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.     

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。     

基于改进互补集合经验模态分解的自适应 小波熵阈值地震随机噪声压制算法

针对互补集合经验模态分解(complementary ensemble empirical mode decomposition,CEEMD)后不易有效区分有用信号和噪声的问题,以及传统小波去噪阈值选取的不足,提出基于改进CEEMD的自适应小波熵阈值地震随机噪声压制算法。将地震信号进行CEEMD后,基于互信息熵和互相关系数获取高频含噪本征模态函数(intrinsic mode function,IMF);对含噪IMF进行多尺度小波分解,将高频小波系数等分为若干区间计算各区间小波熵,在此基础上得到不同尺度的自适应阈值,同时设计了改进阈值函数进行小波阈值去噪。仿真实验中,去噪残差和频谱分析表明,算法能在保留有用信号的同时有效去除随机噪声,实现保幅去噪。实际地震资料处理表明,相比其他去噪算法,算法能有效提高信噪比(signal-to-noise ratio,SNR) 1 d B以上,降低均方误差(root mean square error,RMSE),具有良好的去噪能力。     

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。     

CEEMDAN自适应阈值去噪算法在地震方向的应用

提出一种基于自适应完备集合经验模态分解(CEEMDAN,complete ensemble empirical mode decomposition with adaptive noise)的自适应阈值去噪算法。含噪信号经CEEMDAN算法分解成若干个模态分量(IMF,intrinsic mode functions),根据样本熵理论,对IMF分量中高频分量自适应选取,根据噪声和有用信息与原始信号的相关性不同,对高频分量中的噪声系数定位,利用能量熵选取噪声主区间,用高频分量中噪声主区间的噪声系数方差作为阈值,对高频分量进行阈值去噪,进一步去除噪声,保留高频中的有用信息,最后将信噪分离的高频分量和低频分量重构。分别对合成和实际地震信号去噪处理,并与常规去噪算法进行对比。数据仿真和实验结果表明,在原始信号信噪比为0.5dB时,常规与改进算法去噪后信噪比分别为4.55dB和9.97dB,大幅提高信噪比,达到随机噪声压制的目的,实现了高频分量的自适应选取和高频分量中有用信息的再提取。     

基于CEEMDAN的爆破地震波信号时频分析

爆破监测信号多为含噪信号,噪声会使经验模态分解(EMD)的结果产生严重的模态混淆,使用改进算法EEMD对模态混淆有一定的抑制作用但效果并不明显。为此本研究将使用自适应补充集合经验模态分解(CEEMDAN)来处理含噪信号。比较EMD、EEMD、CEEMDAN对仿真信号的分解结果,计算EMD、EEMD、CEEMDAN得到的IMF的排列熵值,对EMD、EEMD、CEEMDAN的分解结果进行Hilbert变换,并比较三者时频谱的分辨率。最后将CEEMDAN用于水下钻孔爆破地震波时频分析中,结果表明:CEEMDAN不仅对模态混淆具有一定的抑制作用,且其分解结果经过Hilbert变换得到的时频谱在时域和频域上都具有较高的分辨率。     

基于组结构字典稀疏表示的地震数据随机噪声压制

基于地震数据自身学习得到的自适应字典能够更精确地表示地震数据,针对稀疏表示传统方法训练出来的自适应字典的无结构性问题,文章提出一种基于组结构字典稀疏表示的地震数据随机噪声压制算法。该算法首先通过地震数据本身训练得到自适应学习型并具有一定结构性的组结构字典,然后利用该组结构字典对地震数据进行稀疏表示,通过得到的表示系数重建地震数据。所用的组结构字典能够更好地适应地震数据自身特性,对地震数据进行稀疏表示可得到更加稀疏的表示系数,滤除了通常系数很小的随机噪声,从而能够有效压制随机噪声。实验表明,文中所提出的地震数据随机噪声压制算法具有良好的去噪效果。     

