基于CEEMD的地震数据小波阈值去噪方法研究

考虑到地震信号的非平稳性和去噪方法对非平稳信号的适应性,针对互补集合经验模态分解(CEEMD)舍弃高频分量的去噪方法和小波阈值去噪方法存在的不足,提出了基于CEEMD的地震数据小波阈值去噪方法。CEEMD是EMD(经验模态分解)的改进型算法,它既保留了EMD处理非平稳信号的优势,又能有效地克服EMD的模态混叠问题;但是,单纯的CEEMD分解去噪会在去除高频噪声的同时压制高频的有效信息。将CEEMD分解与小波阈值去噪相结合,对CEEMD去噪要舍弃的含噪声较多的高频固有模态函数(IMF)分量进行小波阈值去噪,以保留这些分量中的有效信息。模型数据和实际地震资料的测试结果表明,无论对于低噪声还是强噪声地震数据,基于CEEMD的小波阈值去噪方法的去噪效果都优于单纯的CEEMD去噪方法和小波阈值去噪方法。     

基于EMD-小波包的随钻测量信号去噪方法

为了降低随钻测量过程中噪声对信号的影响,针对经验模态分解(EMD)去噪方法粗糙和小波包去噪方法缺乏自适应的问题,提出了一种基于EMD-小波包的随钻测量信号去噪方法。利用EMD分解自适应的特点将随钻测量信号分解成几个IMF分量;根据信号自相关函数的特性找出主要含噪的IMF分量,再利用小波包阈值去噪方法将含噪IMF分量中的噪声去除;将去噪后的IMF分量和剩余的分量重构,得到去噪后的随钻测量信号。为验证方法的有效性,进行了随钻测量实验并用该方法对采集的信号进行处理。结果表明该方法能够很好地去除随钻测量信号中噪声的干扰,提高信号的信噪比。     

基于经验模态分解互信息熵与同步压缩变换的微地震信号去噪方法研究

针对微地震信号具有随机性、非平稳性与时频耦合的特点以及经验模态分解(Empirical Mode Decomposition,EMD)的模态混叠问题,提出了基于经验模态分解互信息熵与同步压缩变换(Synchrosqueezing Transform,SST)的微地震信号去噪方法。首先对微地震信号进行经验模态分解,获得从高频到低频排列的固有模态函数(Intrinsic Mode Function,IMF)分量;然后求取相邻固有模态函数分量之间的互信息熵,从而辨识出高频与低频部分的分界;最后利用同步压缩变换提取高频部分的有效信号,将其与低频部分重构,实现微地震信号的有效去噪。利用不同噪声强度的理论模型和实际资料,对本文方法与直接舍弃高频成分的去噪方法进行了对比,结果表明,本文方法能够很好地去除微地震信号中的混叠噪声,并将有效信号从噪声中提取出来,提高了资料的信噪比。     

基于经验小波变换的地震资料噪声压制方法

噪声压制是地震资料处理中重要的环节,目前已有的去噪技术存在着噪声去除不干净、有效信号丢失、不能处理非线性非平稳信号等问题。经验小波变换(Empirical Wavelet Transform,简写为EWT)是一种能自适应分解原始信号的算法,其相较于经典的经验模态分解(Empirical Mode Decomposition,简写为EMD)具有更好的自适应性和完善的数学理论基础。将EWT算法引入到地震资料噪声压制中,选取合适的小波函数并利用EWT算法对目标地震信号进行自适应分解,得到其各个频率尺度的固有模态分量;然后根据原始地震信号的主频设定阈值范围,选取主频值在阈值范围内的固有模态分量进行重构,最终获取去噪后的地震信号。结果表明将EWT噪声压制算法应用于数值模型和实际地震资料中,可以很好地实现有效信号和噪声的分离,结果均比常规算法的去噪效果要好。     

利用基于深度学习的过完备字典信号稀疏表示算法压制地震随机噪声

曲波变换去噪处理使同相轴在断层等不连续区域发生畸变,对有效信号产生干扰。基于过完备字典信号稀疏表示（K-SVD）需要人工反复调整参数才能改善去噪效果。为此,将K-SVD去噪算法与深度学习网络相结合,综合考虑深度学习网络与稀疏表示方法的优点,研究了基于深度学习的过完备字典信号稀疏表示（Deep-KSVD）的地震数据随机噪声压制方法。为了使该网络有能力学习参数,在追踪阶段用一个等价的可学习的替代方案代替正交匹配追踪（OMP）算法。计算过程包括将数据分解为重叠的数据块、通过适当的追踪对每个数据块去噪以及通过去噪后的数据块加权重建整个数据,去噪处理包括稀疏编码、正则化系数估计以及数据块重建三个部分。模型数据和实际数据测试结果表明：当Deep-KSVD网络训练完成后,给定含噪数据,能够自适应地衰减地震噪声,并保护有效不连续性信息及数据结构特点,无需再进行参数调整;与K-SVD去噪方法相比,Deep-KSVD去噪方法的噪声压制效果更好,可提高全频带数据的信噪比。     

