基于Bregman迭代的不同阈值模型地震数据重构方法分析

传统的地震数据采样必须严格遵循Nyquist采样定理,而野外实际数据的采集可能由于施工条件或者地表障碍物的限制,不一定能记录到完整的地震波场,所以地震资料处理中的数据重建是非常重要的问题.压缩感知理论最先来自信号处理领域,它所包括的问题类型有信号的稀疏表征和数学组合优化,它给地震数据重建这类问题指明了思考方向.而其中如何选择最优的迭代算法是数据重建中的关键问题.本文将地震数据插值问题归纳到约束最优化问题,选择能有效稀疏表征地震波场的傅里叶变换,对于压缩感知理论框架下的混合范数反问题,再用Bregman迭代方法去求解,在地震数据的重建过程中,传统的阈值参数收敛慢,为了降低迭代次数并且提高地震数据恢复的精度,总结出改进型指数衰减规律的阈值参数,选择用硬阈值算子来重建恢复地震数据．通过对理论模型和实际地震资料的处理结果表明该方法可以快速、有效的恢复地震波场的缺失数据．     

基于L_0范数的超高分辨率最小二乘叠前Kirchhoff深度偏移（英文）

最小二乘偏移通过最小化观测地震数据与地下反射率模型的反向传播数据残差来揭示地下介质的岩性和构造,相比常规成像方法具有更好的保幅性和空间分辨率。引人正则化约束项可以有效提高最小二乘偏移的稳定性。常用的正则化项基于二范数,其在提供稳定性的同时使偏移结果变得"光滑"。然而在勘探地球物理中,基于速度和密度的地下反射结构在深度方向一般为不连续存在,表现为较稀疏的反射率值。因此,本研究通过引人基于范数的稀疏约束正则化项,并应用基于迭代软阈值和迭代硬阈值混合算法进行求解,以获取超高分辨率稀疏的反射率值。我们使用复杂的数值模型进行测试,并研究其在不同子波主频和噪音强度下的适应性。结果显示,相比于基于范数和范数约束的正则化项,基于范数约束的最小二乘偏移可以有效提高反演结果的稀疏度,获得接近理论"脉冲"型的反射率轴;在不同子波主频和噪音强度下,均具有较高的稳定性和有效性。本方法也可以进一步用于地下结构的解释工作。     

混合范数下的最优化反演方法

在求解地球物理反问题时，通常根据最小二乘准则构造目标函数进行反演，并在实践中得到了广泛的应用.为进一步增强反演的稳健性及减少多解性，不损失反演结果的分辨率，本文提出了混合范数下的最优化反演方法，它根据数据和模型可能服从不同的概率分布，对数据空间和模型空间采用不同的范数来构造目标函数.在给出目标函数的基础上，导出了混合范数下的线性反演方程.由于该线性反演方程的复杂性，我们采用混合范数下迭代再加权共轭梯度法进行求解.最后，通过对模拟的电阻率数据进行反演，验证了本文计算方法是可行的.     

基于Bregman迭代的复杂地震波场稀疏域插值方法

在地震勘探中,野外施工条件等因素使观测系统很难记录到完整的地震波场,因此,资料处理中的地震数据插值是一个重要的问题。尤其在复杂构造条件下,缺失的叠前地震数据给后续高精度处理带来严重的影响。压缩感知理论源于解决图像采集问题,主要包含信号的稀疏表征以及数学组合优化问题的求解,它为地震数据插值问题的求解提供了有效的解决方案。在应用压缩感知求解复杂地震波场的插值问题中,如何最佳化表征复杂地震波场以及快速准确的迭代算法是该理论应用的关键问题。Seislet变换是一个特殊针对地震波场表征的稀疏多尺度变换,该方法能有效地压缩地震波同相轴。同时,Bregman迭代算法在以稀疏表征为核心的压缩感知理论中,是一种有效的求解算法,通过选取适当的阈值参数,能够开发地震波动力学预测理论、图像处理变换方法和压缩感知反演算法相结合的地震数据插值方法。本文将地震数据插值问题纳入约束最优化问题,选取能够有效压缩复杂地震波场的OC-seislet稀疏变换,应用Bregman迭代方法求解压缩感知理论框架下的混合范数反问题,提出了Bregman迭代方法中固定阈值选取的H曲线方法,实现地震波场的快速、准确重建。理论模型和实际数据的处理结果验证了基于H曲线准则的Bregman迭代稀疏域插值方法可以有效地恢复复杂波场的缺失信息。     

