CEEMD高分辨率时频分析方法研究与应用

希尔伯特黄变换(HHT)利用经验模态分解将地震信号分解为一系列平稳信号,并通过地震复数道构建瞬时振幅、瞬时相位、瞬时频率,从而更具有物理意义.CEEMD方法是一种新的EMD分解方法,解决了常规EMD方法中的"模态混叠"现象,基于CEEMD的时频分析方法能够为储层提供更加精细的刻画能力.模型数据和实际数据的处理结果表明,基于CEEMD的HHT方法,在时频谱方面比常规时频分析方法具有更高的分辨率,对储层的描述能力更为精确.     

CEEMD与小波变换联合去噪方法研究

作为经验模态分解(EMD)的改进型算法,完备总体经验模态分解(CEEMD)不但有效解决了EMD的模态混叠问题,同时也保留了EMD处理非平稳信号的优势,如自适应性、二进滤波特性等.CEEMD能自适应地将一个复杂信号分解为一系列本征模态函数(IMF)分量,且IMF分量满足从高频到低频系列分布,随机噪声往往分布在第一个或前几个高频IMF分量.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CEEMD直接舍弃高频IMF分量去噪容易造成高频有效信息损失以及小波阈值去噪方法存在的不足,本文提出了一种基于CEEMD的小波阈值去噪方法.该方法首先引入自相关曲线判别出含噪较多的高频IMF分量,然后对CEEMD直接去噪要舍弃的这些含噪高频分量进行小波阈值降噪,以保留这些分量中的高频有效信息,最后与不含噪声的其他IMF分量一起重构原信号.模型和实际地震数据试算结果表明,该方法在显著提高地震数据信噪比的同时,能有效地保留原信号中的高频有效成分和弱信号信息,是一种相对保幅的有效去噪方法.     

基于自相关函数特性的CEEMD全局阈值去噪方法研究

完备总体经验模态分解(CEEMD)克服了经验模态分解(EMD)的模态混叠问题,依据信号自身的特点,将待分析的复杂信号分解为一系列不同尺度的固有模态函数(IMF)的子信号,且各IMF分量的频率由高到低依次排列,是一种适用于分析处理非线性非平稳信号的强大的信号分析技术.地震资料中的随机噪声一般属于高频率的信号,在CEEMD中往往分布在前几个高频IMF分量,本文针对基于CEEMD的分频去噪和基于CEEMD的小波阈值去噪等方法的不足,在前人基于EMD阈值去噪的基础上设计了自相关函数统计特性与CEEMD全局阈值联合去噪方法.该方法先对CEEMD分解的若干个模态分量进行自相关,寻找到噪声主导模态和信号主导模态,然后利用设计的全局阈值对噪声主导模态进行去噪,最后将处理后和未处理的固有模态函数进行重构,得到最终的去噪结果.模型试算和实际地震资料处理都验证了此方法在提高信噪比,保留原信号高频有效成分和弱信号信息上的有效性.     

基于压缩感知的小波阈值和CEEMD联合去噪方法

中深层地质条件复杂,地震资料品质差,主要表现为:地震资料信噪比低、有效信号弱.如何在去噪的同时有效保留弱有效信号,获取高信噪比的地震数据成为地震数据处理的关键问题.传统小波阈值与互补集合经验模态分解(CEEMD)联合去噪方法相比单一方法可以获取更高品质的地震数据.基于压缩感知理论的去噪方法利用地震数据在变换域中的稀疏特性,通过设定稀疏基矩阵和测量矩阵,可以将地震数据去噪问题转化成求解最优化问题,通过最优解重构原始信号,实现对地震资料的去噪处理.该方法能够在有效衰减随机噪声的同时最大限度的保留有效信号.本文基于压缩感知理论开展小波阈值去噪方法研究,并在此基础上结合CEEMD方法对含噪较多的固有模态分量进行有针对性的随机噪声压制.通过对含噪数据开展不同方法的去噪结果对比可见,本文方法可以在保证高信噪比的基础上更为有效的保留弱有效信号,数值试算验证了该方法对弱有效信号地震数据去噪具有显著优势.     

基于CEEMDAN和SWT的地震信号随机噪声压制

完备集合经验模态分解(CEEMD)通过添加正负成对辅助噪声可较好的解决集合经验模态分解(EEMD)中信号被噪声污染的问题,但CEEMD方法分解后的单个本征模态函数(IMF)分量中仍存在部分随机噪声信息.通过转变辅助噪声形式和分解流程提出自适应噪声完备集合经验模态分解(CEEMDAN)方法,该方法在较少集总次数和筛选迭代次数的情况下,即可实现优良的信噪分离功能,大大缩减处理耗时,具备分解精度高、具有完备性的特征.同时,针对传统经验模态分解(EMD)类方法去噪时直接舍弃第1～2阶高频IMF分量,导致其内高波数有效能量损失的问题,通过计算相邻IMF分量互信息熵获取高频噪声和低频有效信号的最优能量分界,对分界点前的各阶IMF分量进行同步压缩小波变换(SWT)处理,分离有效高频信息,最后与低频IMF分量重构达到噪声压制的目的.合成及实际地震资料处理结果表明,本文联合多步骤地震随机噪声压制策略具有较好的去噪效果和能量保持能力,在运算耗时指标上优于传统的EMD噪声辅助类方法.     

