基于神经网络的地磁观测数据重构研究

在距离数据缺失台站一定范围内选取参考台作为输入,构建非线性BP神经网络并进行地磁观测数据重构研究.数据仿真结果显示,重构数据和原始记录数据吻合程度较高,重构残差较小,磁静日重构平均残差仅为0.11 nT,磁扰日平均重构残差为0.23 nT.重点对磁场活动最剧烈时段内的数据进行了短时重构,平均残差由0.4 nT降低到0.2 nT,重构效果得到较大改进.计算了原始数据与重构数据的功率谱密度,除部分高频信号外,二者变化特征基本相同,相关性高达1.0.从时域和频域验证了BP神经网络在地磁相对记录数据重构上的有效性,并将其运用于实际缺失数据重构,取得较好效果.     

基于XGBoost机器学习的地磁日变重构方法研究

为了重构或恢复存在严重干扰或数据缺失的台站观测数据,本文基于周边已有台站的高质量观测数据采用XGBoost机器学习方法重构地磁日变数据.仿真试验结果显示,无论是磁静日还是磁扰日,地磁场分量的绝对残差均值均低于0.1 nT.试验统计数据及重构结果残差曲线的对比分析表明,地磁日变重构精度与地磁活动性和待重构信号的时变剧烈程...     

地磁观测数据重构技术研究

基于地磁相对记录数据在1 000 km范围内有较高的相关性,本文以缺失数据台站的邻近台站作为参考台站,通过关系拟合及加权对缺失数据进行了重构.数据仿真结果表明:重构数据与原始数据的变化形态极为一致,磁静日平均重构残差仅为0.11 nT,磁扰日平均重构残差为0.23 nT;重构数据与原始数据的功率谱密度变化特征基本相同,相关性高达1.0.此外,从时域和频域上验证了空间加权法在地磁相对记录数据重构上的有效性,将其应用于实际缺失数据重构中也取得了较好的效果.      

基于卷积神经网络的智能化地震数据插值技术

地震数据通常存在数据缺失问题,严重影响地震数据各个处理环节,需采用适当的手段对其重构.本文提出了一种基于深度学习卷积神经网络(CNN)的智能化地震数据插值技术.算法的关键在于构建一个适用于地震资料插值的CNN模型,该技术以缺失地震数据作为输入层,由卷积算法提取地震数据的特征信息,并通过池化层实现数据压缩降维,同时引入修正线性函数(ReLU)提高模型的非线性表达能力,再通过反卷积层恢复数据尺寸,最终搭建卷积自编码器模型(CAE),实现数据-数据的映射关系.该模型通过残差学习获得缺失数据特征并实现重构数据输出,与现有技术相比,该方法采用自监督学习方式,利用大量数据训练卷积自编码器模型,通过所得模型实现缺失地震道的数据重构.分别利用CAE模型及POCS插值技术对模型资料和实际数据进行插值,测试结果表明,CAE能有效实现地震数据插值,且与POCS方法相比具有更高的精度,验证了算法的可行性和有效性.     

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.     

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.     

基于深度卷积神经网络的地震数据随机噪声压制

本文以提高地震数据的成像质量为目标,提出一种智能的卷积神经网络降噪框架,从带有噪声的地震数据中自适应地学习地震信号。为了加速网络训练和避免训练时出现梯度消失现象,我们在网络中加入残差学习和批标准化的方法,并采用了ReLU激活函数和Adam优化算法优化网络。此外,Marmousi和F3数据集被用来对网络进行训练和测试,经过充分训练的网络不仅能在学习中保留地震数据特征,而且能去除随机噪声。首先充分地训练网络,从中提取出随机噪声,并保留学习到的地震数据特征,之后通过重建地震数据估算测试集中的波形特征。合成记录和实际数据的处理结果显示了深度卷积神经网络在随机噪声压制任务中的潜力,并通过实验验证表明了深度卷积神经网络框架有很好的去噪效果。      