基于Bregman迭代的复杂地震波场稀疏域插值方法(英文)

在地震勘探中,野外施工条件等因素使观测系统很难记录到完整的地震波场,因此,资料处理中的地震数据插值是一个重要的问题。尤其在复杂构造条件下,缺失的叠前地震数据给后续高精度处理带来严重的影响。压缩感知理论源于解决图像采集问题,主要包含信号的稀疏表征以及数学组合优化问题的求解,它为地震数据插值问题的求解提供了有效的解决方案。在应用压缩感知求解复杂地震波场的插值问题中,如何最佳化表征复杂地震波场以及快速准确的迭代算法是该理论应用的关键问题。Seislet变换是一个特殊针对地震波场表征的稀疏多尺度变换,该方法能有效地压缩地震波同相轴。同时,Bregman迭代算法在以稀疏表征为核心的压缩感知理论中,是一种有效的求解算法,通过选取适当的阈值参数,能够开发地震波动力学预测理论、图像处理变换方法和压缩感知反演算法相结合的地震数据插值方法。本文将地震数据插值问题纳入约束最优化问题,选取能够有效压缩复杂地震波场的OC-seislet稀疏变换,应用Bregman迭代方法求解压缩感知理论框架下的混合范数反问题,提出了Bregman迭代方法中固定阈值选取的H曲线方法,实现地震波场的快速、准确重建。理论模型和实际数据的处理结果验证了基于H曲线准则的Bregman迭代稀疏域插值方法可以有效地恢复复杂波场的缺失信息。     

基于组合形态分量分析算法的含噪地震数据重构

本文研究了形态分量分析(MCA)算法含噪地震数据的重构问题.针对传统形态分量分析算法在含噪地震数据重构精度不足问题,提出组合方法以提高重构精度.给定随机缺失坏道地震数据,加入不同比率的高斯噪声,研究数据的重构效果.采用离散余弦、离散曲波和离散小波作为字典集合,对数据形态分量进行稀疏表达,并迭代优化各分量,以优化分量进行重构.分析不同随机缺失比率、不同信噪比模型仿真模拟结果.实际地震数据处理结果表明,组合MCA算法对随机缺失含噪地震数据具有较好的重构效果,并具有明显地随机噪声压制效果.     

基于波原子域的地震数据压缩感知重建

地震数据重建在地震数据处理中是非常关键的问题,针对传统地震数据重建方法受奈奎斯特采样定理的限制较大,重建数据易出现假频,以及变换基函数对于复杂地震波前信息的稀疏表示不够准确的问题,结合波原子对于简单纹理模型具有最优的稀疏表示能力,可以较好稀疏表示地震数据同相轴信息的特点,提出基于波原子域的地震数据压缩感知重建算法.首先,在波原子域建立地震数据压缩感知重建正则化模型,通过Landweber迭代算法,稀疏反演求解L1范数最小优化问题.其次,为克服波原子变换缺乏平移不变性,易在地震数据缺失道邻域产生伪吉布斯现象的缺点,数据重建过程中在检波器轴采用循环平移技术,对重建结果线性平均以抑制失真.最后,利用指数阈值收缩模型在迭代初期加速促进编码系数的稀疏程度,去除噪声,迭代接近结束时减缓阈值收缩,加强保留地震数据的细节信息与数据的主要特征.利用合成地震模型及实际数据,通过与现有算法对比实验,表明本文算法能有效提高重建地震数据SNR,并且可以更好的保持地震数据同向轴复杂区域的局部特征.理论及实验证明了以波原子域稀疏表示为基础,建立、求解地震数据压缩感知重建模型的合理性,以及结合循环平移技术、指数阈值收缩模型抑制重建数据中噪声的有效性.     

地震数据压缩重构的正则化与零范数稀疏最优化方法

地震数据重构问题是一个病态的反演问题. 本文基于地震数据在curvelet域的稀疏性, 将地震数据重构变为一个稀疏优化问题, 构造0范数的逼近函数作为目标函数, 提出了一种投影梯度求解算法. 本文还运用最近提出的分段随机采样方式进行采样, 该采样方式能够有效地控制采样间隔并且保持采样的随机性. 地震数值模拟表明, 基于0范数逼近的投影梯度法计算效率有明显的提高; 分段随机采样方式比随机欠采样有更加稳定的重构结果.     

