基于曲波变换的地震信号去噪方法

根据curvelet变换的性质和阈值去噪原理,提出一种地震信号自适应阈值去噪方法.首先对地震信号进行curvelet变换,利用地震信号的curvelet,变换系数在小同分解层的特点,通过计算curvelet系数统计量的方法来确定自适应阈值,然后采用软阈值折衷方法埘curvelet系数进行处理,最后通过curvelet逆变换得到去噪的地震信号.试验结果表明,该方法在去除噪声的同时能更好地保留信号的细节,其去噪效果要优于传统的小波去噪方法.     

基于小波阈值的地震信号去噪处理

地震信号去噪处理是地震勘探所要解决的一项主要任务,提高地震信号信噪比也相应显得尤为重要。本文提出由heursure选取阈值和软阈值函数对测试信号、合成地震信号及实际地震数据进行二次小波分解分层量化处理,与常规小波阈值去噪相比,对含有高频分量的信号,该方法具有很好的去噪效果。     

基于小波变换新阈值函数的地震资料去噪方法

探讨在地震勘探中小波变换处理非平稳信号的时频分析方法,从强噪声地震信号中除去干扰进而提取有效信号。在D.L.Dohono提出的小波阈值去噪方法的基础上,提出了一种新的阈值函数用于非平稳强震降噪。该函数是介于硬、软阈值函数之间的一个可调函数,具有计算稳定性好、精度高、收敛速度快、对模型参数α的选择简单易于操作等特征。通过仿真实验和实际地震处理验证,表明所构造的新阈值函数能有效改善地震剖面处理效果,达到提高信噪比的目的。     

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。     

基于小波变换的爆破地震信号去噪的应用

运用小波变换在不同的尺度下观察信号局部化特征。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相同。在相邻模极小构成的待选通域中分析出噪声局部极大值所在的选通域进行平滑处理,从而得到局部信号的小波系数,将其反变换重建出去噪后的信号。将该方法用于爆破地震信号去噪声,结果表明:这种方法计算简单,且去噪效果较好。     

基于DNDCNN的地震信号去噪方法

在复杂的勘探环境下,原始采集的地震数据包含大量随机噪声会严重影响地震资料的质量,为后续地质解释带来困难。针对该问题,本文提出了一种结合可变形卷积和注意力机制的地震信号去噪模型,即DnDCNN(Denoising Deformable Convolutional Neural Network)网络。首先,在DnCNN网络中引入融合可变形卷积的注意力机制,使网络更加关注有效信号区域,减少细节信息的丢失;其次,将网络中堆叠的标准卷积替换为可变形卷积和标准卷积串联模式,提高不变性特征提取能力;最后,将批量归一化和残差学习策略融合,实现网络快速收敛和信噪分离。通过对模拟和实际地震数据进行验证,结果表明该网络模型在不同噪声水平下可以有效压制随机噪声、保留更多细节信息,对微弱信号去噪表现出更优秀的信噪比。     

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。     

基于小波分析的信号去噪方法

介绍了小波变换出现的背景及应用意义、信号去噪效果的标准及小波变换去噪的基本原理和方法。利用MATLAB软件特别是MATLAB小波工具箱编写仿真程序,结果表明小波变换在信号去噪中的有效性和优越性。     

基于自适应秩选方法的地震降秩去噪

基于矩阵降秩理论的地震随机噪声压制与数据重建技术近年来得到了广泛的关注.考虑到传统的基于Hankel矩阵的降秩去噪方法在处理由非线性同相轴构成的数据时较难确定秩选参数,以及在数据分块计算中存在秩非一致性现象,去噪结果因此容易保留残余噪声或损伤有效信号的问题,引入了一种基于渐近均方误差(AMSE)框架下矩阵奇异值最优硬阈...     

Shearlet域基于非局部均值的地震信号去噪

由于采集环境及仪器性能的限制,采集的地震信号中含有较强的随机噪声,对后续的处理和解释带来很大困难.多尺度几何分析近年来受到关注,在Shearlet变换域中引入非局部均值(NLM,non-local mean algorithm)算法对地震信号进行去噪,该算法首先对地震信号进行非下采样Shearlet变换,对近似服从广义高斯分布的Shearlet系数进行主成分分析(PCA,principal component analysis),然后采用非局部均值处理Shearlet系数,最后对新的Shearlet系数进行Shearlet反变换,得到去噪之后的地震信号.实验结果表明,文中算法在低噪声情况下能够获得优于非局部均值算法的去噪效果,对地震信号去噪具有可行性.     

