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.     

应用结构聚类字典学习压制地震数据随机噪声

针对地震数据中不同空间位置的波形变化差异较大,全局字典学习稀疏表示方法不足以最优稀疏表示复杂局部特征的问题,提出基于结构聚类字典学习稀疏表示的随机噪声压制算法。首先利用地震数据分块结构的自相似性与全局字典稀疏表示系数分布存在的规律性与冗余性,应用K-means思想对地震数据进行分块结构聚类,对每一类数据块集合采用奇异值分解(SVD)得到超完备字典,依据各个聚类中心重新编码该类地震数据块,得到原始地震数据更稀疏的表示和描述;然后建立正则化模型更新质心和地震数据估计值;最后利用双变量迭代阈值算法求解模型中双L_1范数的优化问题,得到去噪后的地震数据。对比实验表明,应用本文方法去噪后的地震数据具有较高的信噪比及较强的局部纹理保持能力,证明了算法压制随机噪声的有效性。     

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。     

利用多道相似组稀疏表示方法压制随机噪声

针对目前地震数据随机噪声压制方法采用的稀疏表示方法中单一的正交基无法根据地震数据特征自适应调整基函数,基于数据分块的自适应超完备学习字典方法通常忽略块之间相似性的问题,提出基于多道相似组稀疏表示模型的去噪算法。由于地震记录波形在邻近记录道存在较强的相似性,首先在训练窗口内计算与目标地震数据块所包含的多道记录的波形相似度,利用相似度最高的一组数据块构造多道相似组;然后采用自适应超完备字典学习算法完成基于多道相似组的字典构建与稀疏编码;最后通过迭代阈值收缩算法求解L1范数最小优化问题,逐步提高编码系数的稀疏程度,保留地震数据主要特征,压制随机噪声。与现有随机噪声压制算法对比,本文算法具有更高的峰值信噪比(PSNR),并且能更好地保持复杂区域地震数据同相轴的局部特征。     

压缩感知框架下基于K-奇异值分解字典学习的地震数据重建

针对地震勘探中由于采集成本及采集环境等诸多因素导致地震数据不完整或者不规则问题,本文提出了一种压缩感知框架下基于K-奇异值分解（K-SVD）字典学习的地震数据重建算法。基本思路是首先对大量地震样本数据进行K-SVD字典训练得到超完备字典,然后引入缺失地震数据的采样矩阵作为测量矩阵。在重建阶段则采用正则化正交匹配追踪（ROMP）实现缺失地震数据的恢复。与传统的基于Curvelet变换或基于傅里叶变换等地震数据重建算法采用单一基函数不同,本文引入的超完备字典能够自适应地根据训练样本数据进行特征提取,并能根据待处理数据的本身特点自适应选取变换基函数。超完备字典为地震数据自适应稀疏扩展提供了更大灵活性,有利于更好地重建数据。合成地震数据以及实际海洋数据重建实验验证了本文算法的可行性及有效性。     

基于自适应字典学习的可控震源数据谐波噪声压制方法

可控震源高效采集地震资料中谐波噪声压制是一难点,虽然一些传统的基于稀疏优化的方法能够压制数据中的谐波噪声,但是由于使用固定字典,无法自适应地匹配有效信号的波形,存在有效信号损伤较大的问题。为此,提出了一种基于形态成分分析自适应学习字典的谐波噪声压制方法,用于分离原始相关后地震资料中谐波噪声干扰。首先对原始数据进行单道截取及分块处理组成样本集,然后利用K-奇异值分解(K-SVD)学习得到超完备字典,进而应用字典原子的振幅谱比将字典分类为有效信号子字典与谐波噪声子字典,最后应用形态成分分析(MCA)理论将所得的子字典分别用于重建谐波噪声和有效信号,实现压制谐波噪声的目的。合成数据与实际数据的应用结果表明,基于自适应字典学习的可控震源数据谐波噪声压制方法在保护地震有效信号的同时能够有效压制谐波噪声。此外,对比近炮点数据和远炮点数据的谐波噪声压制结果可以看到,该方法对有效信号的损伤小于固定字典谐波噪声压制方法,具有良好的保真性与鲁棒性。     

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。     

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。     

形态分量分析在地震数据重建中的应用

本文从稀疏信号恢复理论出发,采用形态分量分析(MCA)方法重建地震数据。MCA方法的核心是选取合适的字典。首先从地震数据的特点和计算复杂性出发,选取非抽样小波变换(UWT)字典和曲波变换(Curve-let)字典,UWT字典用来稀疏表示地震数据的局部奇异部分,Curvelet字典用来稀疏表示地震数据平滑和线状变化部分;其次将数据分解为形态特征不同的两个分量,采用BCR(Block Coordinate Relaxation)算法求解目标函数;最后对两个分量进行插值重建、合并得到最终的重建结果。模型测试和实际资料处理结果表明:利用MCA方法不仅可以对非均匀和大间距数据进行插值重建,而且可消除空间假频;同时该方法本身还具有去噪功能,不受数据带宽的限制。     

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。     

基于联合深度学习的地震数据随机噪声压制

噪声压制是地震资料处理中的一项关键任务.根据不同噪声的形成机制、特性,可以采用不同的压制方法,使地震资料的信噪比达到预期,提高后续地震资料处理和解释的效率和精度.现有基于深度学习的地震数据去噪方法,通常仅关注单一时域或频域的特征提取,导致局部过平滑或纹理模糊的现象;此外,传统卷积神经网络的卷积核往往采用固定较小的尺寸,...     

