基于C-WNNM的地震随机噪声压制方法

针对低信噪比情况下地震信号同相轴不易识别的问题,提出用C-WNNM方法来压制地震勘探资料中的随机噪声.给出了基于WNNM的低秩逼近理论,利用地震信号在时间和空间上具有一定的相似性这一特点来构建近似低秩矩阵,并且由CEEMD分解得到的IMF1分量来近似估计局部噪声方差,从而获得更加精确的权值.经过迭代逼近得到最终去噪后的信号.对由雷克子波生成的模拟地震勘探资料进行C-WNNM滤波处理.结果表明,在地震数据存在强噪声的情况下,该方法能够有效压制随机噪声并且能够更好地保留有效信号,信噪比相比于原始WNNM算法提高了3 d B左右.     

基于空间分数阶复扩散的地震勘探噪声压制

沙漠地震勘探数据信噪比低,随机噪声主要为非平稳、非高斯的低频色噪声,利用常规噪声压制方法很难有效辨识与表征地震勘探信号,导致弱纹理结构信号的损失。针对此问题,引入分数阶梯度算子,提出空间分数阶复扩散随机噪声压制算法。该算法利用空间分数阶梯度增强地震信号的弱纹理和细节,在复扩散框架下,根据同相轴结构控制扩散强度。实验采用合成地震勘探数据和实际沙漠地震勘探数据评估算法性能,结果表明,提出的空间分数阶复扩散滤波算法可压制沙漠勘探随机噪声并保留有效信号结构。     

基于改进EMD的地震信号去噪

压制随机噪声是地震数据处理过程中的一个重要环节,目前大多数去噪技术都不同程度存在去噪效果差、易损伤有效信号等问题。利用经验模态分解可将信号自适应地分解为不同特征尺度固有模态函数的优点,及小波变换模极大值滤波方法对噪声的依赖性较小且适合于低信噪比信号去噪的优势,构造了一种经验模态分解与小波变换模极大值相结合的新的去噪算法,该算法很好地实现了地震有效信号与随机噪声的分离,有效提高了地震数据信噪比。将该算法应用于仿真实验和实际地震数据处理,结果都表明该方法明显优于常规经验模态分解去噪效果。     

双密度双树复小波域统计模型的地震信号降噪

随机噪声的存在降低了地震信号的信噪比,淹没了有效信号,影响后续的地质解释。文章根据随机噪声的特性以及地震信号道间相关性,建立双密度双树复小波域统计模型压制地震信号中的随机噪声。首先对含噪地震信号进行双密度双树复小波变换,分别对不同尺度、不同方向上的噪声方差和含噪地震信号方差进行估计,计算阈值;再运用最大后验概率估计方法从含噪地震信号小波系数中估计出源地震信号的小波系数;最后利用双密度双树复小波逆变换对源地震信号的小波系数估计值进行重构,得到降噪后的地震信号。仿真实验和对实际地震信号的处理结果表明该方法能够有效地压制随机噪声,提高了信噪比,较好地保留了有效信号。     

自适应结构方向复扩散压制沙漠地震随机噪声

非线性复扩散( NCD: Nonlinear Complex Diffusion) 能针对不同结构特征调节扩散强度,有效压制地震勘探随机噪声。但沙漠地震勘探数据结构复杂,NCD 方法不能有效估计出同相轴方向,会导致同相轴衰减。为此,基于同相轴结构特征提出自适应结构方向复扩散( ASOCD: Adaptive Structure-Oriented Complex Diffusion)滤波算法,该算法沿同相轴方向定向复扩散,在压制随机噪声同时增强有效信号。此外,该算法利用地震勘探数据的区域特性自适应调节扩散阈值,在信号区域减小扩散阈值以更好地恢复地震勘探信号。合成和实际沙漠地震数据结果验证了所提方法的有效性,与NCD 方法相比,滤波后信噪比提高了6 dB 左右。     