三维大地电磁自适应L1范数正则化反演

常规三维大地电磁反演的正则项为L₂范数,它以电阻率空间分布函数处处光滑为模型期望,弱化了算法对电性突变界面的分辨能力.本文实现了正则项为L₁范数的三维大地电磁反演算法,让模型空间梯度向量更有机会取得稀疏解,在充分正则的迭代下能够有效突出模型真实电性界面.为避免L₁范数零点不可导带来的求解困难,使用迭代重加权最小二乘法把原问题转换为一系列L₂正则子问题迭代求解.每个子问题的极小方法使用改进型拟牛顿法,其下降方向既能保证正则项海塞矩阵的精确性,又能允许反演过程随迭代灵活更新正则因子.使用比值法或分段衰减法自适应更新正则因子以避免迭代早期陷入奇异解,从而提升反演收敛的稳定性并降低初始模型依赖度.合成的无噪数据反演表明L₁正则算法的模型恢复效果优于L₂正则;不同噪声水平的合成数据反演表明本文的算法具有稳健性;实测数据反演对比表明在合理的正则因子调整策略下,L₁正则反演结果的模型分辨率优于L₂正则.另外,不同初始模型的反演测试还表明,正则因子选取不合理时L₁正则可能造成方块状假异常.     

一种快速收敛的抗噪POCS地震数据重构方法（英文）

地震数据重构是地震数据处理的重要步骤之一,重构算法的精度、效率与抗噪性是地震数据重构技术的核心研究内容。研究针对傅里叶域凸集投影(POCS)算法,在定义的最优阈值评价标准基础上,提出了反比例阈值模型,该模型具有在大系数区间比指数模型更快下降速率、而在小系数区间比指数模型更慢下降速率,从而在保证弱反射信号重构精度的同时有效提高POCS地震数据重构算法计算效率。为提高反比例阈值对不同地震数据特点的适应性,在地震数据谱能量分布差异性特征分析基础上,研究提出了在反比例阈值模型分母上增加适应地震数据谱能量特征的因变参数,通过调节该因变参数获得适应不同地震数据特点的最佳阈值曲线,进一步提高算法的计算精度与计算效率。为了实现重构过程中随机噪音的自适应衰减,提高重构后地震数据信噪比,研究提出了数据驱动的加权回加系数计算策略,利用每次迭代对应数据驱动阈值占阈值区间的百分比获得加权回加系数。研究将新方法应用于模拟三维数据和实际三维地震数据,分析结果表明反比例阈值相对传统阈值在提高数据重构计算效率和精度方面具有明显的优越性,新提出的加权回加系数计算策略能有效提高重构数据的信噪比。     

基于频率-结构双重加权阈值的地震数据插值

地震数据的插值是地震数据处理的关键环节,插值效果的优劣关系到后续反演、去噪、反褶积、偏移等工作的进行.基于稀疏反演的常规频率-波数(FK)域插值方法往往使用广义阈值,而由于缺失地震数据仅沿波数方向呈稀疏态,在沿频率方向呈类子波频谱形态分布的非稀疏态,直接应用基于Lp范数的广义阈值会难以补全缺失数据的高低频信息,不利于后续依赖低频信息的反演及依赖高频的高分辨率处理工作的开展;基于该问题,本文设计沿频率方向类子波频谱形态变化的频率加权阈值,同时考虑完整地震数据在波数域的聚集分布,引入沿波数方向的结构加权阈值,提出基于频率-结构的双重加权阈值,在补全缺失地震道的同时,保证其高低频信息的有效恢复.模型和实际数据表明,相比于广义阈值,基于频率-结构的双重加权阈值可以减少插值误差,最大限度保证缺失地震道位置插值结果高低频信息的完整性.     