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．     

基于小波变换的高分辨率地震信号瞬时参数提取方法

小波变换在时域以及频域具有良好的局域化特征,可用来实现对地震信号瞬时振幅、相位、频率等瞬时参数的提取.由于小波变换具有去噪的功能和分频处理的特点,在小波域提取的瞬时特征具有很好的抗噪性和可靠性.对小波变换提取地震信号瞬时参数的方法进行改进,通过对地震信号求导来增加其主频,对求导后的地震信号进行小波变换,从而得到高分辨率地震信号的瞬时参数.     

基于ART神经网络的地震剖面反褶积新方法

提出一种基于ＡＲＴ神经网络（及其改型）从地震剖面中识别子波的新方法．发挥神经网络在模式识别和优化计算两方面的优势，先以无教师学习算法从剖面中识别出子波，再通过ＴＨ神经网络作反褶积．实验结果表明，本文提出的方法有明显的效果，特别在地震剖面中存在一些相隔较远的反射层时有很好的效果．     

一种基于小波变换的图像去噪方法的应用研究

探讨了小波变换在图像去噪中的处理技术.首先分析了小波变换的原理,然后给出了基于小波变换的图像去噪原理,并设计了小波变换图像去噪的具体实施方案,最后给出了小波变换去噪的图像训练实验结果.结果表明,利用小波分解(变换)去除图像噪声,既滤除了噪声,又有效地保持了图像的细节信息.     

基于背景噪声互相关函数的地震观测密集台阵时钟偏差分析方法

利用地震观测台阵中相邻台站间背景噪声互相关函数随时间的偏移的特性,考虑参考互相关函数、噪声源变化、反演方法和数据误差的影响,给出基于背景噪声互相关函数的密集台阵时钟偏差分析及其误差评价方法。对盐源短周期地震观测密集台阵的单台时钟偏差分析结果表明,基于背景噪声互相关函数的时钟偏差分析方法可以给出连续的单台时钟偏差,并能够筛选出有明显时钟偏差的台站及偏差出现的时段。该台阵的209个台站中,有17个台站在观测期内出现大于1 s的时钟偏差,可能与仪器数据采集装置的硬件或软件故障有关。     

基于地震记录的震动图校正方法研究

针对地震动强度速报工作,利用地震动衰减关系和地震台站记录到的数据研究地震动强度衰减中地震事件内部(intra-earthquake)的不确定性.通过台站实际观测值与理论计算值之间的残差分析,提出了利用台站数据对缺少台站地区理论估计值的对数偏差校正方法.研究分析表明,线性偏差校正方法对系统偏差校正的效果不显著,与使用汪素云2000年回归的我国东部峰值加速度(PGA)衰减关系的结果相当;针对特定震级的地震不约束R0(近场饱和因子)拟合的衰减关系,由于近场台站分布的不均匀性,使得R0过大,衰减关系对近场地震动参数缺乏控制;对数偏差校正方法的结果与固定R0拟合地震动衰减关系的结果大致相当,适合于地震动强度速报中缺少台站数据的地区地震动参数理论估计值的系统偏差校正.最后以2010年3月4日中国台湾屏东6.4级地震为例,比较了点圆和点椭圆衰减关系模型的对数残差及震动图的分布形态,说明衰减关系模型对震中地区地震动参数估计值的分布影响较大,并利用对数偏差校正方法快速生成震动图展示了该校正方法的可靠性.     

使用K－L变换进行图象压缩的一种新方法

在图象变换编码领域，Ｋ—Ｌ变换是最小均方误差意义上的最佳变换，但是变换矩阵随图象内容而不同，且计算复杂，速度慢。本文选择了合理的计算自协方差矩阵的特征矢量的方法，以削减计算时间。同时提出将模式识别引入Ｋ—Ｌ变换的一种新的图象压缩的方法，用精选的模式集训练ＢＰ神经网络，使之在计算中将各个子图象正确归类，以选择合适的变换矩阵。这一方法成功地降低了计算复杂性，并且回避了病态矩阵问题。它具有高压缩比和低复杂性的特点。     

基于局部逼近神经网络智能控制系统分析

介绍了神经网络的基本概念及特点,分析了基于局部逼近神经网络控制系统的特点及其适用场合,展望了基于神经网络控制的发展方向。     

基于小波变换的弱信号检测方法研究

介绍了小波变换原理,对利用小波变换实现弱信号检测的性能进行了分析,并利用仿真结果说明小波变换能提高信噪比。     

基于混沌神经网络的交通事故损失预测

文章应用混沌方法对交通事故损失时间序列进行处理，计算出最大Lyapunov指数，得到最大可预报时间尺度，在此基础上，建立人工神经网络预测混沌时间序列的模型。最后运用该方法对我国交通事故损失进行了预测分析。