基于数据驱动和反演策略的时空域随机噪声衰减方法（英文）

常规的时间-空间域和频率-空间域预测滤波方法假设地震记录由地震信号和随机噪声两部分构成,即所谓的加噪声模型,但是,在对随机噪声进行估算时,又假设随机噪声可以通过预测误差滤波器由地震记录中进行预测,即所谓的源噪声模型。这种前后不一致的噪声模型降低了该类方法的去噪能力和保幅性能。为此,本文提出了一种基于反演的时空域随机噪声衰减方法。它首先从地震数据中估算预测滤波算子,该算子表征了地震信号的可预测性,自适应地描述了地震信号的空间结构。在得到预测误差算子之后,将该算子作为正则化约束引入到地震信号反演系统,由含有随机噪声的地震数据直接反演地震信号。不同于常规随机噪声衰减方法,该方法将随机噪声衰减问题归结为正则化约束下的地震信号反演问题,克服了常规方法噪声模型的不一致性问题。我们采用模型数据和实际数据进行了实验分析,并与常规方法进行了效果对比。实验结果表明:与常规方法相比,本文方法在噪声压制的同时,没有对有效信号产生明显伤害,具有更好的振幅保持能力。     

应用地球物理（英文版）2009年第6卷第2期中文摘要

利用混合法构建三维数字岩心;弹性波正演模拟中改进的非分裂式PML实现方法;基于ARMA模型非因果空间预测滤波。     

一种优化预测滤波压制随机噪声的方法

针对低信噪比地震资料中的随机噪声干扰,提出了一种优化的预测滤波方法.通过对AR模型数学表达式进行改写,然后引入反褶积代价函数,最后推导得到压制随机噪声的递归算法.该算法实现了单道压制随机噪声,保护了有效信号的细节部分,比基于常规最小二乘代价函数的滤波算法收敛更快.通过模拟和实际地震资料验证表明,该方法能较好地压制低信噪比资料中的随机噪声干扰,同时能较好地保护有效地震信号.     

一种卫星重力梯度数据的ARMA最优滤波模型构建方法

由于卫星重力梯度观测的有色噪声特性和海量观测特征,在利用直接法进行重力场模型的最小二乘求解时,观测值的协方差阵为超大型的非对角阵,这给数值求解带来了极大困难.本文提出了一种基于先验误差功率谱密度的最优ARMA滤波模型构建方法,结合法方程的分块求解策略,可实现对卫星重力梯度观测值的高效滤波处理.数值仿真结果表明,利用最优ARMA滤波器进行时域滤波后,法方程的态性得到了明显改善,重力梯度观测值中的有色噪声得到了有效的"白化"处理,大地水准面精度得到了显著提升.     

一种ARMA模型地震子波提取方法研究

在地震子波因果、混合相位的假设下,本文突破突破滑动平均(MA)型假设的地震子波提取技术,提出一种阶数吝啬的自回归滑动平均(ARMA)模型对地震子波进行参数化准确建模的方法.针对地震子波ARMA模型定阶困难,超定阶容易造成计算量大、运算速度慢,欠定阶不能满足精确子波的要求,本文采用基于自相关函数的奇异值分解(SVD)法确定AR模型阶数,同时将信息量准则法与高阶累积量法相结合,提出了一种新的MA模型定阶法.数值仿真和实际地震数据处理结果表明,本文所用方法可以有效地压制加性高斯色噪声,信息量准则法可有效提高MA定阶的准确率,在保证子波精度的同时尽可能降低模型阶数,实现运算高效率.     

基于f-x域流式预测滤波器的地震随机噪声衰减方法

随机噪声的影响在地震勘探中是不可避免的,常规的随机噪声压制方法在处理中往往会破坏具有时空变化特征的非平稳有效地震信号,影响地震数据的准确成像.当前油气勘探的目标已经转变为“两宽一高”,随着数据量的增大,对去噪方法的处理效率也提出了更高的要求.因此,开发高效的非平稳地震数据随机噪声压制方法具有重要意义.预测滤波技术广泛用于地震随机噪声的衰减,本文基于流式处理框架提出一种新的f-x域流式预测滤波方法,通过在频率域建立预测自回归方程,运用直接复数矩阵逆运算代替迭代算法求解非平稳滤波器系数,实现时空变地震同相轴预测,提高自适应预测滤波的计算效率.通过与工业标准的FXDECON方法和f-x域正则化非平稳自回归(RNA)方法进行对比,理论模型和实际数据的测试结果表明,提出的f-x域流式预测滤波方法能更好地平衡时空变有效信号保护、随机噪声压制和高效计算三者之间的关系,获得合理的处理效果.     

