基于曲波变换与EMD的地震数据随机噪声衰减

由于曲波变换对信号具有较好的稀性,使得曲波阈值去噪法在数字信号噪声处理领域得到了广泛的应用,但该方法对弱信号曲波系数存在过分的扼杀现象,从而去除了部分弱有效波信号。为了在彻底地去除地震数据中的随机噪声的同时,更完整地保留地震数据特征,在曲波阈值去噪过程中引入二维经验模态分解(BEMD)法。首先将地震信号从高频到低频分解为若干个本征模态函数分量,然后利用前几阶含噪声的高频分量重构二维含噪记录,并使用曲波阈值法降噪处理后再与剩余不含噪声的低频分量重构出去噪的信号。不论是对理论模型还是野外数据,联合法的处理结果均优于单一曲波法处理结果。理论与实际数据实验结果表明,联合法在几乎去除地震数据中的随机噪声的同时尽可能地保留了弱信号,提高了地震信号的信噪比。     

小波变换在地震信号噪声处理中的应用

常规小波域阈值去噪方法未能充分利用地震信号相关性的特点进行去噪，只能去除地震信号中部分随机噪声，为此提出了一种小波域分时分频相关结合阈值去噪处理方法。该方法首先对小波变换后多个尺度上小波系数进行分时分频相关去噪处理，然后对处理后小波系数进行重构，并可去除大部分不相关随机噪声。对重构后地震信号再进行常规小波域阈值去噪处理以进一步去除噪声。模型测试和实际资料处理效果表明：使用该方法可以有效地改进地震信号去噪处理效果。     

基于曲波噪声估计的K-SVD字典学习地震资料去噪

常规K-SVD字典学习方法在处理实际地震资料的过程中,往往无法得到地震随机噪声的先验信息,使得相关的误差参数无法确定,只能通过大量调参来实现最优去噪效果。基于此提出了一种基于曲波噪声估计的K-SVD字典学习地震资料去噪方法,旨在通过对地震资料进行曲波变换,选取尺度系数最大且对应方向上噪声能量最大的曲波系数,来估计随机噪声标准差,再利用K-SVD字典学习方法自适应获得超完备字典,并在重构过程中根据所得噪声标准差确定最优迭代误差参数,从而进行去噪处理。理论模型和实际地震资料的处理结果表明,该算法相较于传统的去噪方法,能在压制随机噪声的同时,最大限度地保护有效信号不被切除。     

基于双重残差网络的地震数据随机噪声压制

地震信号的随机噪声压制是地震信号处理中的重要问题。卷积神经网络(Convolutional Neural Network,CNN)近两年在地震信号去噪领域展现其巨大的潜力。该方法可以突破先验约束,从大量的数据中学习噪声模式,可以高效智能地实现地震数据去噪。为了进一步提高去噪效果,本文提出基于双重残差结构的CNN网络地震数据随机噪声压制方法。该网络借助于双重残差框架,允许不同层配对操作的两个算子之间任意组合,可以提取更丰富的特征,有助于提高去噪性能。针对去噪问题,选用多尺度卷积核作为配对算子。合成数据和实际数据结果表明,相较于经典的F-X预测滤波、Curvelet变换以及基于深度学习的DnCNN方法,本方法能更好地压制随机噪声并保护有效信号,具有更高信噪比。     

基于曲波域的软硬阈值折中地震信号去噪

噪声衰减是地震资料处理中的关键步骤之一。根据曲波变换对于光滑且二阶连续可微函数所具有的最优逼近性能,给出了曲波域随机噪声衰减的软硬阈值折中方法。基于模型讨论了有效信号和随机噪声在曲波域不同方向上的分布差异;最后,将该方法应用于实际地震资料处理。结果表明,本文方法不仅有效地压制了地震资料中的随机噪声,提高了地震资料的信噪比,而且较好地保留了地震数据中的有效信号。     

基于ICEEMDAN的曲波阈值地震数据去噪方法研究

地震数据去噪对地震资料的品质的提升有重要的作用,因此对地震数据噪声的压制非常必要.本文提出一种基于ICEEMDAN与曲波阈值相结合去噪处理的方法,该方法解决了经验模态分解的模态混叠问题,使ICEEMDAN分解出来的模态分量特征更明显,然后通过曲波阈值对模态分量进行去噪并对处理的模态分量进行重构,利用信噪比(SNR)、均...     

