基于时频分析与分数阶最优控制网络的地震数据噪声压制

在复杂的地表环境，地震勘探采集到的实际地震资料信噪比较低，分辨率较差，接收的噪声能量较强，与有效信号存在频谱的重叠.常规的消噪手段很难在保证有效信号幅值的同时，还兼顾噪声压制的效果.本文采用基于分数阶最优控制(Fractional Optimal Control)理论建立的深度学习神经网络——FOCNet来压制地震数据噪声，并恢复微弱同相轴.不同于传统深度学习网络(DCNN)算法大多为基于经验的网络设计，FOCNet具有坚实的数理基础，它从动态系统的最优控制角度阐述了网络的原理，并采用长期记忆的方式增强了网络的稳定性，提高了系统对噪声的消减能力.针对地震数据有效信号在低频带与噪声重叠严重，且FOCNet对数据中、高频信息保留更好这一情况，本文提出了一种基于理想时频分析与FOCNet相结合的算法(TF-FOCNet)来压制地震噪声，提取有效信号.该算法通过理想时频分析，针对性的提取信噪重叠的低频目标数据成分，并与数据的中、高频成分一起送入网络中进行处理并融合，完成噪声的压制，增强了低频信息的保留能力.模拟及实际的实验结果验证了算法在随机噪声、面波压制及微弱信号恢复上的有效性和优越性.