基于凸集投影的重力数据扩充下延一体化方法

重力勘探的工区经常是不规则的,有时重力数据还存在空白区。在进行波数域向下延拓处理前,需对数据空白区进行填充。同时,为了提高处理精度,还需要将数据预扩边至快速Fourier变换所需要的长度。常规重力向下延拓方法一般仅考虑向下延拓本身,或将数据填充、扩边与向下延拓这三个步骤独立进行。本文统一考虑这三个不适定问题,提出一种基于凸集投影原理的重力数据填充、扩边、下延一体化方法,即采用Gerchberg-Saxton迭代法对数据进行插值和扩边,直至达到预定的迭代次数,然后下延。利用该方法和经典的插值、扩边、下延组合方法对理论模型和航空实测重力数据进行对比实验,结果表明该方法原理简单、操作方便,扩边结果光滑无畸变,插值和下延结果精度较高,优于经典组合方法。     

基于区域阈值模型的地震信号凸集投影高效重建方法

地震信号重建广泛应用的凸集投影（POCS）算法大都采用线性或指数阈值模型,虽然计算效率高,但由于难以完全消除缺失信号泄露引起的噪声,重建效果不佳。为此,提出了一种基于区域阈值模型的POCS地震信号重建方法,将数值阈值转化为区域阈值,将区域滤波窗口作为阈值进行迭代更新。其核心思想是根据时—空域缺失地震信号的频率—波数（F-K）谱分布范围,在每次POCS重建迭代时按照一定规律选取固定大小的矩形或扇形区域作为阈值,将区域内和区域外的变换系数分别保留和置零,以尽可能地保留有效信号的变换系数,构建了地震信号POCS重建的矩形与扇形区域阈值模型。数值试验结果表明：相比于F-K域指数阈值模型的POCS重建,F-K域区域阈值模型对连续缺失信号的重建精度更高;相比于扇形区域阈值模型,矩形区域阈值模型的重建精度和计算效率均略高;与曲波域指数阈值模型的POCS重建相比,F-K域区域阈值模型的重建精度相当,但计算效率提高了约90%。     

双谱信号重构技术在重力数据去噪中的应用

一个实信号可以用一个谐波信号序列来拟合,计算实信号的双谱,通过Fourier变换推算出谐波信号的系数和相位角与实信号双谱振幅谱和相位谱之间的关系,可以实现信号重构。谐波基频的准确估算是信号重构的关键,经过试验分析,取双谱振幅谱的第一个峰值对应的频率作为估算基频。构成实信号的谐波项数是未知的,通过设立系数因子控制谐波项数,可以满足不同频率（或波数）段信号的拟合,实现噪声压制。数值模拟和实际应用结果表明,双谱信号重构技术不仅能有效压制随机噪声,还可以进行异常分离。     

基于EMD重构地震信号的去噪方法

地震信号的信噪比直接影响地震资料的可靠性、参数提取的精度以及分辨率效果。小波去噪是目前常用的方法,但其不具有自适应性,去噪效果不理想。EMD分解具有自适应性,并且具有很高的可靠性、准确性和合理性。EMD分解后可以准确区分噪声信号和有效信号,对信号进行重构,提高信噪比,达到去噪效果。因此,EMD去噪是处理非平稳信号的一种有力手段。     

基于小波变换的磁记忆信号去噪方法研究

在利用小波变换对获取的磁记忆检测信号进行去噪处理时，主要有3种方法，基于小波变换的非线性方法能够获得较理想的处理效果。详细介绍了基于该方法的信号处理原理，并重点介绍了影响去噪效果的3项因素。非线性方法在工程实践中取得了良好的效果。     

基于经验模式分解的去噪方法

 根据经验模式分解（Empirical Mode Decomposition, 简称EMD）方法分解白噪声而得到的本征模式函数分量的能量密度与其平均周期的乘积为一常量这一特性,本文建立了一种滤波去噪方法,即EMD滤波去噪法。通过模拟数据试验分析表明：EMD可以作为一种去噪滤波器,EMD方法的去噪能力与噪声水平有关,对于噪声方差小于信号振幅且无高频信号时,其滤波去噪的效果良好;EMD方法的去噪能力还与待滤波数据中是否含有高频信号有关,而当噪声水平较大且待滤波的序列中又具有高频信号时,滤波曲线会出现明显的失真现象。     