基于正则化条件的地震数据局部信噪比估计方法

信噪比是衡量地震数据质量的重要指标之一,在地震数据处理和解释中有着重要的作用.目前已有的地震数据信噪比估计方法往往得到的是整个数据的全局信噪比,这种方法只能说明地震数据总体质量的好坏,无法直观细致地刻画地震信号的局部质量.本文提出一种基于正则化条件的局部信噪比估计方法.该方法的基本原理是使用正则化共轭梯度法求解局部信噪比最优解,正则化算子的参数将控制地震信号各点数据局部信噪比的平滑性.其中应用一种基于"过滤波"的级联信号估计方法来计算有效信号,该方法利用有效信号和噪声的相关性特征计算局部信噪比中的有效信号.局部信噪比估计方法利用了信号中每个数据点及其邻域各点的局部信息,避免了使用单个数据点而可能出现的信噪比不合理值,而且局部处理能够减少全局噪声对信噪比估算的影响,该方法可以更准确地表征地震资料信噪分布特征.另外,局部信噪比对去噪方法的评估也具有重要意义.理论模型测试和实际资料处理结果表明,局部信噪比估计方法能够准确反映任一给定地震信号剖面的局部信噪比特征,为非平稳地震数据质量评估提供了直观的评判标准.     

基于被动源多窗谱方法的主动源地震低频数据重构（英文）

被动源地震数据包含丰富的低频信息,本文有效地提取并利用这些信息对缺失低频的主动源地震数据进行低频重构,提出了基于多正弦窗的被动源多窗谱重构方法,并给出了相应的多震源多道重构公式。与常规互相关法和常规反褶积法重构的被动源记录相比,该方法能重构出更为准确的相对振幅信息。通过分析被动源数据重构前后的频谱特性,发现被动源的低频特性在重构和去噪处理后能更明显的体现出来。并提出了一种用被动源数据重构主动源低频信息的方法,即在功率谱上进行匹配,并在频域进行补偿和平滑。最后进行了数值算例的验证,对低频重构后的数据进行了叠前深度偏移处理。能量匹配方法能够用被动源的低频信息有效地重构主动源缺失的低频信息,低频重构后的记录在偏移成像中能体现更多的细节信息和深部构造。     

探地雷达在LNAPL污染土壤探测中的应用进展研究

轻非水相液体(LNAPL)的不当使用、渗漏及不当处置等会造成严重的土壤和地下水污染,威胁环境和公共卫生安全.探地雷达(GPR)作为一项重要的浅表地球物理观测技术已在LNAPL污染土壤探测中发挥重要作用.本文对近年来国内外学者利用GPR探测LNAPL污染土壤方面的理论和应用研究进行梳理,结合实例主要从以下几个方面开展评述.这些方面包括LNAPL污染土壤电性特征、基于GPR探测的LNAPL污染土壤建模、GPR信号响应、GPR的测量方式等.这些理论与应用研究为如何从场地的地质和水文背景中提取与污染有关的GPR信号做出了指导与成功的示范.现场和实验室的大量的研究工作表明,所有成功的案例都不可能倚赖单一的手段或方法.直接(例如,钻孔)和间接(例如,GPR)调查结合,多手段、多方法的有效配合,才有可能最大程度的减小探测结果的非唯一性,达到全面准确了解污染场地的目的.     

基于多尺度注意残差网络的地震波形分类研究

选用2010年2月—2016年12月发生在北京顺义及河北三河等首都圈邻近区域的117个地震事件(包括54个天然地震事件和63个非天然地震事件——爆炸事件)作为研究对象,利用文章所提出的多尺度注意残差网络对其中的天然地震事件和爆炸事件波形进行二分类。首先,对原始地震波形进行简单预处理并截取成相同长度的地震时序数据,直接将其作为网络模型的输入;其次,选用含有残差模块的深度神经网络作为基础网络,利用深度神经网络对特征的自动提取能力,省略了传统波形分类需要提前提取时域波形的特征作为分类算法输入的步骤;然后,融合通道注意力机制(ECA)并对其进行改进,将空间维度的信息融入通道信息,优化了网络对关键信息的关注,更好地聚焦重要特征;最后,使用空间金字塔池化代替最大池化进行多尺度特征融合,得到更多的特征信息,构成多尺度注意残差网络。实验结果表明,最高分类准确率为97.11%,平均分类准确率为96.53%,证明了多尺度注意残差网络在地震波形分类任务中的有效性,为震源类型识别工作提供了一种新的方法。     