基于低维流形学习的地震数据重构

为提高地震勘探精度,需要从低信噪比地震勘探数据中高精度地重构地震信号,为此结合卷积框架变换的稀疏性和低维流形模型学习地震信号的灵活性,提出基于卷积框架变换正则化低维流形模型(CFR-LDMM:Convolutional Framelet Regularization based Low Dimensional Manifold Model)的地震信号恢复算法。通过数据驱动的局部基和非局部基对地震信号块流形联合表示,获得地震信号块流形的低维等距嵌入,避免显示定义流形坐标,提升地震噪声压制能力和信号恢复精度。合成数据和实际地震勘探记录测试表明,所提的CFR-LDMM方法能将地震数据的卷积框架变换系数能量集中到系数矩阵的一角,在压制地震勘探噪声的同时准确地重构了低信噪比地震数据中的缺失道。     

一种基于卷积网络的地震探测数据随机噪声去除方法

为有效提高地震数据信噪比,通过卷积神经网络(convolutional neural network,CNN)的方法研究了地震勘探数据去除随机噪声问题.该方法包含17个卷积层,使用线性整流(rectified linear unit,ReLU)激活函数避免梯度消失,使用批量标准化(batch normalization,BN)提高网络的泛化能力.所构建的网络应用残差学习策略,即输入为含噪地震正演叠前数据,输出为CNN网络学习获得的随机噪声.然后从地震记录中减去网络预测的噪声数据,从而达到去除随机噪声的目的.同时,根据地震勘探数据振幅随探测时间衰减的规律,在网络训练过程中进行深度加权,使得CNN对于深部噪声的学习效果更好.网络在PyTorch框架下训练,应用图形处理器并行计算可以有效提高网络训练速度.利用训练好的网络进行去噪实验,结果表明与传统的时空域预测滤波法相比,该网络能更好地压制随机噪声.可见针对地震勘探数据,CNN能够有效提取含噪数据中的噪声信息,证明了该方法在去除随机噪声方面的合理性与有效性.     

频率域奇异值分解压制随机噪声方法

 奇异值分解(SVD)是提高信噪比的一种较新的有效手段之一。本文从数学角度阐述了奇异值分解SVD滤波技术增强地震资料信噪比的原理,对比了时间域和频率域SVD技术压制随机噪声的处理效果。结果表明,时间域SVD技术只能对水平或接近水平的同相轴进行信号增强,对倾斜同相轴的处理效果较差;而频率域SVD技术既可以处理水平同相轴,也可以处理倾斜同相轴,对提高地震剖面信噪比具有很好的效果。本文用3个简单的合成地震记录和1个实际地震资料检验了SVD两种方法的应用效果。结果表明,本文方法可以达到随机噪声压制的效果。     

Curvelet域蒙特卡罗估计的随机噪声衰减

针对低信噪比地震资料进行噪声压制时,传统滤波方法容易损伤有效波。研究认为,curvelet多尺度多方向的分析能力可以有效分离随机噪声,提出基于蒙特卡罗估计的自适应非线性阈值函数法衰减噪声能量,实现在压制噪声的同时保持有效反射信息。模型算例及大巴山地区某地震资料的处理实例表明,该方法能够有效地压制随机干扰,同相轴连续性与剖面信噪比较传统小波方法显著提高,一定程度上改善了常规滤波处理方法在压制噪声的同时对有效波的影响。     

基于DCT和RLE的灰度图像压缩方法

离散余弦变换具有很强的"能量集中"特性,图像信号的主要能量都集中在离散余弦变换后的低频部分,而图像高频部分的系数经常为零.为了滤除图像信号中各种相关性而存在的冗余信息,针对灰度图像提出了基于离散余弦变换和游程编码的压缩方法.该方法对给定的灰度图像进行离散余弦变换分块转换,并对转换后的高频部分进行域值量化,滤除高频分量,然后进行游程编码,实现灰度图像的压缩.最后在VisualC++6.0开发环境下对方法进行实验,仿真实验表明,在量化域值选取恰当时,可达到较好的压缩效果.     