基于折线包络的经验模态分解方法

提出了一种基于折线包络的经验模态分解方法.以一个具有明确解析表达式的信号验证了该方法所得结果的意义,并讨论了该方法分解E1 Centro波所得固有模态分量(IMF)的波形与频谱特征.     

希尔伯特-黄变换地震信号时频分析与属性提取

地震信号属于非线性和非平稳信号,传统的分析方法主要包括短时傅立叶变换、小波变换和Cohen类时频分布等等;希尔伯特-黄变换是分析非平稳信号的新方法,该方法的关键部分是信号的经验模态分解,通过经验模态分解,复杂的信号可以分解为有限的数量很少的几个固有模态函数,从而可以得到信号的希尔伯特时频谱;将该方法应用于单个的地震道数据,可以对地震道进行经验模态分解并得到希尔伯特谱,应用于地震剖面,可以得到意义更加明确的瞬时频率和瞬时振幅等地震属性,模型试算和实际应用表明了该方法的有效性.     

F-X域复数经验模态分解去噪方法（英文）

F-X域经验模态分解去噪方法在处理非稳态地震数据时存在两个局限,一是单纯剔除第一个固有模态分量将导致有效信号缺失及去噪能力偏弱问题,二是分解复信号时对实部和虚部分别分解存在分解数目不一致的风险。本文对上述两个方面进行了改进,提出了一种新的F-X域投影法复数经验模态分解预测滤波方法,首先采用基于空间投影的复数经验模态分解将F-X域地震数据直接分解为不同的复固有模态分量,然后再对这些分量分别进行F-X域预测滤波。合成记录及实际资料测试表明,本文的新方法能更好地衰减随机噪声,更有效地保持地震信号。     

基于深度残差网络与MVMD的多通道地磁信号处理

地磁数据在地震预报、空间天气监测、矿产资源勘查、地球深部构造探索等领域具有重要价值.但现有的地磁台站观测数据受到人文噪声污染的问题日益严重,给地球内部高精度成像带来了极大困难.为此,我们将深度残差网络(residual network, ResNet)与多元变分模态分解(multivariate variational mode decomposition, MVMD)引入到地磁信号的处理,提出一种新颖的多通道地磁信号处理方法.首先,利用深度残差网络对大量人工标记的数据集进行训练,得到基于残差网络的地磁信噪识别模型;然后,利用训练好的模型识别出观测信号中的含噪片段;之后,利用MVMD对含噪片段进行多通道的信噪分离,得到去噪后的片段;最后,用去噪后的片段代替原始观测信号中的含噪片段,得到完整的高质量信号.为验证方法的有效性,我们设计了仿真实验,结果表明所提方法可以将观测信号的信噪比提高约15 dB,相对于变分模态分解(variational mode decomposition, VMD)、互补集合经验模态分解(complementary ensemble empirical mode ...     

基于EMD,EEMD与CEEMD的信号 时频分析技术对比研究

时频分析方法在各个领域中广泛应用起来,特别是在工程领域中对结构和构件的变形以及内部损伤检测应用较多。HHT作为一种新兴的非线性,非平稳时频分析技术在探测和勘探领域中具有广阔的前景。文中重点对EMD,EEMD和CEEMD算法进行分析,通过对合成信号进行傅里叶变换和希尔伯特-黄变换,得到信号的频谱图,希尔伯特黄谱,边际谱等数据。通过对比分析,总结了三种方法的优缺点。结果表明,EMD,EEMD和CEEMD方法是进行非线性非平稳信号分析的有效工具。      

基于经验模态分解及独立成分分析的微震信号降噪方法

针对微震信号具有高噪声、突变快、随机性强等特点,基于经验模态分解(EMD)及独立成分分析(ICA)提出一种微震信号降噪方法.首先,对含噪信号进行EMD分解,获得一系列按频率从高到低的内蕴模态函数(IMF),利用原信号与各IMF之间的互相关系数辨识出噪声与信号的分界,将分界之上的高频噪声滤除;其次,为有效去除分界IMF中的模态混叠噪声,基于ICA算法对分界IMF进行盲源分离,提取其中的微震有效信号,并将其与剩余的IMF累加重构,从而得到降噪后的微震信号;最后,利用快速傅里叶变换(FFT)时频谱对比分析降噪前后的信号特征,定性说明本文方法的有效性;引入信噪比和降噪后信号占原信号的能量百分比两个参数,定量说明本文方法能充分保留微震信号的瞬态非平稳特征,降噪效果明显.     