基于精确震源函数的解调包络多尺度全波形反演

本文提出解调包络方法来重构地震记录中缺失的低频信号,同时该方法能够降低全波形反演的非线性程度;提出伴随状态震源函数反演方法来得到精确的震源函数,并推导了梯度计算公式;解调包络方法结合低通滤波技术,实现了从低频到高频的多尺度反演策略,有效缓解了全波形反演的周波跳跃问题.数值算例证明了解调包络、伴随状态震源函数反演方法和低通滤波多尺度反演策略的可行性及优越性.震源函数反演精度测试结果表明:即使观测记录在缺失低频信息的情况下,也能反演得到精确的震源函数.缺失低频测试和抗噪能力测试结果表明:即使地震数据中缺失9Hz以下的低频信号或者信噪比极低的情况下,利用反演得到的精确震源函数进行解调包络多尺度全波形反演,同样可以得到高精度的全波形反演结果.与Hilbert包络全波形反演对比结果表明:解调包络在重构低频和降低伴随震源主频方面具有一定优势.     

应用平滑先验信息方法移除GRACE数据中相关误差

由于GRACE卫星数据解算的时变重力场模型中高阶位系数存在误差,这些误差在重力异常图中表现为南北向的条带噪声,在应用GRACE时变重力场数据时必须进行滤波.本文在空间域引入了一种有效消除GRACE时变重力场条带噪声的平滑先验信息方法,并将其与目前常用的高斯滤波和去相关误差等滤波方法分别应用于合成的质量变化趋势数字模型,检测不同滤波方法消除条带噪声的能力及其对真实信号的影响.滤波结果显示,与目前常用的高斯滤波和去相关误差滤波器相比,本文滤波方法在有效移除条带噪声的同时,具有有效信号幅度衰减小、有效信号形变小以及保存了更多的短波长细节信息等优势;此外,统计结果显示,本文滤波结果在信号最大值、最小值以及残差均方根等方面均与模拟真实信号最为接近.相比300km高斯平滑和组合滤波结果,有效信号振幅的极小值和极大值分别提高了约18%和6%,残差均方根分别降低了25%和33%.说明本文滤波方法移除GRACE相关误差的同时,在保留有效信号方面具有明显的优势.     

水位动态周期性干扰的小波方法分析研究

1 小波分解与重构 对任意信号,离散小波变换是将信号分为低频部分和高频过程.近似主要是系统的低频成分,细节是高频成分.本研究中,对水位数据出现周期性变化的数据进行小波分解和重构,得到剔除干扰后的曲线,并对重构后的水位数据进行再次分解,得到其噪声特征信息.     

基于深度卷积自编码网络地震数据去噪方法

在采集得到地震数据中,随机噪声常常与有效信号混合在一起,并且毫无规律,使用常规去噪方法不能够达到理想的效果,影响后续的地震数据处理工作.为有效压制地震数据中的随机噪声,本文根据深度学习的相关理论,提出了一种基于深度卷积自编码网络的数据驱动的去噪方法,可以解决随机噪声难以去除的问题.在卷积自编码器的基础之上,网络使用了较多的层数并加入跳跃连接构造,从而增加了网络的深度,能够提取并结合数据中深层与浅层特征,增强对随机噪声的处理能力,更好地恢复有效信号的细节.经过实验证明该方法对于不同水平的随机噪声的压制均有优异的表现,在去噪的效果上远超中值滤波、小波变换等传统去噪方法,同时也比经典的DnCNN网络更加优秀,能够完整地保留有效信号,极大提升地震数据的质量.     