Shearlet域深度残差CNN用于沙漠地震信号去噪

由于沙漠地震信号中含有较强的随机噪声,从而给沙漠地震数据的处理和解释带来了很大的困难。针对上述问题,提出了一种基于Shearlet 变换的深度残差卷积神经网络( ST-CNN: Deep Ｒesidual Convolutional NeuralNetwork for Shearlet Transform) 模型,实现沙漠地震信号的随机噪声压制。在训练阶段,将沙漠地震信号经Shearlet 分解后的系数作为输入,将随机噪声经Shearlet 分解后的系数作为标签,通过卷积神经网络( CNN: Convolutional Neural Network) 学习输入和标签之间的映射关系; 在测试阶段,利用此映射关系即可从沙漠地震信号系数中预测出噪声系数,并间接地获得有效信号系数,最后通过Shearlet 反变换获得有效信号。通过与传统的Shearlet 硬阈值去噪算法对比,发现该算法可把沙漠地震信号的信噪比从－ 4． 48 dB 提高到14． 15 dB,具有更好的去噪效果。     

利用小波变换多尺度传播特性实现地震信号去噪

小波变换可以把时域信号变换到时间尺度域中,在不同的尺度下观察信号不同的局部化特征．由于信号和噪声具有不同的奇异性,它们的二进小波变换模的极大值在不同尺度下的传播特性也不同．文中根据信号和噪声在小波变换域模极大值的多尺度传播特性的不同,以及地震信号相邻道的相关性,提出了一种去除地震信号中随机噪声的方法,实验表明该方法具有较好的去噪效果．     

K-L分解在可控震源锁相控制中的应用

可控震源相位畸变使地震子波旁瓣能量增强,主瓣分辨率降低,从而降低地震勘探的分辨率。由于可控震源-大地耦合条件多变,导致可控震源激发力信号中含有较强随机噪声,在锁相环中采用常规过零检测方法难以对该反馈信号进行准确的相位检测,这严重影响了可控震源锁相控制系统的应用效果。为了提高可控震源锁相控制中反馈信号的相位检测精度,提出一种基于K-L分解的可控震源激发力信号相位提取方法。理论分析和实验表明,对于通带内含有强高斯噪声的可控震源激发信号,K-L分解方法利用其去除信号与噪声相关性的能力,不但能够显著提高可控震源反馈信号的信噪比,而且不损害原有信号的相位特性。将其应用于轻便电磁式可控震源的锁相控制中,结果表明该方法不但解决了锁相环的噪声敏感问题,而且显著提高了可控震源的相位控制质量和地震子波质量。     

基于固定点算法的地震数据降噪

 结合改进的固定点算法,解决了噪声环境下的ICA问题。根据噪声分布特性,分两个阶段去除不同类型的随机噪声。在预处理阶段去除了加性高斯白噪声,预处理后的数据采用改进的固定点算法,盲分离出有效信号和非高斯随机噪声。提出了对固定点算法迭代过程中设定较精确的初始值问题的算法,该方法能较为准确地设置初始值,使算法能提取有效信号。通过仿真实验和对实际地震数据的处理,得到了满意的分离结果,较好地恢复了有效信号。此外,当实际地震数据加载了较强噪声,信噪比降低时,采用本文算法进行盲分离,同样取得了良好的效果,再次验证了本文算法具有良好的稳健性和适应性。将盲分离算法应用到实际地震数据处理方面的研究,有助于地震资料的解释,同时这种处理技术的研究也能够促进盲分离技术的发展。     

用小波变换和多项式拟合提高地震资料分辨率

用小波变换研究了地震勘探信号小波变换的过零点特性。提出了用小波变换的过零点匹配提取地震勘探信号同相轴变化信息，并利用所提取信息和多项式拟合消除随机噪声，同时增强信号高频，使信号信噪比和分辨率都得到显著提高的新方法。该方法对地震道进行小波变换，对变换结果进行过零点匹配求出地震同相轴变化信息，沿同相轴对地震道的小波变换系数进行多项式拟合得到去噪的小波变换系数，对去噪后小波变换系数进行高频增强并进行反变换便得到具有高信噪比和高分辨率的地震道。理论分析和实际处理结果表明，该方法能有效地提高地震勘探信号的信噪比和分辨率。     