压制空间非平稳地震勘探随机噪声的ROAD径向时频峰值滤波算法

径向时频峰值滤波算法是一种有效保持低信噪比地震勘探记录中反射同相轴的随机噪声压制方法,但该算法对空间非平稳地震勘探随机噪声压制效果不理想.本文研究空间非平稳地震勘探随机噪声,即各道噪声功率不同的地震勘探随机噪声,其在径向滤波轨线上表征近似脉冲噪声,在径向时频峰值滤波过程中干扰相邻道滤波结果.为了减小空间非平稳随机噪声的影响,本文提出一种基于绝对级差统计量(ROAD)的径向时频峰值滤波随机噪声压制方法.该方法首先根据径向轨线上信号的绝对级差统计量检测空间非平稳地震勘探随机噪声,然后结合局部时频峰值滤波和径向时频峰值滤波压制地震勘探记录中的随机噪声.将ROAD径向时频峰值滤波方法应用于合成记录和实际共炮点地震记录,结果表明ROAD径向时频峰值滤波方法可以压制空间非平稳地震勘探随机噪声且不损害有效信号,有效抑制随机噪声空间非平稳对滤波结果的影响.与径向时频峰值滤波相比,ROAD径向时频峰值滤波方法更适用于空间非平稳地震勘探随机噪声压制.     

基于AR模型模拟超高层建筑的脉动风速时程

风荷载是超高层建筑设计的主要荷载之一,而且通过风振时域分析可以更全面地了解超高层建筑风振响应特性,更直观地反映超高层建筑风致振动控制的有效性。因此,本文使用线性滤波法即白噪声滤波法(white noise filtration method,WNFM)中的自回归(auto-regressive,AR)模型模拟超高层建筑的风速时程。首先,考虑超高层建筑风速时程的时间和空间相关性,导出了四阶AR模型的参数表达式。接着,基于AR模型模拟了一幢高度为200 m超高层建筑的风速时程。最后,通过比较模拟风速功率谱、模拟自相关函数和互相关函数与目标风速功率谱、目标自相关函数和互相关函数的吻合程度,验证基于AR模型模拟超高层建筑风速时程的可行性。     

基于二维希尔伯特变换的地震倾角求取方法及其在构造导向滤波中的应用（英文）

在地震勘探数据采集中,随机噪声严重影响地震资料质量,给后期解释工作带来很大困难。如何在不损失剖面有效信息的前提下压制随机噪声,有效地提高地震资料的信噪比和保真度,是本文的研究目标。构造导向滤波技术的核心是构造方向表征的求取以及如何实现非平稳滤波,来达到提高地震数据信噪比和保真度的目的。本文首先通过分析函数二维导数与希尔伯特变换的频率响应关系,推导出了基于二维希尔伯特变换的非迭代地震同相轴倾角求取算子,进而达到了构造方向表征的求取;其次选取多项式拟合作为构造导向滤波中的非平稳滤波方法,扩展了非平稳多项式拟合的应用范围;最后沿构造倾角方向进行变振幅同相轴的非平稳多项式拟合,实现和构建了新的自适应构造导向滤波方法。理论模型和实际地震资料处理的结果表明,所提出的方法实现了既保护构造信息又有效地压制了随机噪声的目的。     

