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。     

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.     

基于结构化匹配追踪的地震资料去噪技术研究

地震数据往往受噪声干扰,影响有效反射波的识别,因此提高地震资料信噪比在数据处理中尤为重要,我国在此方面研究已经取得进展.结构化匹配追踪算法是一种采用原子字典分组式及树状结构搜索的全局结构化算法,具有运算效率高、速度快的特点.本文在分析结构化匹配追踪算法的基础上提出基于该算法的地震资料去噪技术,根据反射波信号与噪声信号的频段差异,对分解得到的时频原子设置阈值频段,去除含噪成分,从而达到去噪目的.与常规去噪技术相比,该技术精准、快速地分解地震反射波信号与噪声信号,最大限度地减小对地震反射波信号的损害.     

基于非局部贝叶斯地震数据随机噪声压制方法（英文）

针对地震数据随机噪声压制问题,本文提出一种基于非局部贝叶斯(Non-local Bayes algorithm)的滤波方法。NLBayes方法使用高斯模型代替NL-means方法中使用全部相似数据块的加权平均,减少对数据结构细节的平滑效应,从而改善去噪效果。在地震数据去噪处理中,根据噪声的方差自适应的计算数据块的大小和高斯模型中数据块的数量,经过两次迭代实现地震数据去噪。第二次迭代中使用第一次迭代去噪后的数据来计算高斯模型块的无偏差均值和协方差,以提高数据块的相似度,使得去噪效果更理想。通过对模型数据和实际数据测试表明,NL-Bayes方法能有效提高地震数据信噪比和满足数据保真性处理的要求。     

基于广义S变换、经验模态分解叠前去噪方法的比较

高频噪声压制是高分辨率地震数据处理中的关键性问题.基于广义S变换、经验模态分解的时频域地震去噪技术具有时变、分频和高保真特性,可有效处理非平稳地震信号,但二者在去噪原理、去噪效果、保真度、计算效率等方面尚存差异.对比分析表明:两种算法在提高地震信号信噪比的同时,可保持地震信号的保真度,保护陡倾角反射界面能量;基于广义S...     

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.     

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.     

基于复数域混合SVD滤波方法及在随机噪声压制中的应用

在低信噪比地震资料处理中,压制随机噪声是其中的关键处理环节.传统的频率空间域预测滤波方法,容易使得去噪后高频段的有效信号严重畸变,不利于进一步提高分辨率.为此,提出了一种基于复数域混合SVD滤波法压制三维地震数据中随机干扰的方法,该方法首先在时空域对地震数据作傅里叶变换,再依据Eigenimage滤波法与Cadzow滤波法建立混合Hankel矩阵,然后对其运行奇异值分解,最后通过秩约化的方法来压制随机干扰.理论模型和实际地震数据的应用表明:该方法可有效地去除随机噪声,保护有效波,明显地改善了叠后三维地震资料的信噪比.     

一种优化的复曲波变换压制混叠噪声方法

高密度采集可以提高地震资料品质,改善成像精度,但也会增加地震采集成本.为了提高采集效率降低生产成本,混采技术得到了推广应用.但是该采集方式会产生严重的混叠噪声,降低地震数据的信噪比.针对此问题,本文结合中值滤波、动校正(NMO)和复曲波变换阈值去噪的优势,设计了一种优化的复曲波变换压制混源噪声方法.该方法首先采用大步长中值滤波对经过NMO处理的数据进行滤波,再利用基于复曲波域的阈值去噪方法提取剩余信号,计算滤波结果的伪分离记录和原始混叠数据的差值,再将该差值返回到第一步进行迭代,每次迭代中值滤波步长逐步减小,直到达到初始设定的期望信噪比为止.与基于F-K域和curvelet域的迭代阈值方法相比,本文方法可以在压制混叠噪声的同时,更好的保护有效信号,由于本文方法仅需较少的迭代次数,计算效率也可以大大提高.     

基于Hessian矩阵的地震随机噪声压制方法

随机噪声的压制在提高地震资料信噪比方面发挥重要作用.考虑到传统去噪方法在构造复杂地区难以取得理想的去噪结果,本文提出基于Hessian矩阵特征值对应的线性目标关系在多个尺度上对随机噪声进行压制.该方法将地震信号看作不同尺度的曲线,从而利用Hessian矩阵在曲线检测方面表现出的良好性能实现信噪分离.该方法与传统方法相比不受地层倾角的限制,因此能够处理构造较为复杂地区的地震数据.利用模型及实际资料对该方法进行了验证并与传统方法F-X反褶积的去噪结果做对比,结果表明基于Hessian矩阵的随机噪声压制方法在构造复杂地区能够保持有效信号的完整性.     