基于变分模态分解的相关能量熵自适应阈值去噪

为有效抑制噪声对地震数据的影响,根据地震信号的时频特性,提出了基于变分模态分解的相关能量熵阈值去噪方法。采用变分模态分解算法将地震信号分解为频率由高频到低频且具有一定带宽的模态分量,计算各模态分量与地震信号的规范化相关系数,实现对各模态分量中的有效信息和噪声的定位。将去除有效信息的各模态分量分成若干子区间,分别计算各子区间的噪声能量熵,选取能量熵最大区间的模态分量系数作为该分量的噪声方差获得该分量的阈值,再将经阈值处理后的各模态分量重构得到去噪信号。通过对合成地震模型和实际地震信号进行去噪处理,并与直接去除高频分量的变分模态分解去噪方法进行了对比,结果表明,该方法能在强噪声环境下更有效地提取地震信号中的有效成分,提高信噪比。     

基于复合稀疏去噪的沙漠地震噪声消减

沙漠地震噪声既含有低频噪声又含有高斯白噪声,一般方法很难同时去除这两种噪声,针对此问题提出了使用复合稀疏去噪同时压制沙漠地震噪声中的低频噪声和高斯白噪声的方法。在复合稀疏去噪中将平方损失作为损失函数的保真度约束,将信号和信号一阶导数的 L1 范数作为损失函数的稀疏约束,然后通过最小化损失函数去除信号中的高斯白噪声。为同时去除低频噪声,复合稀疏去噪中联合使用了低通滤波器,即可一次性去除低频噪声和高斯白噪声。分别对模拟地震数据和实际地震数据进行仿真实验,实验表明该方法可有效地同时压制沙漠地震数据中的低频噪声和高斯白噪声,复合稀疏去噪的保幅略好于带通滤波器,去噪后带通滤波器会产生较严重失真,而复合稀疏去噪的失真较小。     

煤矿井下R-OTDR光纤EEMDMAF去噪算法研究

针对煤矿井下管道存在的潜在瓦斯泄露、粉尘爆炸等问题,提出了基于Ｒ-OTDＲ( Ｒaman Optical Time Domain Ｒeflectometry) 分布式光纤温度传感器的管道安全监测方法,分析了Ｒ-OTDＲ 光纤的技术原理。对于采集过程中温度信号噪声干扰问题,分别采用滑动平均滤波和EEMD( Ensemble Empirical Mode Decomposition) 两种方法进行去噪。仿真结果表明,单独使用两种方法都不能得到最优的去噪结果。将融合滑动平均滤波及EEMD去噪算法,并采用3 个指标用于效果判定。实验结果表明: 先滑动平均再EEMD 能有效去除信号中的干扰噪声,极大地提高了信噪比和系统测量精度,相比传统算法而言,系统传感效率更高。     

分布式声传感器井中背景噪声统计特性分析

分布式声传感器技术(DAS: Distributed Acoustic Sensor)是一种新近提出的高精度勘探数据采集方法,受制于复杂背景噪声的影响,DAS记录处理水平有待进一步提高.针对上述问题,采用基于替代序列的时间序列平稳性检验方法和Lilliefors检验法对DAS记录中复杂背景噪声的平稳性和高斯性进行研究....     

保持信噪比的相位分解反褶积方法研究

反褶积是目前提高地震数据分辨率的主要方法,传统的反褶积大都建立在地震子波最小相位的假设之上,这 与实际情况下地震子波更接近混合相位的事实不符。由于地层的吸收作用,实际地震信号中的高频成分较弱,很容易 受到高频噪声的污染。地震记录经过常规反褶积处理之后,在提高分辨率的同时,降低了地震记录的信噪比,信噪比 与分辨率的矛盾在实际地震勘探中十分突出。为此,提出一种基于相位分解并能保持信噪比的混合相位子波反褶积 方法,实现混合相位子波反褶积,在提高地震记录分辨率的同时,能自动控制高频噪声对地震资料信噪比的影响,使得 分辨率和信噪比达到相对和谐,提高地震记录表征地下构造的能力。