基于高精度字典学习算法的地震随机噪声压制

地震勘探中的随机噪声会对有效信号产生严重干扰,甚至会导致信号畸变.为了满足高精度的地震勘探要求,应用高精度字典学习算法压制随机噪声.该算法基于超完备稀疏表示理论,对传统的字典学习算法从字典训练和稀疏编码两个方面进行了改善:在字典训练阶段,保持支集完备的情况下,对字典进行循环更新,使字典更好地适应数据;在稀疏编码阶段,选用上一轮更新的部分大系数作为新一轮迭代的初始系数,充分利用大系数表示有效信号的特点.对理论数据和实际含噪地震资料的处理结果表明,与传统算法相比,高精度字典学习算法在去噪的同时能保护有效信息,明显改善去噪精度,对地震记录信噪比的提高有显著优势.     

基于第二代Curvelet变换的地震资料随机噪声衰减

噪声衰减是地震资料处理中的关键问题之一。根据Curvelet变换对含有光滑边界的二维二阶连续可微函数所具有的稀疏表示性能,给出了Curvelet变换域地震资料随机噪声衰减的阈值方法;并给出了基于地震资料中随机噪声是独立同分布的高斯白噪假设条件下的阈值估计方法。通过合成数据和叠后实际数据算例,对该方法的有效性进行验证。结果表明,Curvelet变换不仅可以很好地衰减随机噪声,并且能较好地保持有效信号。     

串联去噪技术在金属矿地震勘探中的应用

金属矿地震勘探中原始数据的信噪比很低,多种干扰混杂在记录中,常规去噪手段难以达到理想效果。针对金属矿地震数据中强线性干扰,设计了f-k 滤波、Radon 变换方法二级衰减; 针对强随机噪声,设计Radon 变换以及Curvelet 域组合变换法二级衰减,组成了f-k 滤波法、Radon 变换及Curvelet 域组合变换法串联去噪方法。应用于金昌金属矿多类混杂强噪声的地震实际数据中,大幅提高了数据的信噪比,经验证本文方法实用、有效。     

基于改进K-SVD字典学习方法的地震数据去噪

为实现更好的地震数据去噪技术,笔者引入一种新的算法:快速迭代收缩阀值法(FISTA),通过FISTA和K-奇异值分解(K-SVD)不断迭代更新K-SVD字典,利用更新得到的K-SVD字典对地震数据进行稀疏表示,去除稀疏系数中较小的数值,使数据中的随机噪声得到压制。对层状模型合成地震记录,Marmousi模型合成地震记录以及实际地震数据进行对比实验,得出FISTA算法较OMP算法能更好地提高地震数据的信噪比,同时有效地保护了反射信号。     

一种基于压缩感知的随机噪声压制方法

随着高精度地震勘探技术的发展,利用高保真的方法提高地震资料信噪比成为了去噪处理的关键。曲波域阈值法能够有效地压制随机噪声,但易产生伪吉布斯震荡现象,造成信号局部畸变,从而影响处理效果。针对这一问题,提出一种基于压缩感知理论（Compressing Sensing,简称CS）的地震信号去噪方法,该方法利用随机噪声和有效信号在曲波稀疏域稀疏表征的差异来分离随机噪声。其实现步骤为：将地震数据变换到曲波域;利用压缩感知理论和全变差正则化算法重构曲波系数;曲波逆变换得到压制噪声后的重构地震数据。理论模型和实际资料应用表明,该方法能够很好规避伪吉布斯现象带来的信号失真问题,进一步提高了资料的信噪比。     

Shearlet变换在GPR数据随机噪声压制中的应用

随机噪声是探地雷达(ground penetrating radar,GPR)数据处理存在的主要问题之一,直接影响到GPR数据后续处理及最终解释的准确性和可靠性。为了有效地去除随机噪声,同时更好地保留GPR信号的有效信息,本文提出基于Shearlet变换的GPR数据随机噪声去除方法。作为一种非自适应多尺度、多方向性的几何分析方法,Shearlet变换能够近乎最优地表示含奇异点的高维曲线。在Shearlet域,GPR数据能够得到更加稀疏的表示,通过阈值去噪的方法,有效地去除了随机噪声,使信噪比提高了4dB,最大程度地保留了GPR有效信号。利用理论和实际数据进行验证,体现了Shearlet变换阈值去噪方法的有效性和准确性。     