基于匹配追踪算法的时频滤波去噪方法

地震资料信噪比是影响地震资料质量的关键因素之一,目前的去噪方法大多难以保证在去噪的同时不损伤有效波.为此,提出了基于匹配追踪算法的时频滤波方法,该方法采用"减去"去噪方式,可以有效地去除噪声,且不损伤有效波.匹配追踪算法的基本原理是,将任意信号分解为波形的线性延展,而这些波形是从函数的冗余代码中选出,可以最佳匹配信号的结构.用选出的波形中代表有效信号的部分对信号进行重构,可以达到无损去噪的目的.分别利用匹配追踪时频滤波法和F-X滤波法对含有随机噪声的仿真信号进行了去噪处理,结果表明,匹配追踪时频滤波法可以较好地去除仿真信号中的随机噪声,降低对高频信号的损伤.     

基于去噪卷积神经网络的面波噪声压制方法

提高地震资料的信噪比是地震数据处理的重要任务之一,与依赖信号模型及其相应先验假设的传统地震噪声衰减算法相比,基于大型训练集的深度神经网络的去噪方法通过对大型数据集进行学习,训练完成后可以对面波进行自适应智能降噪.根据叠前高密度地震数据的特点,建立面波去噪训练库,通过去噪卷积神经网络来衰减地震数据的面波噪声.为了准确高效...     

基于曲波变换的地震数据去噪方法

地震记录中的随机噪声频带较宽,采用常规的去噪方法效果不理想;小波变换去噪方法虽然可以压制随机噪声,但会损伤有效信号,且去除二维信号中的随机噪声时存在一定的局限性。针对此局限性,Candè提出了脊波变换,但对于整幅图而言,脊波变换的效果并不理想。由此,发展了曲波变换,即基于小波变换和脊波变换的多尺度几何分析方法。该方法能够表示具有方向性的线性奇异边缘,克服了小波变换在表达图像边缘的方向特性等方面的内在缺陷。曲波变换结合了脊波变换的各向异性特点和小波变换的多尺度特点,可以在压制随机噪声的同时保护有效信号,达到更好的去噪效果。仿真数据和实际资料去噪结果验证了曲波变换压制随机噪声的可行性及其效果。     

利用抗假频凸集投影算法的规则缺失地震数据重建

在地震数据现场采集过程中,因受工区复杂地形等条件限制,采集到的地震数据大多不完整、不规则,且会呈现不同程度的空间假频现象。在均匀空间网格下,规则地震道缺失引起的假频与真实频谱相似,而常规基于傅里叶变换和凸集投影（POCS）的重建方法不能实现反假频重建。为此,针对线性同相轴规则缺失地震数据,通过在f-k域中采用倾角扫描方法拾取有效波能量,建立相应的选择函数,将其引入到POCS算法对数据进行反演计算,重建得到无假频数据。数值实验结果表明,文中所提方法在重建规则缺失地震数据的同时有效地消除了假频信息。     

重力张量数据的目标体边缘检测方法探讨

文中介绍了几种目前常用的利用位场数据提取目标体边界的算法。通过分析各种边界提取算法的结果特征,将其分为阶跃型边缘和屋脊型边缘两种,并把边缘检测技术应用到重力张量数据处理中,利用阶跃型边缘检测算子和屋脊型边缘检测算子直接提取目标体边界。模型实验结果表明,利用边缘检测算法得到的目标体边界与实际边界吻合较好,与利用极值点、零点或其他特征点的边界提取算法相比,通过边缘检测算法得到的目标体边界更为精确、完整。同时通过对理论模型添加5%的高斯白噪声,证明了边缘检测算法具有一定的抗干扰能力。     

地震资料快速两步插值算法

为了提高插值效率以及选择最优的插值方案,基于凸集投影（POCS）算法和迭代阈值（IST）算法的分析公式,在前人的基础上发展了快速迭代收缩阈值（FIST）算法和快速凸集投影（FPOCS）算法。基本思想是：将前一步的插值结果与前两步的插值结果通过线性算子进行线性组合,得到迭代收缩算子;通过插值算法进行插值。同时引入质量控制新准则,提高了计算效率和精度。使用IST、POCS、FIST和FPOCS等算法分别对由Seismic Lab建立的四层地震模型、Marmousi模型的不完整地震数据进行插值,筛选出最佳的阈值策略,并最终由实际地震资料进行验证。结果表明：阈值指数递减策略较恒阈值、阈值线性递减、数据驱动阈值等策略获得的插值结果的信噪比更高;结合终止准则,最大迭代次数为35~50时,即可获得较好的插值效果。     

