基于希尔伯特-黄变换的汶川地震记录分析

利用HHT方法对6个台站的汶川8.0级地震加速度记录进行EMD分解,进而对地震波输入结构的总能量进行分解,得到地震动能量在IMF分量之间的分布关系。同时通过对各分量边际能量谱的分析,可以从另一方面得到地震波的频谱特性,边际能量谱峰值频率与地震波傅立叶谱的卓越频率相同,边际能量谱也可以作为一种估算震动卓越周期的方法。     

基于EMD的IMF时域统计特征提取及其应用于震动事件源类型识别研究

文章对地震波形进行经验模态分解(EMD),对分解后的内模函数(IMF)进行时域特征提取,由所提取的特征对天然地震和人工爆炸2类事件源类型进行分类识别,结果表明,由IMF所提取的时域特征具有良好的区分识别能力.采用经验模态分解将原波形信号分解为7个内模函数和残差函数,对原波形、每个内模函数和残差函数分别提取26个时域统计...     

基于改进经验模态分解的地震弱信号增强处理方法

针对地震反射信号经验模态(EMD)分解过程中出现的混叠及分解重建失真等问题,本文提出一种改进的EMD分解方法.首先对地震信号进行小波转换,对转换分解得到的信号高频部分进行噪声压制处理,然后将转换后的结果再进行EMD分解;针对频带宽度、振幅大小变换,提出了地震信号EMD分解的分段控制停止准则,根据主频带宽,确定相应的时窗长度,并采用各个时窗段部分叠置衔接的方法,最后对每段结果再利用单调函数停止准则进行变换,该方法有效避免了计算结果的时窗效应.通过实际资料处理对比分析,改进的EMD分解方法较以往常规EMD分解方法,在分解结果的可靠性、分解精度及非线性弱信号时频分析能力等方面都具有显著的改善,为提高薄层地质体识别能力提供了有力的技术手段.     

基于自适应噪声完全集合经验模态分解算法和Hurst指数的地震数据去噪方法

在地震观测中,地震数据中普遍包含有噪声信号。由于噪声信号的干扰,地震分析的效率会受到不同程度的影响。传统的去噪方法通常需要噪声的先验知识,并且滤波时会造成部分有效信号丢失。针对这一问题,本文提出一种将自适应噪声完全集合经验模态分解（CEEMDAN）算法与Hurst指数相结合的地震数据去噪方法。首先通过CEEMDAN方法将信号分解为一系列本征模函数（IMF）,然后利用Hurst指数对滤波后的IMF分量进行识别,最后对地震数据IMF分量进行重构,从而实现数据去噪。与传统方法的去噪效果对比表明,本文方法可将低信噪比波形的去噪效果提高32%,将高信噪比波形的去噪效果提高6倍。同时对地磁数据的去噪结果表明,本文方法能够较完整地将地铁噪声从地磁信号波形中滤除。     

改进HHT算法在地震动特性分析中的应用研究

本文首次提出了HFBG-EMD的HHT改进算法,将滑动平均3次B样条求均值方法与改进的滤波终止条件相结合,大大减小了传统的EMD分解滤波次数,并提高了HHT的原有精度。对用该方法求出的各阶IMF函数进行瞬时频率变换后发现,它对减小各阶IMF瞬时频率的带宽和提高地震动主频特性的作用比较显著。此外,本文还采用了先在原始地震信号中加入高频正弦谐波再进行分解的方法,有效消除了传统方法中一直难以克服的IMF模态混叠及瞬时频率畸变现象。     

基于经验模态分解的分数维地震随机噪声衰减方法

经验模态分解算法(EMD)是一种基于有效波和噪声尺度差异进行波场分离的随机噪声压制方法,但由于实际地震数据波场复杂,导致模态混叠较严重,仅凭该方法进行去噪很难达到理想效果.本文基于EMD算法对信号多尺度的分解特性,结合Hausdorff维数约束条件,提出一种用于地震随机噪声衰减的新方法.首先对地震数据进行EMD自适应分解,得到一系列具有不同尺度的、分形自相似性的固有模态分量(IMF);在此基础上,基于有效信号和随机噪声的Hausdorff维数差异,识别混有随机噪声的IMF分量,对该分量进行相关的阈值滤波处理,从而实现有效信号和随机噪声的有效分离.文中从仿真信号试验出发,到模型地震数据和实际地震数据的测试处理,同时与传统的EMD处理结果相对比.结果表明,本文方法对地震随机噪声的衰减有更佳的压制效果.     