基于ARMA模型拟合分析方法的地磁监测数据研 究——以长春地磁台观测数据为例

ARMA模型也叫做自回归滑动平均模型,它是研究时间序列的重要方法,其中AR为自回归模型,MA为移动平均模型。长春地磁数据F分量的ARMA模型拟合分析是基于MATLAB平台,运用时间序列分析的研究方法,对2007—2018年长春地磁数据F分量进行ARMA模型拟合。按照不同ARMA模型相异的数据特性确定模型类别,判断其属于ARMA模型、AR模型或是MA模型。运用AIC准则法,找到使得AIC值最小的参数并确定为模型参数,最后对残差序列运用Q值检验法,根据检验结果判断模型的拟合优度。本文中的ARMA模型拟合方法是针对F分量的预处理分数据建立数学模型,运用一阶差分方法去除年变趋势,最终得出F分量变化幅度的近似拟合回归方程。通过ARMA模型拟合方程可初步预测F值增减幅度的变化趋势及极值范围,这将为地磁异常乃至其它地震异常定量分析和预测提供一种新思路,也将为地磁异常的判定核实及地震分析预报起到推动作用。     

Inversion-based data-driven time-space domain random noise attenuation method

Conventional time-space domain and frequency-space domain prediction filtering methods assume that seismic data consists of two parts, signal and random noise. That is, the so-called additive noise model. However, when estimating random noise, it is assumed that random noise can be predicted from the seismic data by convolving with a prediction error filter. That is, the source-noise model. Model inconsistencies, before and after denoising, compromise the noise attenuation and signal-preservation performances of prediction filtering methods. Therefore, this study presents an inversion-based time-space domain random noise attenuation method to overcome the model inconsistencies. In this method, a prediction error filter (PEF), is first estimated from seismic data; the filter characterizes the predictability of the seismic data and adaptively describes the seismic data’s space structure. After calculating PEF, it can be applied as a regularized constraint in the inversion process for seismic signal from noisy data. Unlike conventional random noise attenuation methods, the proposed method solves a seismic data inversion problem using regularization constraint; this overcomes the model inconsistency of the prediction filtering method. The proposed method was tested on both synthetic and real seismic data, and results from the prediction filtering method and the proposed method are compared. The testing demonstrated that the proposed method suppresses noise effectively and provides better signal-preservation performance.     

Robust f‐x projection filtering for simultaneous random and erratic seismic noise attenuation

Linear prediction filters are an effective tool for reducing random noise from seismic records. Unfortunately, the ability of prediction filters to enhance seismic records deteriorates when the data are contaminated by erratic noise. Erratic noise in this article designates non‐Gaussian noise that consists of large isolated events with known or unknown distribution. We propose a robust f‐x projection filtering scheme for simultaneous erratic noise and Gaussian random noise attenuation. Instead of adopting the ?₂‐norm, as commonly used in the conventional design of f‐x filters, we utilize the hybrid ‐norm to penalize the energy of the additive noise. The estimation of the prediction error filter and the additive noise sequence are performed in an alternating fashion. First, the additive noise sequence is fixed, and the prediction error filter is estimated via the least‐squares solution of a system of linear equations. Then, the prediction error filter is fixed, and the additive noise sequence is estimated through a cost function containing a hybrid ‐norm that prevents erratic noise to influence the final solution. In other words, we proposed and designed a robust M‐estimate of a special autoregressive moving‐average model in the f‐x domain. Synthetic and field data examples are used to evaluate the performance of the proposed algorithm.     

基于混合时频分析技术的地震数据噪声压制(英文)

针对复杂地质结构、陡倾角相干噪声、空间采样不均匀等情况下F-x域反褶积去噪技术的不足,提出首先应用具有时-频聚集性度量准则的广义S变换将时间-空间域的地震数据变换至时间-频率-空间域(t-f-x)的数据,在t-f-x域中对每一个频率切片应用经验模态分解(EMD),移除噪声占主导地位的本征模态函数以压制相干和随机噪声的滤波方法。模型分析表明第一本征模态函数表征的高频信息以噪声为主,移除第一本证模态函数可以达到压制噪声的目的。经广义S变换后形成t-f-x域中EMD滤波方法等效于具有依赖于空间位置、频率、高波数截断特征的自适应f-k滤波。此滤波方法考虑了数据的局部时-频特征,且具有执行简单的特点。与AR预测滤波方法比较,此法滤除的成分包含较少的低波数的信息,滤除的成分非常的局部化,且获得结果没有表现出过度平滑的特征。实际资料的应用表明在经广义S变换后形成t-f-x域中运用EMD滤波方法能够有效地压制随机和陡倾角相干噪声。     

