基于形态分量分析的保幅面波压制方法

根据近年来发展起来的稀疏信号理论及有效反射波与面波的形态特征不同,将含面波炮记录单道化,采用形态分量分析(MCA)方法分离面波。MCA方法的核心是选取适当的字典,从有效反射波与面波的形态差异出发,选取-维非抽样离散小波波变换(UDWT)字典和局部离散余弦变换(LDCT)字典,-维UDWT字典用来稀疏表示面波部分,-维LDCT字典用来稀疏表示有效反射波部分。采用块协调松弛算法(BCR)求解目标函数,将单道化的含面波单炮记录分为有效反射波部分和面波部分,进而达到去除面波的目的。实际资料处理表明,利用本文MCA方法能够有效压制面波,同时能较好地保护有效反射波(特别是反射波的低频、低波数成分),是-种保幅的面波压制方法。     

非抽样离散小波变换叠前地震数据重建方法

叠前地震数据包含了丰富的地层信息,但在实际勘探中由于受采集条件等影响,叠前地震数据地震道缺失现象严重。针对规则采样不规则道缺失的插值恢复问题,一些传统的插值方法无能为力或者插值效果不佳,而近年来发展起来的非抽样离散小波变换（UDWT）,具有很好的稀疏表示能力,比傅里叶变换能更加稀疏地表示地震数据;根据压缩感知理论,即使不满足Nyquist采样定理的要求,利用极少的观测数据,也可能较好地恢复缺失的地震数据。本文提出一种基于UDWT的地震数据插值方法,对地震数据做插值和规则化处理,可以提高叠前地震数据的完整性,理论模型和实际资料的重建效果验证了方法的有效性和实用性。     

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。     

压缩感知地震数据重建中的三个关键因素分析

地震数据重建对地震资料处理和成像具有重要意义。基于压缩感知的地震数据重建方法是应用较广泛的一类方法,其中的稀疏变换、迭代算法和阈值模型等的选取将影响最终地震数据重建的效果和计算效率。本文着重分析了Fourier、Curvelet和Seislet这三种稀疏变换对地震数据重建的影响,比较了POCS（Projection onto Convex Sets）、IHT（Iterative Hard Thresholding）、Bregman和JRSI（Joint Reconstruction by Sparsity-promoting Inversion）四种迭代算法各自的优缺点,研究了线性、指数和数据驱动三种不同阈值模型的特性。通过模拟和实际算例对比分析了压缩感知地震数据重建过程中上述三个关键因素的影响,得到了三方面的重要认识和结论,为在实际地震数据重建中选择上述因素提供了可靠依据和现实建议。     

三维不规则地震数据重建方法

不规则采样地震数据会对多道处理技术产生不良影响,降低地震资料的处理质量。本文针对有限带宽三维不规则地震数据,将二维空间非均匀Fourier变换理论和贝叶斯参数反演方法相结合,进行反演重建。首先,采用分频重建策略,对每一个时间频率依据最小视速度确定出待重建数据的空间频率带宽,从不规则地震数据中估计出重建数据的空间Fourier谱。然后,将不规则地震数据重建视为谱重建的地球物理反演问题,运用贝叶斯参数反演理论估计出空间Fourier谱。在反演求解时,采用Delaunay三角网格剖分方法来确定不规则采样点的权值。此外,为避免复数矩阵求逆,使用预条件共轭梯度算法来保证求解的稳定性和收敛速度。理论模型和实际资料处理结果验证了本文方法的有效性和实用性。     

基于高阶扩展快速行进法的缺失地震数据重建

传统地震数据重建算法大多采用整体重建模式.受数字图像重建思路启发,提出了一种基于高阶扩展快速行进法的缺失地震数据重建算法.该算法采用局部重建模式,首先将缺失地震数据映射为地震图像,并定量分析映射导致的量化误差; 再采用二抽取小波变换对地震图像进行分解,分解后的低频分量采用高阶扩展快速行进法做局部逐点重建,高频分量通过已重建低频部分的水平、垂直和对角预测滤波做重建; 然后采用小波逆变换得到重建后的地震图像; 最后将地震图像映射回地震数据.叠前和叠后实际地震数据重建实例验证了算法的可行性; 与基于形态分量分析、基于K-奇异值分解(SVD)字典学习等地震数据重建算法的对比结果表明,本文算法具有更快的重建速度和更高的重建精度.     