基于深度信念网络的多采样点岩性识别

岩性识别是储层预测中的一个重要环节.一方面,传统的机器学习算法缺少特征自动提取的过程,且不能有效利用地震数据局部特征预测储层;另一方面,采用单一采样点作为输入,缺失相邻数据关联关系反映层位信息.针对此不足,本文以多个相邻采样点的地震数据作为输入和测井岩性数据作为输出,利用受限玻尔兹曼机(RBM)对多采样点地震数据进行特征提取,逐层堆叠受限玻尔兹曼机(RBM)构建深度信念网络(DBN),并采用随机梯度下降算法对误差进行反向传递学习,最终构建岩性识别模型.以多点地震数据为输入,利用该模型实现地层岩性识别.通过多种智能建模方法实验对比,证实了多个采样点作为输入,隐含利用了部分地层信息,有效地提高了岩性识别的精度.     

小波理论在探地雷达信号处理中的应用

探地雷达(ground penetrating radar—GPR)系统已成为浅层地下探测的有效手段并在地质勘探、城市建设、水文勘测、环境工程、考古等领域发挥着重要作用．信号处理质量是雷达技术能否成功运用的关键．本文对近年来探地雷达信号处理方面的文献进行了综合,对探地雷达技术中常用的数据处理技术作了阐述,重点分析了小波理论在探雷达信号处理中的应用,最后就小波变换理论在探地雷达中的应用前景提出了一些展望．     

GPR探测中管线异常自动提取与识别

在目前的探地雷达管线探测中,埋藏管线产生的双曲线特征是专业人员用来推断和解释目标的主要依据,但双曲线特征尚不能精准界定管线目标的属性材料.为了进一步对管线反射双曲线区域特征的解释分析,本文首先对经过预处理的GPR数据,运用图像处理手段对感兴趣的管线回波双曲线异常区域进行自动圈定,定位管线位置.然后综合分析管线信号时频谱特征和瞬时相位特征这些具有区分力的多参数特征,判定管线属性材料,完成对管线的提取与识别.最后,将该方法运用于模拟数据与实测数据之中,实现了管线的自动提取与参数特征分类识别,为GPR数据解释提供了指导意义.     

小波变换在地电场数据分析中的应用

随着城镇化发展的加快, 上海的地电场观测受到来自周围环境噪声的影响日益严重, 这些噪声干扰对于地震前兆异常的分析判断带来很多不确定性. 本文主要探讨通过小波变换方法来分解地电场观测原始信号, 分析环境噪声对原始观测数据的影响强度. 利用异常信号的小波模值对比分析了滤波结果, 并通过绘制极化方位图检验了该方法在实际运用中的效果. 结果表明: 数字滤波方法能很好地去除日常干扰所带来的背景噪声, 对于重构的地电场信号, 也能较好地反映其原始信号变化特征; 滤波后的自然电场异常信号保留了原始信号中主要的变化特征, 并能反映其原始变化规律; 重构的地电场信号能够突出信号中异常信号极化方位角, 使极化方位收敛有利于实际运用.      

基于EWT和Meyer自适应阈值的微震降噪

露天矿采场边坡的微震信号具有振幅弱、噪声多、信噪比低的特征,基于经验小波变换(EWT)及Meyer自适应阈值提出分频降噪方法.首先,针对微震信号的频谱特征,设计一种频谱分割策略,将信号和噪声分解为不同的模态;其次,分析模态的频谱和能量,采用Meyer阈值函数自适应降噪,提高有效信号振幅;最后,借助阈值函数处理包含较少有用信号的模态,重构微震信号以保持其连续性,结果表明,降噪后微震信号信噪比(SNR)高、有效信息多,噪声少;通过多种方法对比,并用信噪比与均方根误差(RMSE)对本次降噪效果进行评价,本文方法较好的保留了微震信号有效信息,降噪效果显著.