由面波快速稳健反演地震矩张量的经验方法

给出一种稳健反演方法(也称迭代加权最小二乘IRLS),该方法对分离数据点极不敏感,因为它可以自动剔除异常的数据点,不需要人工仔细检查和控制数据质量。为了使用Tarantola-Valette的迭代广义离散反演方法进行稳健反演,将基于残差和信噪比的不同判据引入到协方差矩阵(作用相当于权重函数)中。在实际应用中,这个算法的作用相当于震源机制初步测定(PDFM),后者在海啸预警中用于快速估计强震震源参数。要反演的输入数据是长周期面波的频谱,输出的计算结果为地震矩张量,根据这些张量获得地震的震源几何形状和主应力轴。这种算法可以应用于任何非线性(迭代)反演计算中,解决污染数据集的分离数据点的问题。     

基于约束Landweber迭代的重建算法

针对较少投影数据图像重建问题,在最小二乘优化的基础上,提出将未知误差引入不等式约束中,并针对其不适定性提出运用LandWeber迭代正则化技术进行迭代求解.数值实验表明相对以往各算法,此迭代算法更加稳定,并且在重建质量以及重建时间上都具有一定的优势.     

基于一种改进凸集投影方法的地震数据同时插值和去噪

基于稀疏反演的地震插值方法是一种重要的插值方法,然而大多数这类方法只针对无噪声数据或者高信噪比数据插值.实际上,地震数据含有各种噪声,使得插值问题变得更加困难.凸集投影方法是一种高效的插值算法,但是对于含噪声数据的插值效果不理想,针对含噪声数据提出的加权凸集投影方法能够实现同时插值和去噪,但是除了最小阈值需要认真选取外,增加一个权重因子来实现去噪功能.本文由迭代阈值算法推导出加权凸集投影方法,证明其是解无约束优化问题的一种方法,加权因子可以看作拟合误差项的系数.本文还提出了一种改进的凸集投影方法,与原始凸集投影方法相比该方法不需要增加任何计算量,只要通过阈值的选择来进行插值和去噪.数值模拟证明了该算法的计算效率,并且对含噪声数据能够实现较好的插值效果;先插值后去噪的结果证明了同时去噪和插值算法的可靠性和稳定性.     

反假频非均匀地震数据重建方法研究

研究基于Fourier变换的数据重建方法,既能进行非均匀采样数据重建,又可以去除空间假频. 将不规则采样数据重建问题归结为信息重建的地球物理反演问题,采用最小二乘方法从观测的稀疏或不规则数据反演模型空间完全信息. 在求解信息重建反演问题时,引入DFT 加权范数规则化策略,采用预条件共轭梯度法（PCG）求解,保证解的稳定性和收敛速度. 处理线性同相轴假频问题时,根据采样定理,引入线性预测方法,采用Yule Walker方程由带限信号的无假频低频功率谱预测高频功率谱,达到反假频目的. 本文研究了均匀采样数据内插,非均匀采样数据重建,非均匀分布高频信息重建等方面问题,数值试验取得较好效果.     

地震随机噪声压缩感知迭代压制方法

复杂地表和复杂介质条件下,随机噪声往往严重影响着复杂地震信号的信噪比,同时深层地球物理目标探查中弱地震信号总是被随机噪声所掩盖,如何有效地压制随机噪声干扰、恢复有效地震信号仍然是高精度地震勘探中的关键问题.压缩感知理论突破了奈奎斯特采样定理的限制,利用有效地震信号的可压缩性和稀疏性,提供了从不可压缩随机噪声中进行有效信号分离的数据原理.本文系统分析压缩感知框架下地震随机噪声压制的稀疏优化反问题,提出了基于迭代软阈值算法的"采集-重建-修复"方案对该问题进行求解.在实现高度稀疏表征的基础上进行地震数据的压缩感知随机观测,通过迭代反演对有效地震信号进行重构,有效提高复杂地震数据的信噪比,同时,当求解稀疏优化问题时,如果出现正则化项引起重构信号衰减现象,可以匹配除偏对衰减的有效信号进行修复.通过与工业标准 f-x预测滤波方法进行比较,理论模型和实际数据处理的结果表明,压缩感知迭代噪声压制方法对复杂地震数据中的随机噪声有较好的压制效果,可以有效恢复出被较强非平稳随机噪声干扰的时空变同相轴信息.     