四元数在多分量地震数据处理中的应用研究现状

处理多分量地震数据时,如何保留其中所携带的矢量场信息并充分利用以更好地刻画地下介质,是目前地震勘探领域前沿研究的难点之一。在系统调研四元数理论和多分量地震数据处理技术的基础上,简要介绍了四元数及四元信号处理理论的发展情况,并着重阐述了目前基于四元数的多分量地震数据处理方法和技术。利用四元数的多分量地震数据处理技术仍然处在探索阶段,目前的研究和实际应用结果表明,将常规单分量地震数据处理技术与四元数理论相结合对多分量地震数据进行处理,可以更好地保护地震波场的矢量信息和分量中的弱信号,并且保持各分量之间的相对振幅不变。利用四元数理论拓展常规单分量地震数据处理技术,建立一套完整的基于四元数的多分量地震数据处理流程,用于有效挖掘和利用多分量地震数据中的矢量信息,是该领域的研究发展方向之一。     

应用快速POCS算法的非均匀地震数据重建

凸集投影(Projection on Convex Sets, POCS)算法已经成功地应用于地震数据重建,灵活且简单。然而该算法要求重构数据必须是在规则网格上进行,由于障碍物等因素导致实际采集数据偏离预设网格点,重构效果不佳,且该算法的收敛速度仅为O(1/k),其中k为迭代次数。针对以上问题,首先构建了非均匀网格地震数据正演模型;然后从快速迭代收缩阈值算法(Fast Iterative Shrinkage Thresholding Algorithm, FISTA)出发,推导并提出了基于曲波变换的快速凸集投影算法(Fast POCS,FPOCS),该算法保留了迭代收缩阈值算法(ISTA)的计算简单性,具有全局收敛速度O(1/k²);是一种快速的地震数据重构方法;最后通过模拟和实际数据处理验证了本文方法的有效性。     

小波变换及其在地震勘探中的应用

小波变换是一项高新技术，在地震资料处理中的应用颅具潜力。近年来格外受到人们的关注。本文回顾了小波变换的研究历程，基本概念，叙述了小波变换在地震勘探中应用的几个方面，给出了应用实例。     

三维曲波变换在地震资料去噪处理中的应用研究

考虑到二维曲波变换对于三维地震数据难以达到理想的去噪效果,提出了一种基于三维曲波变换的地震资料去噪方法。通过三维曲波变换使三维地震数据变换到曲波域,将三维地震数据分为多个方向和尺度,利用相关计算法判别代表有效信号和随机噪声的曲波系数,并根据曲波变换的性质,采用改进的非线性阈值方法对曲波系数进行处理,最后通过三维曲波反变换得到去噪后的地震信号。模型数据及实际地震资料的处理结果表明,三维曲波变换去噪处理方法可以有效压制三维地震资料中的随机噪声,同时较好地保护有效信号,提高了地震资料的信噪比。     

小波变换在地震资料处理中的应用效果分析

通过分析传统傅里叶变换、窗口傅里叶变换和小波变换的各自特点 ,指出了传统傅里叶变换和窗口傅里叶变换的不足 ,以及小波变换可对信号任意时刻的任何细节进行细致分析和精细处理的优势。利用小波变换对地震信号进行分频处理 ,分别计算不同频段的数据体 ,校正后再进行小波重建 ,经过分频动校正和分频静校正 ,来减少不同频率校正量存在的误差影响 ,达到提高信号分辨率的目的。     

不规则地震数据的抗假频重建方法

 不规则采样地震数据会对地震数据多道处理的效果造成严重影响。本文将单步预测滤波拓展到多步预测滤波,基于多步自回归预测滤波方法,实现对不规则地震数据的分步、抗假频重建方法。文中首先运用带限Fourier重建方法对不规则地震数据进行规则化重建,得到无假频低频数据的频率谱;接着使用多步自回归算子从重建数据的无假频低频谱中提取整个有效频带的预测滤波因子;然后利用已知道数据和预测滤波因子重建得到完整数据的频率谱,最终实现不规则地震数据的抗假频重建。理论模型和实际资料的处理结果验证了本文方法的有效性。     

地震数据自适应多层字典学习稀疏表示方法

基于压缩感知（Compressed Sensing,CS）地震数据重构的精度很大程度上取决于用于稀疏表示字典的性能。在K—奇异值分解（K-Singular Value Decomposition,K-SVD）方法中每个训练样本的稀疏级别是固定的,这可能导致原始样本在稀疏表示过程中产生欠拟合或过拟合问题;而且它只使用原始样本的特征作为训练字典,无法利用样本在字典学习过程中产生的隐式特征,从而影响地震数据的重构精度。为此,对K-SVD方法进行了改进,采用自适应多层字典学习（Adaptive Multilayered Dictionary Learning,AMDL）方法对地震数据进行稀疏表示,不但可在字典学习过程中充分利用不同层次的特征,而且还可自适应地确定每一层所选择的原子数。试验结果表明,与K-SVD方法相比,该方法能够为基于CS的地震数据重构提供更准确的稀疏表示。