基于交叠组稀疏非凸Lp伪范数高阶全变分的地震随机噪声压制

针对高阶全变分模型在地震资料去噪中存在严重阶梯效应的问题,引入交叠组稀疏去噪技术;为提升对局部细节的保护能力,加入非凸L_p伪范数正则化,形成一种改进的去噪模型。该模型是从传统孤立的数据点向四周延伸,充分挖掘信号的邻域相似性。由于改进模型存在耦合问题,进一步采用交替方向乘子迭代法将其转化为四个子问题,并在求解过程中采用最大最小值算法和加权方向迭代L₁算法以提高计算精度和效率。模拟数据和实际资料的应用结果表明,所提方法不仅能有效减弱阶梯效应,压制地震数据中的随机噪声,而且具有保护弱小信号局部细节的能力。     

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。     

基于在线字典学习算法的地震数据去噪应用

为了解决常规去噪方法不能根据地震数据自适应构造基函数,去噪效果无法达到最佳的问题,引入基于稀疏表示的在线字典学习(ODL,online dictionary learning)算法对地震数据进行去噪处理。ODL算法能够快速学习,得到与地震数据高度匹配的字典,该自适应字典代替了传统域变换方法中的固定基函数。同时,结合稀疏表示的思想,使用最小角回归(LARS)算法求解出字典的最优稀疏表示系数,将字典与稀疏表示系数组合,从而得到去噪后的地震数据。理论模型和实际地震数据的去噪应用表明:相比较为先进的curvelet变换方法,ODL算法可以更有效地去除随机噪声、相干噪声,同时很好地保留了数据特征。因此,ODL算法对于地震噪声压制有实际指导意义。     

小波变换域K L变换及其去噪效果分析

K—L变换利用相邻地震道的相关性来去除随机噪声，但对于倾斜和弯曲同相轴反射去噪效果不佳。采用改进的时变倾角扫描叠加K—L变换能够较好地去除随机噪声，但由于在时间域进行，没有考虑有效信号和随机噪声在频率域的特点，高频有效信号易受压制。小波变换具有较强的时频分析能力，在小波变换域进行K—L变换，可以实现分时分频K—L变换去噪。介绍了小波变换域K—L变换压制随机噪声的基本原理，即先将地震信号进行小波分解形成分时分频的小波包剖面，然后用K—L变换对小波包剖面进行去噪，再将去噪后的小波包剖面重构回地震剖面，从而达到消除随机噪声的目的。理论模型计算和实际资料处理表明，小波变换域K—L变换去噪方法在有效去除随机噪声的同时能够保护高频有效信号。     

稀疏广义S变换及其在储层地震低频异常检测中的应用

时频分析(TF)是地震资料处理与解释中非常重要的方法之一，时频分辨率是高精度储层预测的关键参数。常规S变换及广义S变换的时频分辨率已难以满足高精度储层预测的需求。为此，将稀疏约束的思想引入TF中，在利用广义S变换参数可灵活调节的基础上，通过优化窗矩阵构建一种稀疏广义S变换方法。合成信号的对比分析结果表明，稀疏广义S变换方法能够获得时频分辨率更高、能量聚集性更好的时频分布，在高频和低频部分均能保持较高的时间分辨率。在实际地震数据的低频阴影检测中，该方法能更清楚地刻画油气储层的空间展布，有利于减小油气储层检测的多解性。     

基于广义S变换及高斯平滑的自适应滤波去噪方法

常规基于广义S变换的噪声压制方法需要人为确定高频噪声在时频域的压制范围。针对这一问题,联合广义S变换的自适应时频滤波函数和高斯平滑去噪算法发展了一种自适应去噪方法。首先对信号进行广义S变换获得时频域数据,在S反变换重构时间域信号过程中采用数据自适应时变滤波函数去除大部分高频随机噪声;然后对时间域信号采用高斯平滑滤波函数去除信号中剩余高频随机噪声。模型和实际资料试算结果表明,本文的滤波去噪方法能够有效去除地震数据中的高频随机噪声,具有较强的适应性和实用性。与常规的随机噪声衰减预测法相比,本文方法受处理参数影响较小,且处理后有效信号在时频谱上的时频分辨率较高。     

基于小波变换的地震资料局域自适应去噪研究

:常规小波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，为此在多层小波变换中引入了双变量概率分布模型。基于贝叶斯估计理论，得到了相应的双变量收缩函数；基于层内局域方差估计，得到了一种局域自适应去噪算法。在实验中，将该算法分别应用于实值离散小波变换域和复数小波变换域，并和隐马尔科夫模型的去噪方法进行了比较。数值模拟实验和实际地震资料处理结果表明:复数小波变换的局域自适应收缩算法去噪效果最好。     