基于改进的EEMD实现地震信号去噪

EEMD(Ensemble Empirical Mode Decomposition)是EMD的一种新扩展,为克服EMD本身存在的模态混叠而产生。传统EEMD去噪通常是将由噪声引起的IMF(Intrinsic Mode Function)直接舍掉,然后利用剩余的IMF重构信号,然而这种作法仅仅是压制了部分噪声,去噪效果不够理想。基于此本文提出一种改进的EEMD随机噪声消除方法,该方法结合了平移不变量小波阈值滤波压制高频噪声的优点以及Savitzky-Golay滤波去除低频噪声的优势。结果表明该方法不仅可以很好地衰减随机噪声,有效提高地震资料的信噪比,而且能够较好地保持有效信号。     

基于卷积自编码器的地震数据处理

引入以深度学习为代表的数据驱动方法,加速地震数据的处理流程,获得更精确的地下介质信息. 卷积自编码器方法在地震数据压缩降维的同时,利用数据的空间局部相关性自动提取信号特征,避免数学物理模型的假设依赖. 通过设计不同地质模型的地下速度结构,利用波动方程正演模拟构建大量不同特征的地震数据训练集和测试集. 与模型驱动的地震随机噪声压制和地震道插值方法不同,数据驱动下的卷积自编码器方法能够从含随机噪声地震数据和地震道缺失数据中,直接识别和提取出其中的有效地震信号,从而压制随机噪声以及重建原始地震数据,实验结果验证了该方法的有效性. 卷积自编码器方法不需要人工阈值控制,具有更高的处理效率.     

基于K-均值聚类与小波分析的声发射信号去噪

为准确识别声发射信号模式,必须剔除声发射信号中的噪声,传统滤波去噪方法效果并不理想,小波阈值去噪方法显示了独特的优势。针对小波阈值去噪方法中阈值设置风险问题,利用K-均值聚类方法对小渡分解后的高频系数进行分类,确定去除噪声对应小波系数的阈值,然后进行小波系数重构达到去噪目的。采用硬闲值法与软阈值法对声发射信号进行小波阈值去噪,将基于K-均值聚类方法生成的闽值和改进Donoho方法生成的阈值分别作为小波去噪闽值,实验结果表明,在信噪比、均方根误差和平滑度三个指标上,本方法优于改进Donoho方法。     

联合VMD和Shearlet变换的去噪方法研究

地震数据中的噪声信号会很大程度上降低地震数据的信噪比,对后续的处理和解释工作造成一定的难度,因此研究一种去噪方法具有十分重要的意义。本文构建一种变分模态分解(Variational Mode Decomposition, VMD)和Shearlet变换联合去噪的方法,首先通过VMD将地震数据分解为一系列不同中心频率分布的模态分量(Intrinsic Mode Function, IMF),然后使用Shearlet变换对含噪的IMF分量进行去噪并对处理后的分量进行重构,最终达到去噪目的。该方法引入基于稀疏表示的地震数据去噪方法,兼顾VMD和Shearlet变换的优点,可以有效去除噪声。经过合成信号、模型及实际数据测试结果表明,本文方法处理合成信号结果显示,与VMD和小波变换方法相比,信噪比分别提高1.69、1.87,均方误差数值上减少近一半,在去除噪声的同时能更好地保留地震数据特征,提高地震资料的信噪比。     

全变差曲波变换在医学影像图像去噪中的应用

针对曲波变换算法在医学影像图像去噪中会产生截断伪影和边缘模糊等问题,提出了一种全变差曲波变换算法.该算法首先对含噪医学影像图像分别进行曲波阈值和全变差去噪,然后将得到的去噪结果进行曲波逆变换并生成最终图像.仿真实验结果表明,该算法不仅可有效地降低噪声,还可较好地保持医学影像图像边缘和细节信息,其效果明显优于曲波变换算法和全变差算法.因此,该算法对医学影像图像的噪声滤除具有良好的应用价值.     