Applications of Savitzky-Golay Filter for Seismic Random Noise Reduction

This article utilizes Savitzky–Golay (SG) filter to eliminate seismic random noise. This is a novel method for seismic random noise reduction in which SG filter adopts piecewise weighted polynomial via leastsquares estimation. Therefore, effective smoothing is achieved in extracting the original signal from noise environment while retaining the shape of the signal as close as possible to the original one. Although there are lots of classical methods such as Wiener filtering and wavelet denoising applied to eliminate seismic random noise, the SG filter outperforms them in approximating the true signal. SG filter will obtain a good tradeoff in waveform smoothing and valid signal preservation under suitable conditions. These are the appropriate window size and the polynomial degree. Through examples from synthetic seismic signals and field seismic data, we demonstrate the good performance of SG filter by comparing it with the Wiener filtering and wavelet denoising methods.     

基于核函数主分量的维纳滤波方法研究

针对强随机噪声地震资料背景下经典维纳滤波方法在信号的保幅及高维数据空间求解过程中产生病态矩阵的问题,提出利用核函数主分量维纳滤波压制强地震勘探随机噪声.首先利用线性核函数将地震信号映射到特征空间,再通过主分量分析方法提取地震数据主分量进行数据降维,并得到核主分量维纳滤波因子,从而进行核主分量维纳滤波（K-WPC）.正演仿真及对实际地震资料处理表明,该方法对随机噪声有较好的压制作用,保幅效果也令人满意.     

低信噪比地震资料FDOC-seislet变换阈值消噪方法研究

地震数据本质上是时变的,不仅有效同相轴表现出确定性信号的时变特征,而且复杂地表和构造条件以及深部探测环境总是引入时变的非平稳随机噪声.标准的频率-空间域预测滤波只适合压制平面波信号假设下的平稳随机噪声,而处理非平稳地震随机噪声时,需要将数据体分割为小窗口进行分析,但效果不够理想,而传统非预测类随机噪声压制方法往往适应性不高,因此开发能够保护地震信号时变特征的随机噪声压制方法具有重要的工业价值.压缩感知是近年出现的一个新的采样理论,通过开发信号的稀疏特性,已经在地震数据处理中的数据插值以及噪声压制中得到了应用.本文系统地分析了压缩感知理论框架下的地震随机噪声压制问题,建立了阈值消噪的数学反演目标函数;针对时变有效信息具有的可压缩性,利用有限差分算法求解炮检距连续方程,构建有限差分炮检距连续预测算子(FDOC),在seislet变换框架下,提出一种新的快速稀疏变换域———FDOC-seislet变换,实现地震数据的高度稀疏表征;结合非平稳随机噪声不可压缩的特征,提出了一种整形迭代消噪方法,该方法是一种广义的迭代收缩阈值(IST)算法,在无法计算稀疏变换伴随算子的条件下,仍然能够对强噪声环境中的时变有效信息进行有效恢复.通过对模型数据和实际数据的处理,验证了FDOC-seislet稀疏变换域随机噪声迭代压制方法能够在保护复杂构造地震波信息的前提下,有效地衰减原始数据中的强振幅随机噪声干扰.     

基于Hessian矩阵的地震随机噪声压制方法

随机噪声的压制在提高地震资料信噪比方面发挥重要作用.考虑到传统去噪方法在构造复杂地区难以取得理想的去噪结果,本文提出基于Hessian矩阵特征值对应的线性目标关系在多个尺度上对随机噪声进行压制.该方法将地震信号看作不同尺度的曲线,从而利用Hessian矩阵在曲线检测方面表现出的良好性能实现信噪分离.该方法与传统方法相比不受地层倾角的限制,因此能够处理构造较为复杂地区的地震数据.利用模型及实际资料对该方法进行了验证并与传统方法F-X反褶积的去噪结果做对比,结果表明基于Hessian矩阵的随机噪声压制方法在构造复杂地区能够保持有效信号的完整性.