平面地震属性的去噪方法

 本文针对地震相分析和储层预测中的平面地震属性去噪问题,提出了因子克里格法去噪新方法。该方法的基本思路是通过对区域化变量的统计相关和空间相关,优化地震属性,达到去除平面属性中的随机噪声和线性噪声的目的。此方法的关键在于将区域化模型看成是由有效信号和噪声因子组成的,每个因子有相应的变差函数,利用有效信号和噪声在变差域的差别即可实现去噪。实际资料处理结果表明,本文方法的去噪效果明显好于其他常规去噪方法。     

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。     

曲波变换三维地震数据去噪技术

常规去噪方法主要用于二维地震资料的处理,但噪声也存在于三维数据空间,导致常规去噪方法效果较差。为此,选用多尺度、多方向的二维曲波变换进行三维地震资料去噪。首先抽取含噪三维地震数据的时间切片进行多尺度、多方向分解,在曲波域采用局部阈值法去噪,对曲波变换后的每一个尺度选取一个合适的阈值因子,然后通过阈值处理,得到各尺度下的有效波曲波系数,最后将提取的有效波曲波系数进行逆变换重构出地震信号,达到去噪的目的。理论模型与实际资料的处理结果表明,与其他去噪方法相比,该方法最大限度地保留了地震数据的有效信号,达到了更好的去噪效果,具有较好的应用前景。     

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...     

基于曲波噪声估计的三维块匹配地震资料去噪

常规的三维块匹配（BM3D）算法在地震资料降噪处理中具有较好的效果,但在实际处理中因无法得到噪声先验信息,通常难以确定所需的滤波阈值等相关参数。为此,提出了一种基于曲波噪声估计的BM3D地震资料去噪方法。首先利用曲波变换估计地震资料的噪声方差,再通过改进的BM3D去噪算法自适应地选取合适的阈值参数并完成去噪处理。理论模型与实际资料的处理结果表明,所提算法与常规的BM3D去噪算法和曲波变换去噪算法相比,能在很好地去除随机噪声的同时更好地保护有效信号,且在去噪过程中对边界反射的细节信息保持较好,计算效率较高,在实际资料处理中得到良好的效果。     

基于迭代启发网络算法的非平稳随机噪声压制

常规滤波方法常常放大了噪声的影响,同时噪声的存在也限制了分辨率的提升,并“平滑”了地震数据中的不连续信息。为此,提出了基于迭代启发网络（ⅡN）算法的非平稳随机噪声压制方法,利用迭代启发网络压制非平稳随机噪声,网络结构简单、紧凑。ⅡN由交替方向乘子算法的迭代过程推导而来,利用L₁范数优化变分模型。在训练阶段,通过增加一个新的辅助变量,将目标函数的极值转化为增广拉格朗日格式,使用L-BFGS（Large-Broyden Fletcher Goldforb Shanno）算法判别、训练所有网络参数,最终得到最优去噪模型。理论模型及实际资料的去噪结果表明：①由训练得到的去噪模型根据有效信号的特征,在去噪的同时可保留同相轴的形状特征;采用的迭代网络简单、紧凑,加快了网络的收敛速度,能够用相对较小的数据集和较短的训练时间快速训练去噪模型,达到预期的去噪效果。②所提方法具有较强的适应性,有效地压制了常规地震数据中的非平稳随机噪声。     

自适应数据驱动的紧框架微地震数据随机噪声压制

地面微地震数据的信噪比很低,严重影响初至拾取的精度及反演结果的可靠性。本文首先采用基于弱纹理块的噪声估计方法求取含噪微地震数据中的噪声方差,然后采用数据驱动紧框架方法去噪,有效地压制实际微地震数据中的随机噪声,提高数据的信噪比。理论模型和实际资料的处理结果表明,该方法可以去除传统方法在低信噪比数据去噪后引入的背景斑块,且去噪后的信噪比得到了极大的提高。因此,相对于传统的方法,本文方法具有显著的优势及较好的应用价值。     