基于隐马尔可夫模型平滑估计的随机噪声压制方法

以地震勘探记录去噪为目标,本文提出了一种隐马尔可夫模型平滑估计方法.它是在基本隐马尔可夫模型滤波基础之上,运用信号检测环节将带噪信号段和无信号段加以区分,构建带噪地震记录的状态转移模型,在贝叶斯框架下,利用平滑密度函数进行状态估计,从而达到压制噪声的目的.数值模拟表明,无论对信噪比还是均方误差,隐马尔可夫模型平滑估计处理后的重构信号优于常规的维纳滤波所恢复信号.我们可以期待这种方法会成为实际地震记录噪声压制的有效手段.     

分形守恒定律在地震数据去噪与增强上的应用

分形守恒定律是一种基于偏微分方程的滤波方法.方程最显著的特征是将互为矛盾的两项——分形反扩散项与经典的扩散项结合在一起.反扩散项起信号增强的作用,而去噪的作用在扩散项中体现.通过分形指数,扩散与反扩散的系数可实现滤波器的调节.本文应用这个新颖的滤波模型来实现地震资料中随机噪声的消减,同时又能增强有效的地震信号.方程的求解基于傅里叶变换.对合成地震记录的测试表明。本算法在不同强度的噪声环境中(信噪比为-5 dB至10 dB)都能很好地恢复同相轴,提高信噪比.通过对实际共炮点资料的处理结果表明,基于分形守恒定律的新滤波方法能有效的压制随机噪声并改善同相轴的连续性.     

两种抗噪反Q滤波方法对比及应用

本文就两种抗噪反Q滤波方法进行了讨论,其中对比了考虑时频域信噪比的反Q滤波方法和基于变稳定因子的反Q滤波方法.与稳定的反Q滤波方法相比,这两种方法可以抑制噪声,提高反Q滤波后地震数据的分辨率和信噪比.然而,它们基于不同的方法原理,并且在处理效果上存在一定的差异.为了探究反Q滤波方法抑制噪声的关键问题,回顾了方法的原理,对比和讨论这两种方法的差异,并通过理论模型数据和实际地震数据进行了比较.测试结果表明,反Q滤波方法抑制噪声的关键在于有效控制振幅补偿的频带范围.就算法而言,考虑时频域信噪比的反Q滤波方法可根据地震数据的信噪比水平选择不同的频带补偿范围,具有较强的灵活性,但需要先计算出地震数据的时频域信噪比;而基于变稳定因子的反Q滤波方法具有更加简单的算法,其振幅补偿规律本身即具有一定的噪声压制能力,避免了计算时频域信噪比.当选取合适的参数,二者的振幅补偿频带范围接近时,这两种抗噪反Q滤波方法可以得到相似的处理效果.     

基于孪生网络的人工震源分布式光纤传感数据噪声压制

受耦合效应和其他诸多因素的影响,野外实际采集的分布式光纤声波传感(Distributed Fiber-optic Acoustic Sensing, DAS)数据的信噪比通常较低.因此,在后续处理之前,需要首先对DAS数据进行去噪处理.传统的基于人工智能监督学习的去噪方法能够对DAS数据中的噪声进行压制,但它需要大量含噪声和无噪声数据进行成组标记,人工标记工作量巨大.为此,本文提出了基于自监督学习孪生网络的DAS地震数据去噪方法.该方法基于自监督学习中的孪生网络结构,采用U-Net网络建立深度学习框架.所提框架通过对输入的含噪声数据进行数据自我特征学习,迭代获取去噪目标函数的最优解,从而实现自监督高精度深度学习去噪网络构建.合成数据和实际资料处理结果表明,本文方法可以有效抑制人工震源DAS采集数据中的随机噪声,显著提高去噪结果的信噪比和同相轴的连续性.此外,本文方法能够避免常规监督学习方法需要进行数据标记的人工工作量,有效提高实际地震数据去噪处理效率.     

一种新的基于卡尔曼滤波的地震记录同相轴跟踪方法及性能分析

在地震勘探领域中,卡尔曼滤波常用于地震信号的反褶积以提高地震勘探资料的分辨率和信噪比.不同于此,本文建立一个新的卡尔曼滤波系统模型并利用卡尔曼滤波跟踪地震记录同相轴.同相轴信息在对地下介质性质、界面的深度、界面的产状以及油气定性判别等方面具有极其重要的作用.目前多数拾取地震同相轴的方法与地震波的运动规律结合较少.本文依据地震反射波运动规律构建了用于跟踪地震反射同相轴的卡尔曼滤波系统的状态方程和量测方程,并将炮检距、地震子波到达时和层速度等重要物理量融入所建方程,给出滤波模型和初始化方法,分析不同因素对该系统滤波性能的影响.仿真实验表明,所提出的跟踪滤波系统能较好地拾取地震反射同相轴信息,为拾取地震同相轴提供了一条新途径.     