Spectral Decomposition Using the CEEMD Method: a Case Study from the Carpathian Foredeep

The purpose of this work is to select the optimal spectral decomposition (SD) method for channel detection in the Miocene strata of the Carpathian Fordeep, SE Poland. For analysis, two spectral decomposition algorithms were tested on 3D seismic data: the first, based on Fast Fourier Transform (FFT), and second, on Complete Ensemble Empirical Mode Decomposition (CEEMD). Additionally the results of instantaneous frequency (IF) were compared with the results of peak frequency (PF) computed after the CEEMD. Both algorithms of SD enabled us to interpret channels, but the results are marginally different, i.e. the FFT shows more coarse, linear structures, that are desirable for channel interpretation, whereas the CEEMD does not highlight these structures as clearly and shows more, what the authors believe to be, noise.     

自适应VMD的地震资料高分辨率处理方法研究

随着勘探开发的不断深入,常规地震资料受分辨率的限制难以满足精细勘探开发的需求.由于地震信号不同频率成分的衰减程度不同,故可结合分频技术对各频率成分进行差异化补偿,进而提高地震资料分辨率.而常规分频技术普遍分频精度不高,存在模态混叠现象,不能较好地适用于地震资料处理.针对上述问题,本文提出基于自适应变分模态分解(VMD)...     

经验模态分解法在地震资料处理中的应用试验

通过对多种连续小波基的平稳序列时频分析,提出经验模态的非平稳序列的时频分析方法,并在地震资料处理解释应用中作探索性试验.试验结果表明：对地震记录道长为5 s和2 ms采样资料,经验模态分解后可获得6-7个固有模态函数单分量,分解的第一个分量C1（t）具有较宽的频率成分,可作为地震属性的主分量.     

Data‐driven time–frequency analysis of seismic data using non‐stationary Prony method

Empirical mode decomposition aims to decompose the input signal into a small number of components named intrinsic mode functions with slowly varying amplitudes and frequencies. In spite of its simplicity and usefulness, however, empirical mode decomposition lacks solid mathematical foundation. In this paper, we describe a method to extract the intrinsic mode functions of the input signal using non‐stationary Prony method. The proposed method captures the philosophy of the empirical mode decomposition but uses a different method to compute the intrinsic mode functions. Having the intrinsic mode functions obtained, we then compute the spectrum of the input signal using Hilbert transform. Synthetic and field data validate that the proposed method can correctly compute the spectrum of the input signal and could be used in seismic data analysis to facilitate interpretation.     

基于VMD的随掘地震超前探测信号谱白化方法研究

随掘地震超前探测震源具有连续、非可控的特点,需要使用互相关技术将连续震源记录转换为等效脉冲震源记录以获取有效反射信号。但随掘地震超前探测信号往往包含一些能量较强且频带较窄的优势频率成分,使得互相关处理会引入较严重的干扰。为此,本文提出将基于变分模态分解（VMD）的希尔伯特谱白化方法应用于随掘地震超前探测信号。该方法首先利用VMD将地震信号分解为若干个本征模态函数（IMF）,再对各IMF应用希尔伯特变换进行时频分解,最后使用白化滤波器对其希尔伯特谱进行谱白化。数值模拟结果表明基于VMD的希尔伯特谱白化方法能够在保持各道信号一致性的同时均衡信号的不同频率成分,有效压制互相关结果中的虚假同相轴,加快主峰旁瓣衰减。将本文方法应用于安徽淮北杨庄煤矿某巷道实际数据,成功探测了掌子面前方存在的断层构造,表明该方法具有较好的实用性。      

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.     

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。     

固体潮时频分析新方法

对传统时频分析方法的特点和局限性作了介绍。采用Huang．Hilbert Transformation方法分析了固体潮数据，即利用经验模态分解，将复杂信号分解成有限个本征模态函数之和，求取三维时频空间的Hilbert谱。仿真实验和重力固体潮实例分析表明，该方法适用于调频调幅信号特征的提取。     

Identification of blasting vibration and coal-rock fracturing microseismic signals

Α new method based on variational mode decomposition (VMD) is proposed to distinguish between coal-rock fracturing and blasting vibration microseismic signals. First, the signals are decomposed to obtain the variational mode components, which are ranked by frequency in descending order. Second, each mode component is extracted to form the eigenvector of the energy of the original signal and calculate the center of gravity coefficient of the energy distribution plane. Finally, the coal-rock fracturing and blasting vibration signals are classified using a decision tree stump. Experimental results suggest that VMD can effectively separate the signal components into coal-rock fracturing and blasting vibration signals based on frequency. The contrast in the energy distribution center coefficient after the dimension reduction of the energy distribution eigenvector accurately identifies the two types of microseismic signals. The method is verified by comparing it to EMD and wavelet packet decomposition.