基于改进长短时窗比值及优化变分模态分解的微震初至拾取算法

针对低信噪比条件下微震初至拾取准确度低的问题,基于信号幅度变化引入权重因子,对传统长短时窗比值（STA/LTA）算法进行改进,提高初次拾取精度。为了进一步降低拾取误差,对变分模态分解（VMD）算法进行优化,基于互相关系数和排列熵准则自适应确定VMD分解层数,对初次拾取结果前后2—3 s的记录进行优化VMD,并计算分解后各本征模函数（IMF）的峰度赤池信息准则值,得到各IMF的到时,以各IMF的拾取结果及能量比综合加权得到二次拾取到时。仿真实验表明:改进后的STA/LTA在较低信噪比下可降低初次拾取误差约0.01 s以上;相比经验模态分解（EMD)和小波包分解,自适应VMD分解后能再次降低误差,最终与人工拾取结果平均误差在0.023 s以内。实际微震信号初至拾取结果表明,本算法能快速有效地识别初至P波,与人工拾取结果相比误差小,准确率高。      

基于EMD方法与RBF神经网络的结构损伤检测

针对结构损伤检测中损伤的识别、定位以及程度的标定这三个独立并按一定先后顺序进行的检测过程,提出了一种能将以上三者同时进行的联合检测方法。该方法首先利用经验模态分解(EMD)方法将三层钢筋混凝土剪切型结构在各种损伤工况下的顶层地震作用加速度响应分解为若干固有模态函数(IMF)分量,然后以此IMF分量和未经EMD分解的原始加速度响应数据来构造损伤标识量,作为特征参数依次输入到径向基函数神经网络(RBFNN)中进行损伤检测。给出了应用此方法的具体步骤,通过仿真实验证明了利用该方法进行结构损伤一次检测的可行性和有效性,结果表明,由加速度响应经EMD分解而得到的IMF分量输入到RBFNN中能够更为精确地一次检测出结构所有损伤信息,并且RBFNN在结构损伤损度大时具有更好的检测效果。     

过渡内蕴模态函数对经验模态分解去噪结果的影响研究及改进算法

经验模态分解(Empirical Mode Decomposition, EMD)是一种具有较大应用潜力的去噪算法.目前,该算法存在的一个较大问题是过渡内蕴模态函数(Intrinsic Mode Function, IMF)中混叠噪声不能有效处理.过渡内蕴模态函数中混叠噪声不易剔除,限制了该算法的应用.本文针对此问题,通过研究过渡IMF的特点,首次提出一种有效去除过渡IMF中混叠噪声的方法.该方法首先对原信号进行一次EMD处理,得到包含过渡IMF的初步去噪结果,并将其与合适的余弦信号结合,改变其包络分布,然后对其结果再次进行EMD处理,仿真实验表明该方法在保留有效信号的同时,可以有效的去除过渡IMF中混叠的噪声,并将该方法用于实际地震资料随机噪声压制,处理效果令人满意.     

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.     

A comparative study on hydrocarbon detection using three EMD-based time–frequency analysis methods

Due to strong heterogeneity of marine carbonate reservoir, seismic signals become more complex, thus, it is very difficult for hydrocarbon detection. In hydrocarbon reservoir, there usually exist some changes in seismic wave energy and frequency. In their instantaneous spectrums there often exist such phenomena that show the characteristics of attenuation of high frequency energy and enhancement of low-frequency energy. The three EMD-based time-frequency analysis methods' instantaneous spectra all have certain oil and gas detection capability. In this paper, we introduced the Normalized Hilbert Transform (NHT) and a new method named the HU method for hydrocarbon detection. The model results in the Jingbian Gas Field which is located in the eastern Ordos Basin, China, show that NHT and HU methods can be adopted. They also detect the gas-bearing reservoir efficiently as the HHT method does. The three EMD-based methods, that is, the Hilbert–Huang transformation (HHT) and NHT and HU methods, were respectively applied to analyze the seismic data from the Jingbian Gas Field. Firstly, the seismic signals were decomposed into a finite number of intrinsic mode functions (IMFs) by empirical mode decomposition (EMD) method. The second IMF signal (IMF2) of the original seismic section better indicates the distribution of the reservoir. Information on hydrocarbon-bearing reservoir is mainly in IMF2. Secondly, the HHT, NHT and HU methods were respectively used to obtain different frequency division sections from IMF2. Hydrocarbon detection was realized from the energy distribution of the different frequency division sections with these three EMD-based methods. The practical application results show that the three EMD-based methods can all be employed to hydrocarbon detection. Frequency division section of IMF2 using NHT method was better for the seismic data from the Jingbian Gas Field than when using the HHT method and HU method.     

