基于时间同步提取变换的地震随机噪声压制

随机噪声压制是地震数据处理中的重要环节。本文提出一种基于时间同步提取变换(Time-Synchronous extracting Transform,TSET)和鲁棒主成分分析(Robust Principal Component Analysis,RPCA)的地震随机噪声压制方法。首先通过时间同步提取变换将含噪声的地震数据变换到一个新的稀疏子空间;然后使用鲁棒主成分分析算法将稀疏时频矩阵分解成一个低秩分量和一个稀疏分量;最后,基于时间同步提取反变换将低秩分量由时频域变换到时间域得到去噪后的地震信号。合成模型和实际地震数据用于测试提出的方法,并与传统的f-x预测滤波方法进行对比。结果表明,文中提出的方法不仅能够有效压制地震信号中的随机噪声,而且较好地保留了地震反射信息,从而为后续地震数据处理和解释奠定了基础。     

基于Shearlet变换的地震随机噪声压制

地震勘探中的噪声对地震信号产生严重的畸变和干扰,常规的地震去噪方法已经不能满足当前高精度地震勘探的要求。提出了基于Shearlet变换的地震数据去噪方法,Shearlet变换是一种新的多尺度变换方法,具有多方向、多分辨率及最佳稀疏逼近性质,并且计算效率高。Shearlet变换在去除随机噪声的同时能最大程度保留有效信号,有效地提高信噪比。利用Shearlet变换阈值去噪法与其他地震去噪方法分别对不同信噪比的合成地震记录和实际地震记录进行对比,结果表明Shearlet变换具有更强的去噪能力和更高的运算效率。     

基于曲波变换的地震随机噪声压制新方法

此文提出了一种通过对曲波系数进行处理来实现地震随机噪声压制的新方法。地震信号经曲波变换得到的曲波系数在各尺度各方向的分布仍具有同相轴特征,但噪声部分的曲波系数的分布是随机的,故可将曲波系数作为新的目标信号,对其进行"去噪",最后用经过处理的曲波系数还原地震数据实现对随机噪声的压制。数值算例验证了该方法的正确性和有效性,并与用离散余弦变换和小波变换两种方法处理曲波系数的结果进行对比。实验表明用曲波变换处理曲波系数的去噪效果要优于后两者,且比单纯进行一次曲波变换去噪的结果在信噪比上有明显提高。     

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,...     

基于独立分量分析基的地震随机噪声压制

传统的独立分量分析(Independent Component Analysis,ICA)去噪方法假设地震记录的相邻道含有相同的随机噪声,仅适用于同相轴较平的地震记录,去噪效果并不显著。为了改善ICA方法对高斯随机噪声的压制效果,首先通过构造度量数据非高斯性的目标函数求取地震数据的ICA基,将数据转换至ICA域;然后通过贝叶斯方法构造出满足非高斯分布的阈值函数,进行阈值法去噪处理。为了满足独立分量分析的假设条件,将地震数据进行分块处理,并假设每个数据块与整体的数据含有相似的数据结构。理论模型及实际资料试算结果表明,该方法可以有效地压制剖面中的高斯随机噪声,对含复杂界面的数据也十分有效,具有较好的应用价值。     

基于离散余弦变换的地震随机噪声压制技术

本文在离散余弦变换(DCT)域中利用预测滤波器压制地震数据中随机噪声方法的基础上,进一步对该法的压噪能力进行了评估,表明与离散傅里叶变换相比,DCT变换能够利用更少的系数来表征地震信号,即具有更好的能量压缩性能,从而可以更好地分离信号和随机噪声,实现随机噪声的压制。人工合成数据和实际数据的实验结果也表明,与F-X域预测滤波技术相比,采用DCT压噪不仅效果好,而且能更好地保护有效波。     

基于Shearlet变换的自适应地震资料随机噪声压制

传统的阈值选取方法是对所有变换域系数使用统一阈值,但对Shearlet变换而言,各尺度、各方向的有效信号和噪声均存在差异,因此全局硬阈值存在一定局限性;局部阈值可根据一定范围内的系数分布情况确定。针对地震数据去噪过程中传统阈值选取方法的局限性,通过改进自适应阈值函数压制随机噪声,在局部阈值的基础上改进贝叶斯阈值,形成一种适用于Shearlet变换的自适应阈值函数。具体做法为：将信噪比与阈值函数有机关联,并将信噪比作为阈值设定的因素,即不同的信噪比的权值系数不同,可以自适应求取不同尺度阈值,从而最大限度地改善去噪效果,避免有效信号损失,实现自适应去噪。模型试算与实际资料去噪效果表明,在保证有效信号不受损失的情况下,所提方法可恢复被噪声掩盖的弱信号,有效改善去噪效果。     

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.     