基于代数重构算法的重力梯度张量反演

本文基于重力梯度张量密度反演基本理论,建立了模型约束正则化密度反演矩阵方程.分析了代数重构算法(ART)中迭代初始值、松弛因子和终止条件三个关键参数的影响;与最小二乘求逆法对应比较分析了算法的时间和精度.结果表明:在地震、地质等地球物理手段提供初值、边界等约束较多的情况下,ART可以克服方程的不适定进行直接求解,并且合理的松弛因子和终止条件可有效提高反演效率.当初始信息不足时,添加光滑假设、深度加权等模型约束,正则化方程可以提高反演结果的可靠性.ART的行迭代可有效避免观测误差的积累和矩阵求逆的计算,从而使计算精度和速度提高数倍.最后基于GOCE地球重力场模型所得重力梯度,以地震层析成像所得速度模型为约束,对华北克拉通密度结构进行了反演,并与该区已有密度研究结果进行了对比.结果表明:利用GOCE重力场系数计算重力梯度扰动,以速度模型为约束,基于代数重构算法进行重力梯度反演所得密度模型与重力-地震联合反演所得密度模型具有很好的对应性.ART算法为重力梯度张量反演中大规模复杂问题的快速计算提供了又一种有效手段.     

基于压缩感知的Curvelet域联合迭代地震数据重建

由于野外采集环境的限制,常常无法采集得到完整规则的野外地震数据,为了后续地震处理、解释工作的顺利进行,地震数据重建工作被广泛的研究.自压缩感知理论的提出,相继出现了基于该理论的多种迭代阈值方法,如CRSI方法（Curvelet Recovery by Sparsity-promoting Inversion method）、Bregman迭代阈值算法（the linearized Bregman method）等.CSRI方法利用地震波形在Curvelet的稀疏特性,通过一种基于最速下降的迭代算法在Curvelet变换域恢复出高信噪比地震数据,该迭代算法稳定,收敛,但其收敛速度慢.Bregman迭代阈值法与CRSI最大区别在于每次迭代时把上一次恢复结果中的阈值前所有能量都保留到本次恢复结果中,从而加快了收敛速度,但随着迭代的进行重构数据中噪声干扰越来越严重,导致最终恢复出的数据信噪比低.综合两种经典方法的优缺点,本文构造了一种新的联合迭代算法框架,在每次迭代中将CRSI和Bregman的恢复量加权并同时加回本次迭代结果中,从而加快了迭代初期的收敛速度,又避免了迭代后期噪声干扰的影响.合成数据和实际数据试算结果表明,我们提出的新方法不仅迭代快速收敛稳定,且能得到高信噪比的重建结果.     

地震数据Bregman整形迭代插值方法

人工地震方法由于受到野外观测系统和经济因素等的限制,采集的数据在空间方向总是不规则分布.但是,许多地震数据处理技术的应用（如：多次波衰减,偏移和时移地震）都基于空间规则分布条件下的地震数据体.因此,数据插值技术是地震数据处理流程中关键环节之一.失败的插值方法往往会引入虚假信息,给后续处理环节带来严重的影响.迭代插值方法是目前广泛应用的地震数据重建思路,但是常规的迭代插值方法往往很难保证插值精度,并且迭代收敛速度较慢,尤其存在随机噪声的情况下,插值地震道与原始地震道之间存在较大的信噪比差异.因此开发快速的、有效的迭代数据插值方法具有重要的工业价值.本文将地震数据插值归纳为数学基追踪问题,在压缩感知理论框架下,提出新的非线性Bregman整形迭代算法来求解约束最小化问题,同时在迭代过程中提出两种匹配的迭代控制准则,通过有效的稀疏变换对缺失数据进行重建.通过理论模型和实际数据测试本文方法,并且与常规迭代插值算法进行比较,结果表明Bregman整形迭代插值方法能够更加有效地恢复含有随机噪声的缺失地震信息.     

电离层三维层析成像的自适应联合迭代重构算法

在电离层层析成像过程中,联合迭代重构算法是一种常用的反演算法.然而,该算法迭代收敛较慢,反演结果精度不高.为此,本文发展了一种自适应的联合迭代重构算法,该算法利用上一轮的电离层电子密度反演结果,自适应地调整松弛因子和加权参数.通过模拟数据和实测数据对该算法的反演结果进行了验证,并将得到的反演结果与电离层测高仪数据进行了比较,结果表明,该算法能够有效地反演电离层电子密度,且反演结果精度优于常用的联合迭代重构算法.