一种新的基于卡尔曼滤波的地震记录同相轴跟踪方法及性能分析

在地震勘探领域中,卡尔曼滤波常用于地震信号的反褶积以提高地震勘探资料的分辨率和信噪比. 不同于此,本文建立一个新的卡尔曼滤波系统模型并利用卡尔曼滤波跟踪地震记录同相轴. 同相轴信息在对地下介质性质、界面的深度、界面的产状以及油气定性判别等方面具有极其重要的作用. 目前多数拾取地震同相轴的方法与地震波的运动规律结合较少.本文依据地震反射波运动规律构建了用于跟踪地震反射同相轴的卡尔曼滤波系统的状态方程和量测方程,并将炮检距、地震子波到达时和层速度等重要物理量融入所建方程,给出滤波模型和初始化方法,分析不同因素对该系统滤波性能的影响. 仿真实验表明,所提出的跟踪滤波系统能较好地拾取地震反射同相轴信息,为拾取地震同相轴提供了一条新途径.     

基于小波模极大值的地震信号去噪研究

小波分析在时域和频域具有很好的局部化特性,是分析和处理数字信号强有力的工具。文章将基于小波变换的模极大值去噪算法应用到地震信号的去噪研究中。首先依据相关理论验证算法的有效性,并对红山基准台的地震数据进行去噪分析处理。结果表明,去噪后的信号有效去除了大部分毛刺,去噪效果良好,噪声得到很好的抑制。为实现数据处理的界面化及易操作,在基于小波变换模极大值去噪算法比较分析的基础上,设计一个地震信号去噪系统分析界面,从而实现数据去噪的可视化应用。     

地面微地震监测速度模型优化方法研究

地层速度模型精度对水力压裂微地震事件的定位结果起着关键的作用,常规的速度建模方法是根据声波测井资料建立初始层状速度模型,根据拾取的射孔信号初至通过反演进行速度模型优化,结果受射孔信号信噪比及初至拾取误差的影响较大,不适用于地面微地震监测.为了提高地面微地震速度模型的精度,提出了将多道射孔信号的叠加能量作为目标函数,基于粒子群优化算法的地面微地震速度模型优化方法,并通过模型数据和实际数据的处理进行了验证,结果表明该方法避免了无法拾取初至或初至拾取不准对速度模型优化结果的影响,有效实现了速度模型的优化,明显提高了地面微地震监测的定位精度.     

用基于平滑技术的时频分析方法对地震资料去噪的研究

本文提出了一种新的时频分析方法—基于平滑技术的时频分析方法,并给出了该方法的基本原理以及用该方法对地震观测信号进行去噪的具体算法.它以信号的平滑处理为基础,与传统去噪手段相比,具有物理意义清晰且运算简单的优点.实验结果表明,利用该时频分析方法可以极大地提高远距离地震观测信号的信噪比,从而为远距离地震信号的检测提供了有力的工具.     

基于数据增广和CNN的地震随机噪声压制

卷积神经网络(Convolutional Neural Network,CNN)是一种基于数据驱动的学习算法,简化了传统从特征提取到分类的两阶段式处理任务,被广泛应用于计算机科学的各个领域.在标注数据不足的地震数据去噪领域,CNN的推广应用受到限制.针对这一问题,本文提出了一种基于数据生成和增广的地震数据CNN去噪框架.对于合成数据,本文对无噪地震数据添加不同方差的高斯噪声,增广后构成训练集,实现基于小样本的CNN训练.对于实际地震数据,由于无法获得真实的干净数据和噪声来生成训练样本集,本文提出一种直接从无标签实际有噪数据生成标签数据集的方法.在所提出的方法中,我们利用目前已有的去噪方法从实际地震数据中分别获得估计干净数据和估计噪声,前者与未知的干净数据具有相似纹理,后者与实际噪声具有相似的概率分布.人工合成数据和实际数据实验结果表明,相较于F-X反褶积,BM3D和自适应频域滤波算法,本文方法能更好地压制随机噪声和保护有效信号.最后,本文采用神经网络可视化方法对去噪CNN的机理进行了探索,一定程度上解释了网络每一层的学习内容.