基于学习型超完备字典的地震数据去噪(英文)

基于变换基函数的方法,是地震去噪处理中最常用的技术之一,它利用地震数据在某种基函数变换域内的稀疏性和可分离性来达到剔除噪声的目的。但传统的做法是事先选定一组固定的变换基并在对应域内进行处理,其效果往往并不十分令人满意。为了探索新的改进方法,我们引入学习型超完备冗余字典,即根据地震模型数据进行学习和训练,以寻求最优的稀疏表示字典,而不是只选用固定的变换基。本文在字典学习中融入全变差最小化策略以压制伪吉布斯现象。我们选用离散傅里叶变换作为初始变换,并以随机噪声为例,对单一的全局变换、未经学习的超完备冗余字典和学习型超完备冗余字典做了比较。结果表明,利用经过训练的超完备冗余字典,在对地震数据进行稀疏表示的同时,也达到了有效去除噪声的目的,可视性和信噪比都得到了明显提高。我们也比较了均匀和不均匀字典子块的效果,结果表明,不均匀的字典子块更利于地震数据去噪。     

基于VSP直达波资料的粘弹介质参数遗传算法反演

粘弹性参数变得越来越重要,其反演算法也逐渐成为众多研究者的研究热点。而遗传算法是一种随机、自适应、启发式的算法, 具有很好的鲁棒性和全局收敛性, 本文基于VSP直达波方程,引入了遗传算法来进行粘弹参数反演, 首先将频率域直达波方程表示为复速度的函数,然后通过遗传算法反演出复速度。而复速度和品质因子又是复速度的函数,从而便可很容易的得出。但若直接反演复速度, 反演参数太多, 不容易实现, 所以又将复速度表示成参数C0和C∞的函数,以减少反演参数数量。最后给出了理论模型实验,以证明该算法的有效性。