基于多模态低秩处理的沙漠地震随机噪声压制

沙漠地带的随机噪声使沙漠地震记录中的有效信号很大程度上被淹没。针对此问题,提出将自适应噪声 辅助的集合经验模态分解方法(CEEMDAN: Complete Ensemble Empirical Mode Decomposition with Adaptive Noise)与鲁棒标准正交子空间方法 (ＲOSL: Ｒobust Orthonormal Subspace Learning) 有效融合。首先利用 CEEMDAN 算法对沙漠地震数据进行分解,将分解得到的所有模态拼成一幅新记录,并对其进行低秩分解,再 将得到的稀疏部分中每道的所有模态重新叠加获得去噪结果。二者相结合,不仅解决了单一的低秩处理对沙 漠地震数据效果不明显的问题,同时也规避了要对 CEEMDAN 算法分解得到的模态进行取舍的难题。模拟实 验和实际数据处理表明,该算法压制低频随机噪声具有明显的优势,同时对有效信号的保幅均能保证在 85% 以上,对实际数据中面波的压制也相对比较彻底。     

采油工区周期性噪声消除方法

基于老油区地震勘探中抽油机、电机、钻井等周期性噪声的特点,提出了一种消除周期性噪声的方法.假定已知噪声的周期,利用周期函数的特殊性,忽略两端效应,推导出递归滤波器的算法,并对递归滤波算法进行适当修改,保证了滤波器的稳定性和物理可实现性.理论记录试算与实际资料处理表明,该方法能够有效压制干扰,且不损伤有效信号.     

基于协同滤波的尖峰噪声抑制方法

针对旋转磁共振探测方法易受尖峰噪声干扰的问题, 提出一种协同滤波消除核磁共振探测数据中尖峰噪声的方法. 先通过3σ法则判断一个脉冲矩下测量数据是否存在尖峰噪声, 将测量数据分为有尖峰噪声和无尖峰噪声两组； 再分别对其进行离散余弦和Hadamard变换, 得到两组变换域系数, 用无尖峰噪声数据的变换系数计算Wiener滤波系数, 利用该系数对含尖峰噪声的数据进行滤波; 最后, 对滤波后含尖峰噪声数据的系数进行Hadamard和离散余弦逆变换, 实现尖峰噪声的消除. 仿真实验结果表明, 该方法对地面核磁共振数据中尖峰噪声的消除准确度较高, 提高了信号特征参数的提取精度.     

多普勒信号压缩编码研究

该文在分析了多普勒信号的特性以及与语音信号的区别后 ,采用自适应离散余弦变换算法对多普勒信号进行了压缩编码 ,在中等编码速率下得到了较好的压缩编码效果。文中提出了相关 -自适应离散余弦变换 (C -ADCT)压缩编码方法 ,改进算法提高了自适应离散余弦变换算法的抗噪性能     

基于协同滤波的尖峰噪声抑制方法

针对旋转磁共振探测方法易受尖峰噪声干扰的问题, 提出一种协同滤波消除核磁共振探测数据中尖峰噪声的方法. 先通过3σ法则判断一个脉冲矩下测量数据是否存在尖峰噪声, 将测量数据分为有尖峰噪声和无尖峰噪声两组； 再分别对其进行离散余弦和Hadamard变换, 得到两组变换域系数, 用无尖峰噪声数据的变换系数计算Wiener滤波系数, 利用该系数对含尖峰噪声的数据进行滤波; 最后, 对滤波后含尖峰噪声数据的系数进行Hadamard和离散余弦逆变换, 实现尖峰噪声的消除. 仿真实验结果表明, 该方法对地面核磁共振数据中尖峰噪声的消除准确度较高, 提高了信号特征参数的提取精度.