融合卡方累积分布函数和PDE的曲波阈值去噪法

针对硬阈值函数不连续导致视觉失真和软阈值函数存在恒定重构偏差的问题,依据噪声的曲波系数分布特性以及理想阈值函数特性,提出了基于卡方累积分布函数的新阈值函数．为了克服阈值去噪法固有的环绕效应和难以兼顾细节保持与去噪效果的性能缺陷,将偏微分方程去噪图像中包含的有益信息融合进新阈值函数去噪图像中,提出了新去噪方法．理论分析和仿真结果一致表明,较软、硬阈值去噪法,文中采用卡方累积分布函数和偏微分方程改进的曲波阈值去噪方法,可以有效地改善去噪效果和视觉质量．     

Curvelet变换在工程地震勘探中的应用

针对浅层地震勘察中的随机噪声压制,笔者提出了Curvelet域非线性阈值衰减的随机噪声压制算法,利用Curvelet分解细节估计噪声方差,得到了较好的噪声估计效果。通过给出的模型算例及台山核电厂某地震资料的处理实例,表明该方法能够有效的压制随机干扰,同相轴连续性与剖面信噪比比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EMD和Hilbert变换的心电信号去噪方法

基于经验模态分解(EMD)和Hilbert变换理论,提出一种心电信号(ECG)去噪方法.经验模态分解法将任意信号分解为一组固有模态函数IMF,对于非白噪声层IMF的阈值选取,针对传统阈值去噪方法存在较大偏差的问题,提出利用各层IMF的平均频率和能量密度乘积来确定非白噪声层IMF的噪声水平.介绍了白噪声层IMF的检验方法,并给出了利用该方法以及小波阈值去噪方法对心电信号进行去噪处理的实验结果.     

基于小波变换的去噪方法

分析了信号与噪声在小波变换下的不同特点,提出了基于小波变换的去噪方法,且将该去噪算法用算子加以描述,给出了具体实例。小波变硬阈值去噪法和软阈值去噪法的性能比较及仿真实验,表明基于小波变换的去噪方法是非常有效的。     

基于小波变换的地震映像法资料去噪研究

本文介绍了小波分析方法在地震映像法资料去噪处理中的应用研究。首先,通过对球体模型进行射线追踪,得到了球体反射点与反射时间。然后,在MATLAB环境中采用一维小波变换和二维小波变换分别对地震映像资料进行去噪效果研究,进行阈值滤波试验结果表明Bal．sparsity_norm（sqrt）阈值计算方法的处理效果较好。通过一维小波变换和二维小波变换的对比分析,对于二维地震图像的处理,二维小波变换处理效果较佳。在此基础上,采用二维小波分析阈值滤波法,对中国地质大学数理楼西侧路面下方防空坑道的地震映像法资料进行了处理,取得了较好的去噪效果。     

A data-driven threshold for wavelet sliding window denoising in mechanical fault detection

Wavelet denoising is an effective approach to extract fault features from strong background noise.It has been widely used in mechanical fault detection and shown excellent performance.However,traditional thresholds are not suitable for nonstationary signal denoising because they set universal thresholds for different wavelet coefficients.Therefore,a data-driven threshold strategy is proposed in this paper.First,the signal is decomposed into different subbands by wavelet transformation.Then a data-driven threshold is derived by estimating the noise power spectral density in different subbands.Since the data-driven threshold is dependent on the noise estimation and adapted to data,it is more robust and accurate for denoising than traditional thresholds.Meanwhile,sliding window method is adopted to set a flexible local threshold.When this method was applied to simulation signal and an inner race fault diagnostic case of dedusting fan bearing,the proposed method has good result and provides valuable advantages over traditional methods in the fault detection of rotating machines.     

LD区块地震资料噪声特征分析与压制

LD区块浅层含气范围很广,中深层是高温高压富集区,且地震噪声复杂,使得地震资料信噪比低,资料品质低,严重影响后续资料处理和解释的精度。本文首先采用频谱分析、自相关等技术分析了该区影响地震资料品质的地质因素和噪声特点,并发现常规压制噪声技术在靶区适应性差。为此,本文提出一套以复合多域多变换多层次去噪方法压制LD区块噪声的高精度高保真技术系列。该技术系列分别采用了复合多域去噪、多变换去噪、叠前叠后去噪等手段,对地震资料进行处理。处理结果表明,用文中提出的方法去噪,能在保持有效信号的前提下,最大可能地消除噪声。