基于高通滤波的频率-空间域经验模态分解压制高频噪声

高频噪声压制是高分辨率地震数据处理中提高信噪比的关键性问题.本文针对f-x(频率-空间)反褶积空间预测滤波器无法处理非平稳、非线性信号的缺点,提出了一种基于高通滤波的频率-空间域经验模态分解(Empirical Mode Decomposition in the frequency-space domain,f-xEMD)压制地震剖面中高频噪声的方法.该方法采用全域高通滤波从原始数据中分离出含有部分有效信号的高频数据,将其变换到f-x域,然后在滑动的短窗口内提取每一个频率的空变数据序列进行EMD分解得到高频复本征模态函数(Intrinsic Mode Function,IMF)IMF1,将所有频率的IMF1序列反Fourier变换到时间域得到噪声剖面,将其与原始数据相减,达到高频噪声压制的目的.该方法可克服传统EMD分解方法中的模态混叠现象,保护陡倾角反射同相轴;压制后的噪声剖面中不包含有效信号能量,地震剖面的信噪比得到了提高.模拟数据和实际数据处理结果充分证明了该方法的有效性.     

基于Hilbert-Huang变换的地震瞬时属性提取方法及应用(英文)

希尔伯特—黄变换(Hilbert-Huang transform,HHT)是一种新的适合非平稳和非线性信号的分析方法,由于地震信号一般呈现出非平稳与非线性特性,因此HHT非常适合地震信号的分析。本文首先介绍了HHT中关于经验模态分解(Empirical Mode Decomposition,EMD)的实现过程,在此基础上分析了几种基于EMD获得本征模态函数(Intrinsic Mode Functions,IMF)来计算瞬时频率的算法,其中利用了两个采样间隔瞬时频率的平均来计算瞬时频率,较好地反映了地震信号频率成分随时间变化的特征。将该方法应用于四川东北部某地区海相碳酸盐岩地层三维地震叠后偏移数据处理,提取"三瞬"地震属性,与传统的希尔伯特变换提取的"三瞬"地震属性进行对比,结果表明基于HHT的"三瞬"地震属性结果具有更高的分辨率,IMF2的瞬时相位能够较好地刻画台地边缘生物礁相,IMF2的瞬时频率亦具有较好的分带性。将IMF2的"三瞬"地震属性与钻井等资料结合分析,能够更好地识别沉积相的分布。     

基于经验模式分解的随机子空间识别方法

提出了基于经验模式分解（EMD）的环境激励结构模态参数随机子空间识别（SSI）方法。该方法用设置间断频率的EMD将结构环境振动响应原始信号分解成若干个基本模式分量（IMF）,使每一个基本模式分量仅为结构的某一阶固有模态,进而用随机子空间方法进行模态参数识别。实桥环境振动实验分析结果表明,该方法能有效地避免结构各阶模态之间的相互影响,能够更清晰方便地得到结构的模态参数。     

经验模态分解、 数值仿真与形变信号滤波试验

首先介绍了经验模态分解的方法与原理, 给出了由经验模态分解产生的固有模态函数重构特定滤波器的算法, 然后通过对已知数据的仿真检验, 认为该方法在分解与重构滤波器方面具有较高的精度, 最后通过对形变数据中几类典型干扰信号的初步试验与对比分析, 可看出获得了满意的处理效果。 综合分析认为, 经验模态分解及其组合滤波器在干扰消除或某些频率成分滤波与研究中具有重要意义, 可作为形变数据预处理中一种行之有效的数据分解方法。     

A new energy density calculation method for reservoir delineation using seismic low-frequency signal

In comparison to high-frequency signals, low-frequency seismic signals suffer less from scattering and intrinsic attenuation during wave propagation, penetrate deeper strata and thus can provide more energy information related to the hydrocarbon reservoirs. Based on the asymptotic representation for the frequency-dependent reflections in the fluid-saturated pore-elastic media, we first derive a novel equation of the reservoir energy density and present an efficient workflow to calculate the reservoir energy density using low-frequency seismic data. Then, within a low-frequency range (from 1 to 30 Hz), we construct an objective function to determine the optimal frequency, using the energy densities calculated from the post-stack seismic traces close to the wells. Next, we can calculate the reservoir energy density using the instantaneous spectra of optimal frequency at the low-frequency end of the seismic spectrum. Tests on examples for synthetic and field data demonstrate that the proposed reservoir energy density can produce high-quality images for the fluid-saturated reservoirs, and it produces less background artefacts caused by elastic layers. This method provides a new way to detect the location of hydrocarbon reservoirs and characterize their spatial distribution.     

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.