基于CEEMDAN的时频峰值滤波微地震随机噪声压制方法

微地震监测被广泛应用于非常规油气勘探领域,促进油气的增储和高效开采。由于微地震数据具有非平稳性,现行去噪方法的效果并不理想。文中提出一种基于样本熵（SE）自适应白噪声完整集合经验模态分解（CEEMDAN）的时频峰值滤波（TFPF）方法,压制微地震数据中的噪声,保留有效信号幅值。原始微地震数据经CEEMDAN分解为若干个本征模态分量IMFs;通过计算IMF的样本熵将IMF划分为需滤波和存留的两个组分,对需TFPF滤波的IMFs逐一选择时窗长度进行滤波;将处理后的IMFs与不需处理的IMFs重构即可得最终滤波信号。理论模型与实际数据均证明,所提方法噪声压制效果优于传统EMD和固定时窗的TFPF去噪方法。     

基于多尺度分解的微地震噪声压制与初至检测方法研究

地面微地震数据信噪比很低,严重影响了初至拾取的精度及反演结果的可靠性。为此,对基于改进的完备总体经验模态分解(ICEEMD)的去噪方法与初至检测方法进行了研究,首先利用ICEEMD将非平稳信号分解为一系列相对平稳的固有模态函数,然后提出了一种自适应间隔阈值去除固有模态中噪声成分的方法,最后将去噪后的分量相加重构去噪后的信号。应用Hilbert变换计算每个分量的振幅,然后计算持续能量比,利用给定的阈值找到局部最大值,计算得到高能量的地震信号的到达时间。理论模型数据及实际微地震资料的处理结果表明,去噪后数据的信噪比得到了改进,相对于传统的空间域滤波与变换域阈值去噪,该去噪方法具有显著的优势及较好的应用价值,与Hilbert变换结合的初至检测方法可以有效地检测微地震信号初至。     

基于稀疏反演的多道匹配追踪地震信号去噪方法及其应用

基于超完备子波库的单道匹配追踪方法在自适应分解地震道时未能分离有效信号和噪声,故难以直接、准确地去除噪声。为此提出了基于稀疏反演的多道匹配追踪去噪方法,以多个连续地震道为研究对象,首先采用多方向矢量中值滤波法计算同相轴倾角,以中间道为标准将同相轴校正后再水平叠加;然后采用基于基追踪降噪的稀疏反演方法分解叠加道,选择与叠加道中有效信号匹配的子波作为中间道匹配追踪分解的子波库;最后根据其它道相对中间道的校正量,对中间道匹配追踪分解的子波库进行反校正,分别构建各道匹配追踪分解的子波库。将基于有效信号匹配子波构建的子波库代替超完备子波库,在搜寻最佳匹配子波时选择性地提取地震道中有效信号,可直接分离有效信号和噪声。单道信号测试结果验证了该方法去除噪声的可行性;合成和实际地震数据应用结果表明,该方法相较于单道匹配追踪方法具有更好的去噪效果,且去噪后剖面的横向连续性更好。     

时频域变分模态分解地震资料去噪方法

强噪声干扰、信噪比过低是造成深层地震资料成像不佳的主要因素。为此,提出在时频域内将变分模态分解算法应用于分频地震资料的噪声压制处理的新思路。首先,通过希尔伯特-黄变换（HHT）构建地震数据的解析信号,将地震数据转换到时频域,在时频域进行分频变分模态分解;随后,分析有效信号与噪声在时频切片上的能量分布,在此基础上优选出有效信号模态分量重构时频切片;最后反变换回时空域,达到噪声压制的目的。应用模型数据分析了关键参数对去噪效果的影响;实际资料的应用结果表明该算法可有效压制较强的随机背景噪声,同时对陡倾角的线性干扰也有明显的压制作用。     

结合CEEMDAN和主成分分析的低信噪比微地震初至信号检测

微地震资料信噪比过低,传统方法的初至拾取精度与稳定性大多不理想。将基于自适应噪声完备经验模态分解（CEEMDAN）与主成分分析（PCA）相结合,有效地实现了低信噪比资料中的初至特征检测。针对低信噪比微地震资料进行CEEMDAN处理后,对各阶本征模态函数（IMF）进行PCA,再对各阶IMF的主成分进行加权重构,同时对次要成分进行压制与剔除,使三分量信号中具有较强一致性的初至信息得以保留。设计多组不同信噪比的测试信号,对方法的可行性进行测试,并最终应用于三分量实测信号。结果表明,该方法在极低信噪比条件下仍可实现对微地震信号初至的有效识别与检测。     