叠前随机噪声深度残差网络压制方法

深度残差网络作为一种先进的深度学习算法,近年来得到学术界和工业界的高度关注。针对叠前地震记录中随机噪声的智能高效压制问题,首先根据深度残差网络原理设计了一种深层非线性去噪网络,然后利用构建的高质量随机噪声训练集对该网络进行训练,在高维空间实现对随机噪声特征的自动学习,从而拟合出含噪声地震记录与随机噪声之间的非线性映射关系,实现随机噪声自动压制。模型数据测试和实际资料应用均证明了文中方法的有效性。尽管其去噪能力与标签数据获取方法相当,但去噪效率及适应能力明显优于标签数据获取方法,为应对TB级叠前地震数据的去噪问题提供了一种可借鉴的思路。     

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...     

基于自相似块匹配的地震数据信噪分离方法研究

传统的基于三维曲波变换的随机噪声压制方法在同相轴不连续处会损害有效信号,存在伪影,难以取得理想的去噪效果,因而不能准确检测地震数据中地质体的边界信息。研究了基于自相似块匹配的三维地震资料去噪和边缘检测方法。自相似块匹配方法将含噪数据划分成相似数据块集合,同一数据块集合中的子块波形近似。该方法充分利用了三维地震数据的自相似性和冗余性信息,通过阈值界定相似程度将三维地震数据中的相似数据块聚集,将在常规域中难以压制的噪声变换到四维域中进行衰减,然后再进行逆变换得到去噪后的剖面。自相似块匹配方法有效提升了地震数据的信噪比和保真度,去噪结果无伪影。自相似块匹配Canny边缘检测结果表明,该方法很好地保存了不连续处的信息,能有效识别地质体边界信息。理论模型和实际资料的处理结果表明,该方法能有效压制三维地震资料中的随机噪声;与传统曲波变换阈值方法相比,该方法对有效信号的保护能力更强,能够保留原始数据中的不连续性信息,使基于自相似块匹配的Canny边缘检测方法能够实现对地质体边界的准确检测。     

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。     

基于DBBCNN的沙漠区地震资料随机噪声衰减方法

由于沙漠地区采集环境恶劣、地表地质条件复杂,勘探资料信噪比普遍较低;同时,沙漠区随机噪声与有效信号存在频谱混叠现象,噪声压制难度较大,给后续反演、成像和解释等工作带来了不利影响。近年来,以去噪卷积神经网络(Feed-forward Denoising Convolutional Neural Networks,DnCNN)为代表的深度学习去噪方法已应用于复杂随机噪声抑制,但传统降噪网络一般是根据单一尺度信息提取数据特征,导致针对复杂勘探记录的处理能力可能会下降。为实现沙漠地区复杂噪声的有效衰减,提出一种新型多分支去噪卷积神经网络(Diverse Branch Block Convolutional Neural Networks,DBBCNN)。与传统的DnCNN相比,DBBCNN将不同尺度、不同复杂度的分支结合在一起,丰富了特征空间,并且采用长路径操作融合全局特征和局部特征,提升了网络针对弱信号的特征表达能力。模拟和实际数据实验结果表明,DBBCNN可有效压制沙漠地震资料中的复杂随机噪声,且处理后的记录信噪比显著提升。     

应用双通道卷积神经网络的地震随机噪声压制方法

地震资料中随机噪声的压制一直是人们关注的热点。传统方法难以平衡噪声的去除与有效信号的保护,且执行效率低。为此,提出了基于双通道卷积神经网络的随机噪声压制方法。首先,该网络是一个双通道网络,即由两个结构不同的子网络组成,目的是在压制噪声过程中提取到互补有效信息;其次,在下通道子网络中引入空洞卷积增大感受野,充分捕捉到地震资料中的邻域信息,从而更充分地保留细节信息;最后,借鉴残差学习的思想并使用Swish激活函数,提高了网络的降噪性能。模型和实际资料的实验结果表明,所提方法在有效地压制随机噪声的同时能够保留更丰富的纹理细节信息。     

基于循环一致性生成对抗网络的地震数据随机噪声压制方法

压制随机噪声、提高信噪比是地震数据处理中的关键任务。为此,提出一种基于循环一致性生成对抗网络（CycleGAN）的地震数据随机噪声压制方法。构建的CycleGAN由两个生成器和两个判别器构成,为防止网络退化,生成器由Resnet构成,用以学习含噪数据与无噪数据之间的特征映射;为提高网络的分辨率和准确性,选用PatchGAN作为判别器;同时,在传统对抗损失的基础上,添加循环一致性损失,用以提升网络训练的稳定性。完成网络构建后,针对模型数据和实际数据调整网络参数,训练和测试网络,分析去噪前后数据的信噪比和均方根误差;并通过计算单道数据频谱,进一步分析局部去噪效果。模型数据和实际数据测试结果表明,该方法能够较好地消除地震数据中的随机噪声,且去噪效果优于小波阈值去噪方法,从而验证了所提方法的可行性。