基于f-x域时频非凸正则化低秩矩阵近似的共偏移距道集去噪方法

随机噪声压制是地震数据处理的关键环节,而时频稀疏低秩近似算法逐道处理地震数据过程中无法利用信号的道间相干性。为此,将时频稀疏低秩近似与f-x域去噪结合,提出一种f-x域时频非凸正则化低秩矩阵近似算法。该算法对f-x域中每一单频分量作时频分解后,再对时频系数矩阵作低秩矩阵近似计算,能够利用信号和噪声的时频谱差异实现非平稳信号去噪处理。与共炮点道集和共中心点道集相比,共偏移距道集具有平缓甚至接近水平的同相轴结构,基本满足f-x域去噪的线性同相轴假设前提,建议将所提算法应用于共偏移距道集去噪处理。通过数值模拟和实际地震数据试算,证明本文方法能够有效压制随机噪声,同时保持有效信号不被损害。     

基于Shearlet变换的尺度方向自适应阈值地震数据随机噪声压制方法

地震勘探的有效信号常受到随机噪声的干扰而难以识别,需要进行随机噪声和有效信号的分离。传统Shearlet全局阈值不随方向与尺度变化,在去噪的同时也会损失许多有效信号。Shearlet变换作为一种新的多尺度多方向时频分析方法,具有最优的稀疏表示能力、局部化特征和方向敏感性。本文将含噪地震信号通过Shearlet分解后计算各尺度与方向上Shearlet域系数的L₂范数,并对其进行数据重排后发现,随着方向改变L₂范数不断减小,进而提出一种基于L₂范数的尺度方向自适应阈值计算方法。将其与小波变换、曲波变换、Shearlet全局阈值去噪方法对比,模拟数据与实际地震记录去噪结果表明,本文方法在去除随机噪声的同时,深部弱信号也得到了很好的恢复,地震数据的信噪比比其他3种方法有所提高,在0.929 9 dB条件下提升至11.565 1 dB。     

基于Curvelet变换的线杆共振干扰去除方法

线杆共振干扰是中浅层地震勘探常见干扰之一,尤其对浅部数据影响较大,由于石油、煤田勘探涉及此类干扰较少,缺乏相关研究内容。Curvelet变换可以获得图像平滑区域和边缘部分的稀疏表达,也能满足时变信号处理的要求,在地震资料处理中取得了较好的效果。本文根据线杆共振干扰在地震数据中表现的特点,提出了一种基于Curvelet变换的线杆共振干扰去除方法,首先通过分析线杆共振干扰与有效信息在Curvelet域的特征差异,借助Curvelet变换的多尺度、多方向特性实现波场分离,然后根据本文设计的非线性阈值函数对干扰系数进一步衰减。通过实际数据的应用分析,发现本文提出的方法可以有效地去除线杆共振干扰,同时可以较好地保护有效信号,去噪后资料的信噪比及分辨率均有不同程度的提高,从而证明了该方法的有效性。     

Curvelet变换在位场数据去噪中的应用

为了解Curvelet变换在位场数据去噪处理中的效果,从Curvelet变换的原理着手,通过对多矩形棱柱体模型进行Curvelet变换去噪和普遍应用的小波阈值去噪试验对比,验证了Curvelet变换去噪的有效性问题。将其应用于实测位场数据的处理中,取得了较好的效果。理论和实测数据的处理结果都表明,Curvelet变换在位场数据的去噪处理中是可行有效的。     

基于分段采样和MCA的地震数据重建

数据重建是地震资料处理中一项重要的前期工作。压缩感知(compress sensing, CS)已经在数据重建领域取得了很好的应用。CS的关键是采样的随机性,随机采样将常规欠采样引起的互相干假频转化为较低能量的不相干噪声。一方面,传统的随机采样方法缺乏对采样点的约束,导致产生过多的噪声干扰,分段随机采样可有效地控制采样点之间的距离。另一方面,单一的数学变换会导致信号的不完全稀疏表达,影响数据重建效果,形态分量分析(morphological component analysis, MCA)将信号分解成几个具有显著特征的成分以逼近数据复杂的内部结构。本文在MCA框架下找到了一个新的字典组合(Shearlet+DCT),并使用块坐标松弛(block coordinate relaxation,BCR)算法得到最优解,从而获得理想重构结果。对实际资料的实验表明,该方法在重建分段随机采样数据时具有较好效果。     

曲波变换在位场信号提取中的应用研究

为了重磁数据中有效信号的分离与提取,本文研究了最近十几年发展起来的一种方法:曲波变换方法(Cur-velet transform method).从曲波变换的基本原理入手,通过重力位场理论模型数据分析了曲波变换的多尺度分解重构能力,并且利用加噪理论模型数据分析了曲波变换的阈值去噪能力,此外,还使用曲波变换对南岭东部地区...