基于变分模态分解的地震随机噪声压制方法

针对经验模态分解（EMD）方法中递归迭代式筛选过程耗时过长、分解精度不高等问题,提出了基于频率域内全局自适应的变分模态分解（VMD）的地震随机噪声压制方法。与EMD类方法的迭代筛选模式不同,VMD方法的分解过程可转换至变分泛函最优求解过程,以每个带限窄带（BIMF）分量的估计带宽之和最小为约束,通过增广Lagrange目标函数将变分问题由约束性变为非约束性,采用交替方向乘子（ADMM）算法寻求变分泛函的最优解达到信号自适应分解的目的。ADMM中频率中心及带宽交替更新对偶上升,使两者同时达到最优趋势,并生成所有BIMF分量,具有更高的时间效率。同时,各模态分量在频谱上均具有带限特性,可实现信号频带的高分辨率、自适应剖分。实验结果表明,基于VMD的地震随机噪声压制方法具有优异噪声压制、幅值保持性能的同时,还具备较高的计算效率,可满足高维大尺度地震数据的处理要求。     

Shearlet域自适应阈值地震数据随机噪声压制

Shearlet变换因其最优的稀疏表示和多尺度、多方向特性,对地震数据噪声有很好的压制效果。但基于Shearlet变换的传统阈值法仅考虑了信号的稀疏性在尺度上的特征,没有考虑在方向上的分布特征,不能使去噪效果达到最佳。结合Shearlet变换多尺度、多方向特性,在尺度自适应阈值基础上,研究信号在Shearlet域不同方向上的分布规律,提出一种随尺度和方向同时自适应变化的阈值。通过求取同一尺度、不同方向的L₂范数,统计有效信号的分布规律,进而在阈值计算过程中添加方向自适应项,达到随尺度和方向同时自适应的目的。理论和实际数据的试验结果表明,基于尺度和方向同时自适应的阈值相对于传统阈值能够更有效压制随机噪声,最大限度地保留有效地震信息。     

尺度自适应三维Shearlet变换地震随机噪声压制

应用尺度自适应三维Shearlet变换压制多炮地震数据随机噪声,通过将多炮数据变换到三维Shearlet域,充分考虑单炮记录及其间的相关性,在三维Shearlet域更稀疏地表示地震数据。由于有效信号主要分布在低尺度,随机噪声分布在各个尺度,因此在硬阈值的基础上,结合尺度自适应因子压制随机噪声。再通过三维Shearlet反变换,得到去噪地震数据。数值模拟和实际多炮地震数据去噪结果表明：尺度自适应三维Shearlet变换的去噪效果优于二维Shearlet变换、不结合尺度自适应因子的三维Shearlet变换;尺度自适应三维Shearlet变换去噪方法对服务器内存要求较高,且可能对幅值相对较小的有效信号产生损害。     

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。     

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...     

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。     

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。     

用正交多小波压制地震信号的随机噪声

正交多小波可同时具有短支集、对称性或反对称性和正交性，这是一般的正交单小波所没有的性质，因而在处理信号时能取得更好的效果。本文详细说明了应用GHM正交多小波对地震信号进行去噪处理的原理，并给出实际例子说明该方法的有效性。     

双曲Radon-ASVD方法压制叠前地震数据随机噪声

针对地震数据中的噪声强弱分布不均匀时,奇异值分解(SVD)压制噪声的效果欠佳等问题,提出了将双曲变换和自适应奇异值分解相结合的算法。首先对叠前地震数据做双曲Radon变换,确定有效反射波的顶点和速度参数;据此将叠前地震数据分窗口无拉伸动校正后做自适应奇异值分解(ASVD);最后重建数据,达到压制随机噪声的目的。模型及实际资料处理结果对比表明,该算法可以较好地压制非均匀分布噪声。     

一种基于RUnet卷积神经网络的地震资料随机噪声压制方法

应用深度学习方法压制地震噪声的训练集和测试集均来自同一数据集,使得模型的泛化性受限。为解决泛化性问题,提出一种基于卷积神经网络(CNN)的残差U型网络(RUnet)压制随机噪声的方法。方法的设计思想是在基于卷积神经网络的U型网络(Unet)基础上加入残差块,以增强网络对随机噪声的捕获能力。该方法建立在端到端的编码-解码网络结构上,将含噪声地震数据作为输入,由多个卷积层和残差块提取随机噪声的本质特征,构成编码;再由多个反卷积层和残差块构成解码,网络的输出即为噪声压制后的地震数据。在残差块之后加入批规范化层,采用带泄露整流函数作为非线性因子,提高网络模型对地震资料随机噪声的泛化性和敏感性。在叠后和叠前地震数据实验中将RUnet卷积神经网络方法与小波变换、离散余弦变换、三维块匹配(BM3D)算法和Unet卷积神经网络算法进行去噪效果对比,结果表明,RUnet卷积神经网络方法相比其它4种方法,对随机噪声的压制更有效,并且在一定程度上保护了有效信号。     

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。     

一种自动判定保留的奇异值个数的地震随机噪声压制算法

对于地震数据去噪来说,基于降秩的方法需要将地震数据分成不同的块,然而每个块对应的奇异值个数不同,目前需要人工估计每个块的有效奇异值个数,计算效率低,无法实现产业化。为此,提出一种自动判定保留的奇异值个数的地震随机噪声压制算法——自适应阻尼多道奇异谱分析（ADMSSA）算法。该方法利用Akaike信息准则自动地确定地震信号的奇异值个数,然后基于阻尼多道奇异谱分析（DMSSA）算法去噪。首先介绍了多道奇异谱分析（MSSA）方法的去噪原理,然后给出确定有效奇异值个数的Akaike信息准则和经验方法,经验方法可以验证Akaike信息准则的有效性。去噪过程采用DMSSA方法的框架,在ADMSSA算法中仅需要确定信号的主频范围,就可以自动地去噪。模拟和实际数据实验表明,所提方法能够自动地确定可靠的奇异值个数,并且获得高信噪比的去噪结果,在工业化应用中具有巨大潜力。