题,针对这一问题,本文在压缩感知相关理论的支撑下,提出了基于超完备字典学习的缺失地震数据重构方法.首先利用K-SVD字典学习技术对地震样本数据进行训练,建立超完备字典对地震数据进行稀疏表示,然后引入高斯随机采样矩阵作为测量矩阵对地震数据进行采样;在数据重构阶段采用分段正交匹配追踪算法实现缺失地震数据的重构.通过与传统的地震数据重构方法对比,本文算法的重构效果在峰值信噪比、信噪比等指标上均优于对比算法,证明了超完备字典学习方法能更好的根据地震数据特征进行稀疏表示,从而获得较好的重构效果.     

Time-frequency decomposition of seismic signals via quantum swarm evolutionary matching pursuit

Matching pursuit belongs to the category of spectral decomposition approaches that use a pre-defined discrete wavelet dictionary in order to decompose a signal adaptively. Although disengaged from windowing issues, matching point demands high computational costs as extraction of all local structure of signal requires a large size dictionary. Thus in order to find the best match wavelet, it is required to search the whole space. To reduce the computational cost of greedy matching pursuit, two artificial intelligence methods, (1) quantum inspired evolutionary algorithm and (2) particle swarm optimization, are introduced for two successive steps: (a) initial estimation and (b) optimization of wavelet parameters. We call this algorithm quantum swarm evolutionary matching pursuit. Quantum swarm evolutionary matching pursuit starts with a small colony of population at which each individual, is potentially a transformed form of a time-frequency atom. To attain maximum pursuit of the potential candidate wavelets with the residual, the colony members are adjusted in an evolutionary way. In addition, the quantum computing concepts such as quantum bit, quantum gate, and superposition of states are introduced into the method. The algorithm parameters such as social and cognitive learning factors, population size and global migration period are optimized using seismic signals. In applying matching pursuit to geophysical data, typically complex trace attributes are used for initial estimation of wavelet parameters, however, in this study it was shown that using complex trace attributes are sensitive to noisy data and would have lower rate of convergence. The algorithm performance over noisy signals, using non-orthogonal dictionaries are investigated and compared with other methods such as orthogonal matching pursuit. The results illustrate that quantum swarm evolutionary matching pursuit has the least sensitivity to noise and higher rate of convergence. Finally, the algorithm is applied to both modelled seismograms and real data for detection of low frequency anomalies to validate the findings.     

High‐definition frequency decomposition

Spectral decomposition is a widely used technique in analysis and interpretation of seismic data. According to the uncertainty principle, there exists a lower bound for the joint time–frequency resolution of seismic signals. The highest temporal resolution is achieved by a matching pursuit approach which uses waveforms from a dictionary of functions (atoms). This method, in its pure mathematical form can result in atoms whose shape and phase have no relation to the seismic trace. The high‐definition frequency decomposition algorithm presented in this paper interleaves iterations of atom matching and optimization. It divides the seismic trace into independent sections delineated by envelope troughs, and simultaneously matches atoms to all peaks. Co‐optimization of overlapping atoms ensures that the effects of interference between them are minimized. Finally, a second atom matching and optimization phase is performed in order to minimize the difference between the original and the reconstructed trace. The fully reconstructed traces can be used as inputs for a frequency‐based reconstruction and red–green–blue colour blending. Comparison with the results of the original matching pursuit frequency decomposition illustrates that high‐definition frequency decomposition based colour blends provide a very high temporal resolution, even in the low‐energy parts of the seismic data, enabling a precise analysis of geometrical variations of geological features.     

稀疏时频分解方法的研究与运用（英文）

Gabor变换和S变换是常用的时频分析工具。根据测不准原理,它们的时频分解结果无法在时间域和频率域同时具有很高的分辨率。为了提高非平稳信号时频分解结果的分辨率,本文提出瞬时频率分布函数（IFDF）并利用它表达非平稳信号。当非平稳信号时频成分的分布满足测不准原理对信号可分辨的要求时,瞬时频率分布函数的支集和短时Fourier变换的小波脊支集是同一个集合。利用IFDF的该特征,本文提出一种迭代算法（Sparse-STFT）实现了信号的稀疏时频分解。该算法在每次迭代过程中利用残留信号的短时Fourier变换结果的脊支集更新信号的时频成分,每次迭代得到的时频成分的叠加结果即为最终的稀疏时频分解结果。文中的数值实验证明了Sparse-STFT可以有效地提高非平稳信号时频分解结果的分辨率。最后,本文将该方法应用于地震数据面波的压制中,取得了理想的处理结果。     

基于递归高通滤波的经验模态分解及其在地震信号分析中的应用

将地震信号分解成包含频谱互不重叠的单主周期的分量有利于地震信号的分析.分析了经验模态分解(EMD)中模态混叠的内在原因和已有的解决方法,梳理了解决模态混叠的思路框架,进而提出了一种新的基于输入递归高通滤波的EMD算法.首先用递归高通滤波器将信号预分解成频率由高到低的多个分量,实现信号的等价带通滤波,再用EMD对各带通分量按频率高低逐级递归筛分,获得完备的经验模态分量.通过合成信号和地震信号的仿真实验表明,该算法较好地克服了模态混叠,获得了频谱互不重叠的单主周期分量,并成功用于震相分离和分析,为地震信号分析提供了一种新思路.     

基于物理小波的频谱分解方法及应用研究

在地震资料频谱分解中,采用匹配地震子波的物理小波,依据地震信号的特征,用振幅、能量衰减率、能量延迟时间及地震子波的中心频率等四类参数构造基本小波,把地震信号分解在小波域,高频分量能够得到精细的刻画.本文以物理小波变换为工具, 给出了该变换中的核函数的选择方法,进而提出了基于物理小波变换的频谱成像方法.我们将此方法用于海上某油田河流相储层的描述,并与常规软件中的小波变换频谱成像结果进行了对比, 结果表明,本文提出的方法更能精细地刻画地质事件.     

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.     

MCZT在气枪震源信号频谱分析中的应用

气枪震源信号是短时非平稳信号,采用频谱细化算法能提高频谱分析的准确性。首先进行了改进线性调频Z变换(MCZT)和FFT两种频谱分析算法的误差仿真计算,然后进行气枪震源的水下子波信号和地震波信号的对比计算。结果表明MCZT计算误差较小、计算时间较少,能有效提高气枪震源信号频率和幅度特征提取的准确性,是气枪震源信号频谱特征分析的一个有效方法。