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。     

南海OBC水听器分量随机噪声性质分析

针对海洋资源勘探受限于采集技术和环境的限制,以及OBC(Ocean Bottom Cable)记录通常含有大量随机噪声,对有效反射信息的辨识带来不利影响,提出了基于序列能量分布的平稳性检验方法,并利用多椎体法对OBC随机噪声的功率谱特性和平稳性进行了分析研究。使用南海某地采集的OBC实际噪声资料作为分析数据集。研究结果表明OBC随机噪声是一种色噪声序列和弱非平稳时间序列,噪声能量主要集中于低频部分。同时结合海洋勘探环境特点,论证了结论合理性,这对OBC随机噪声特性的基础研究具有一定的实际意义和应用前景。