基于K-L变换的微地震资料去噪方法

K-L变换是一种有效的地震去噪方法,但对于信号弱、信噪比较低的微地震资料,传统K-L变换方法去噪效果较差。为此,提出基于K-L变换的微地震资料去噪方法。首先利用单道微地震记录求取协方差矩阵,然后对协方差矩阵进行求解特征值和特征向量,通过分析,选取适当的特征值所对应的新分量进行矩阵的重构,最后通过K-L反变换得到去除噪声、有效信号突出的重构信号。该方法应用于四川某地区微地震资料的去噪处理,效果良好。     

一种基于光滑L1范数的地震数据插值方法

基于稀疏变换的地震数据插值可提供有效、可靠的波场,但为了适应不断增加的计算量和减少CPU计算时间,必须探寻更快速稳健的方法。本文提出一种基于曲波变换的快速梯度投影法并应用于地震数据重构。即构建一个光滑的L₁范数优化模型,并用梯度投影法求解该模型。由于曲波变换具有多尺度、多方向、各向异性等特性,可对曲线形状的同相轴进行稀疏表示,计算时利用曲波正交变换加快计算速度。数值实验结果表明,该方法显著快于目前主流的稀疏反演方法,实际数据的试算效果良好。     

基于经验模态分解与小波阈值的MT信号去噪方法

针对低信噪比大地电磁数据的去噪问题,本文提出了-种基于经验模态分解的小波阈值去噪方法,并给出了方法原理和计算步骤;在与小波变换去噪效果对比的基础上,用仿真实验验证了方法的可靠性,并对安徽和内蒙某地实测数据进行了去噪处理。结果表明,本文提出的去噪方法是有效的,去噪后MT信号变得平稳,估算的响应曲线误差棒平均值减小,可为进-步的资料处理和地质解释提供保障。     

一种变密度—速度关系的重力与地震同步联合反演方法

针对现有同步联合反演方法的不足,提出一种变密度—速度关系的重力与地震同步联合反演方法。详细推导了联合求解密度模型与速度模型的解估计公式;给出了利用密度模型和速度模型的高阶统计量的物性关系更新算法,初始物性关系在反演迭代过程中根据当前及上轮迭代的密度和速度模型不断更新。模型试算结果证明该方法降低了初始物性关系不准确对反演结果造成的不利影响。实际资料试算结果表明该方法建立的速度模型能够改善地震成像质量,在低勘探程度地区具有较大的应用潜力。     

基于单道边界检测和样条插值的初至波自动拾取

初至波自动拾取方法已有很多，但在实际应用中或多或少都受到一定的限制。为此，从初至波的特点出发，提出了单道数据边界检测和样条插值相结合进行初至波自动拾取的方法。该方法的基本原理是：首先应用单道边界检测算法确定单炮记录每一地震道的能量边界；然后利用一定的判定准则对检测结果进行判别，保留正确的边界点，去掉错误的边界点；再利用正确的边界点对不确定边界点进行样条插值，得到一条连续的边界；最后，利用能量边界点对原始记录进行映射，在一定范围内搜索最准确的初至波到达时刻。利用实际资料对方法进行了验证，结果表明，该方法拾取精度高，自动化程度高，剖面的品质得到了较大的改善。     

基于自注意力机制深度学习的重磁数据网格化和滤波方法

重磁数据网格化和滤波结果直接影响解释结果,为此设计了合理的深度学习网络结构以实现高精度重磁数据网格化和滤波处理。建立基于自注意力机制深度学习的网格化方法,使用自注意力机制层对二维位置编码进行处理,得到融合了全局与局部信息的位置编码向量,再将位置信息与异常信息融合输出节点异常,从而降低数据的失真性。针对重磁数据噪声具有随机性、条带状的特点,首先采用卷积神经网络进行噪声分类,针对条带状噪声和随机噪声分别采用自注意力机制神经网络和卷积自编码器进行去除,可获得质量较高的基础数据。模型试验表明,深度学习的网格化结构相对常规方法更接近真实结果,所开发的滤波方法能很好地实现不同类型噪声的去除,为后续反演提供更准确的基础数据。将基于深度学习的网格化和滤波方法用于实际磁场数据的处理,获得了较好的结果,证明该方法具有较强的实用性。