基于稀疏冗余表示的三维地震数据随机噪声压制

传统的二维随机噪声压制方法应用于三维地震数据的随机噪声压制时,去噪效果往往不理想,为此提出基于稀疏冗余表示的压制三维地震数据随机噪声的方法.该方法在贝叶斯框架下,通过正交匹配追踪(OMP)和K-奇异值分解(K-SVD)不断迭代更新三维稀疏矩阵和三维超完备离散余弦变换(DCT)字典,利用三维超完备DCT字典作为三维地震数据的稀疏冗余表示,使三维地震数据中随机噪声得到压制.三维模拟数据和实际地震数据试算表明:与常规f-x反褶积法和K-L变换法相比,该方法既提高了三维地震数据体的信噪比,又有效地保护了地震反射信号,而且水平切片的连续性和平滑性很好,构造复杂区域的分辨率也得到提高.     

基于多核模型的地震信号高效稀疏分解

为了提高地震信号分解算法的效率和模型的稀疏度, 本文利用多个核函数作为原子, 自适应地对地震信号进行稀疏分解。通过对地震信号在时频域分别进行全局k均值聚类, 确定字典库中原子备选参数, 然后通过正交最小二乘算法进行信号的稀疏重构。合成资料以及实际地震资料应用结果均表明, 文中所提方法在达到同样的重构精度时, 较大程度地提高了地震信号分解的稀疏度。     

MCA框架下Shearlet和DCT字典组合地震数据重建

相比于单一变换,形态分量分析（MCA）是信号稀疏表示的一种更有效的手段。在MCA框架下,提出了一种Shearlet字典和DCT字典组合的地震数据重建方法。首先,基于MCA框架,分别选取DCT字典和Shearlet字典稀疏表示地震数据中的局部奇异分量与平滑线状分量;随后,通过加入指数阈值模型和指数阈值函数的块坐标松弛（BCR）算法重建各个分量;最后,合并各个分量得到重建结果。合成数据实验和真实数据实验均表明,该方法能够有效地重建缺失地震数据,且重建精度高于单一Shearlet字典、Curvelet+DCT字典组合和Shearlet+Curvelet字典组合。     

基于经验模态分解字典的自适应匹配追踪谱分解方法及其在油气检测中的应用

利用地震信号的瞬时属性确定时频原子动态参数的扫描范围,获得的瞬时频率稳定性较差且存在负值。利用连续相位求取瞬时频率易受噪声影响,并存在频率异常值。为此,首次将经验模态分解（EMD）引入匹配追踪（MP）算法,提出了基于EMD字典的自适应MP谱分解方法。将EMD视为一种基于过完备时频字典的稀疏分解方法,在计算匹配原子主频的过程中,引进基于连续相位的阻尼最小二乘反演求解瞬时频率,并加入整形正则化算子对数据进行平滑处理,利用整形正则化平滑算子的阻尼最小二乘法有效避免了频率异常值,得到的瞬时频率曲线更平滑、真实,且更突显高频成分。将基于EMD字典的快速MP方法应用于储层含油气性预测,对比不同尺度瞬时谱剖面可以清楚地看到明显的低频阴影现象,且提高了分解效率,从而进一步验证了方法可行性。     

基于小波重构的输油管线压力信号降噪分析

在输油管线泄漏诊断中,压力信号常常夹杂大量的噪声信号,进行工况识别时需对原始信号进行降噪处理。应用小波Mallat算法,对压力信号分解和重构。在各个子带上分析信号的时域和频域特征,结合压力信号和噪声的时频分布规律,提出了对压力信号低频近似部分和分解到一定尺度的高频细节信号重构的降噪方法。对比小波阈值降噪结果,验证了小波重构具有良好的降噪效果,并简化降噪步骤、降低计算量,适合工程计算。     

联合去噪算法在输气管道泄漏声信号中的应用

针对油气管道发生泄漏后,泄漏声信号在沿管道传播过程中必不可少的会混入噪声问题,研究了变分模态分解(VMD)在管道泄漏去噪中的应用,提出了一种基于VMD,多尺度排列熵(MPE)和小波阈值去噪(WT)的VMD-MPE-WT联合去噪算法.利用MATLAB软件在该算法对信号处理结果进行仿真分析,结果表明:对比小波去噪,VMD,...