应用平稳小波变换与深度残差网络压制地震随机噪声

常规去噪方法众多,但每种方法都受某种假设或条件限制。另外,常规去噪方法中一些优化问题具有多个局部极值,导致算法可能收敛到局部最优解而非全局最优解。为此,提出了一种基于平稳小波变换与深度残差网络的地震随机噪声压制方法。采用残差网络(ResNet)的拓扑结构,结合平稳小波变换压制地震数据噪声。残差模块有效避免了网络过深引起的梯度消失或计算消耗但损失函数趋于饱和的问题。另外,小波变换是一种高效的特征提取方法,可获得信号低频和不同方向高频特征信息,分区域学习信号或噪声的特征。首先,对Train400数据集中的每幅图片旋转不同角度以增加训练集数据量,经过旋转变换后加入高斯噪声。然后,对每幅图片进行1级平稳Haar小波分解,得到训练数据集;通过训练提取信号中噪声的小波变换高、低频信息,在此基础上通过直连通道,从含噪数据的小波分解中减去学习到的噪声的小波分解,得到去噪信号的小波分解。最后,通过逆平稳小波变换得到去噪信号。合成信号和实际地震数据去噪试验表明,所提方法能较好地压制地震随机噪声,去噪信号的信噪比、峰值信噪比均较高。     

应用平稳小波变换与深度残差网络压制地震随机噪声

常规去噪方法众多,但每种方法都受某种假设或条件限制。另外,常规去噪方法中一些优化问题具有多个局部极值,导致算法可能收敛到局部最优解而非全局最优解。为此,提出了一种基于平稳小波变换与深度残差网络的地震随机噪声压制方法。采用残差网络(ResNet)的拓扑结构,结合平稳小波变换压制地震数据噪声。残差模块有效避免了网络过深引起的梯度消失或计算消耗但损失函数趋于饱和的问题。另外,小波变换是一种高效的特征提取方法,可获得信号低频和不同方向高频特征信息,分区域学习信号或噪声的特征。首先,对Train400数据集中的每幅图片旋转不同角度以增加训练集数据量,经过旋转变换后加入高斯噪声。然后,对每幅图片进行1级平稳Haar小波分解,得到训练数据集;通过训练提取信号中噪声的小波变换高、低频信息,在此基础上通过直连通道,从含噪数据的小波分解中减去学习到的噪声的小波分解,得到去噪信号的小波分解。最后,通过逆平稳小波变换得到去噪信号。合成信号和实际地震数据去噪试验表明,所提方法能较好地压制地震随机噪声,去噪信号的信噪比、峰值信噪比均较高。     

CEEMD与KSVD字典训练相结合的去噪方法

本文提出一种完备总体经验模态分解（CEEMD）方法与K奇异值分解（KSVD）学习字典算法相结合的地震信号去噪方法。含噪信号通过CEEMD分解得到一系列不同尺度的固有模态函数（IMF）;按频率由高到低依次排列IMF各分量,并做自相关分析,去除噪声主导的IMF分量;将累加的过渡IMF分量叠加重构并做CEEMD二次分解,通过自相关分析再次去除噪声主导的IMF分量;分别叠加二次CEEMD分解剩余的IMF分量和一次剩余的IMF分量,得到两个新的含噪信号,并利用KSVD过完备字典分别稀疏表示该两个新的含噪信号,即由稀疏系数重构去噪后地震信号,进而重构最终去噪结果。实验结果证明：该算法的去噪效果明显优于F-X去噪、小波阈值去噪和KSVD字典稀疏去噪等传统方法。     

基于深度学习的鲁棒地震数据去噪

地震勘探数据中包含的噪声比较复杂,基于先验的传统建模方式无法准确地刻画噪声分布.深度学习 通过多层卷积神经网络自动提取数据的深层次特征,利用非线性逼近能力 自适应地学习而得到一个复杂的去噪模型,为地震数据去噪带来了新思路.但是,目前基于深度学习的去噪方法在样本覆盖不充分的情况下,学习得到的模型泛化能力不强,极大地降低了...     

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。     

基于凸集投影的重力同时填充扩边和去噪方法

实测重力数据经常因工区不规则导致数据存在空缺。在波数域进行重力数据处理和转换前必须对原始数据进行填充和扩边处理。数据中存在的高频噪声往往是造成数据后续处理不稳定的主要原因。常规重力数据处理一般将数据的填充、去噪和扩边这三个步骤独立进行。为此,将这三个问题统一考虑,提出一种基于改进凸集投影方法的规则网格重力数据同时填充、去噪和扩边迭代方法。首先通过计算并拟合重力数据的径向平均功率谱确定迭代的最终截止波数,然后利用数据低于截止波数的谱对数据同时进行填充、扩边和去噪,直至达到预设的迭代次数。对理论重力模型和阿富汗实测均衡重力数据进行了扩充和去噪实验,结果表明,所提方法原理简单、操作方便,填充和扩边结果的数据衔接处光滑无畸变,且具有较好的填充和去噪效果,处理结果优于经典的最小曲率和Kriging插值法及小波去噪和余弦扩边组合法。