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。     

基于字典训练的小波域稀疏表示微地震去噪方法

地面微地震数据的信噪比很低,严重地影响初至拾取的精度及反演结果的可靠性。为此,研究了基于字典训练的稀疏表示去噪方法,通过曲波变换估算了剖面中的噪声方差,从而将该法用于实际地面微地震资料去噪中;为了改善在低信噪比时的去噪效果,研究了小波域的稀疏表示去噪方法,并与普通的稀疏表示去噪方法进行了定量分析。理论模型及实际资料的处理结果表明:1迭代次数及字典原子的大小会对去噪结果产生较大影响,去噪后数据的信噪比随着两者的增加而增加,但这也会导致计算效率降低。因此,在处理时对于较大的数据可以选择中等大小的字典原子及迭代次数,以保证在得到较高信噪比的同时,具有较快的运算速度;2该方法可以去除传统稀疏表示方法在去噪后引入的"背景斑块",且去噪后的信噪比也得到极大提高。因此,相对于传统的方法,本文的方法具有显著的优势及较好的应用价值。     

利用改进的在线字典学习估计时变子波

为了获得符合实际的混合相位子波,提出了一种基于在线字典学习的时变子波估计方法。将时变子波估计转化为在线字典学习问题,通过过完备字典的在线学习实现冗余字典的自适应更新。字典中的每个原子代表子波的一个分量,通过原子的线性组合实现对时变子波的有效逼近。在线字典学习可以灵活地利用训练数据,改进字典中的原子,提升字典的自适应特性。同时,根据地震数据的特点,对训练数据与稀疏表示的残差项进行滤波处理,改进了在线字典学习方法,降低了对噪声的敏感性。无噪声和含噪声合成数据的实验结果证明了本文方法的有效性,而且对噪声具有一定的鲁棒性。实际子波估计结果以及Wiener滤波的反褶积剖面和频谱分析表明,本文方法得到的结果并未使噪声能量增强,但频带得到拓宽,从而为时变子波估计提供了新思路。     

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...     

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。     

利用多层感知机的地震数据去噪

地震勘探广泛应用于地质构造分析、油气及其他矿产资源勘查等领域。受环境、仪器等因素影响,地震数据中不可避免地混杂随机噪声,无疑会对后续的资料处理和解释带来负面影响。文中提出一种用多层感知机（Multi-layer Perceptron,MLP）的去噪方法：首先用滑动窗口在已知地震数据中采样并将其转换为一维向量,作为训练集样本构建多层神经网络模型;再通过反向传播算法计算模型各层神经元的权重,使得模型训练均方误差最小;然后将合成或实测含噪地震数据输入到已训练模型,用该已训练得到的权重计算模型输出。将上述MLP方法处理结果与曲波方法去噪结果进行比较,发现MLP方法去噪结果的信噪比更高,且较好地保护了有效信号,尤其是对构造细节有显著的保护效果。     

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。     

基于卷积降噪自编码器的地震数据去噪

噪声压制是地震勘探中一个长期存在的问题,虽然一些传统方法能够压制数据中的噪声,但存在有效信号丢失、噪声残留等问题。为此,提出了一种基于卷积降噪自编码器的无监督地震数据去噪算法。该算法首先对地震数据进行一定程度的随机损坏,然后将损坏后的地震数据输送到编、解码框架。编码框架负责捕捉地震数据波形特征,据此消除噪声;解码框架能够对特征图进行扩大并恢复地震数据细节信息,从而得到重构的地震数据。最后,将重构地震数据与原始地震数据之间的误差作为收敛代价进行模型训练。考虑到地震数据的复杂性与特殊性,在编码和解码阶段使用了多尺度卷积模块提取地震数据特征。合成数据与实际数据的验算结果表明,该方法在保护地震信号的同时能够有效压制随机噪声、提高地震信号的信噪比。     

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。     

基于快速Myriad滤波方法的地震数据去噪

Myriad滤波是一种针对非高斯脉冲噪声而提出的非线性滤波方法。基本Myriad滤波方法的运算量受窗口长度的影响,窗口取得越长,运算量也越大;改进的快速Myriad滤波方法实现简单,执行效率高。在方法原理介绍的基础上,假设地震噪声服从α稳定分布,将快速Myriad滤波方法应用于地震数据的去噪处理试验,并分别与均值滤波方法和中值滤波方法进行了对比。理论模型数据测试和实际叠前地震资料应用的结果都表明,快速Myriad滤波方法不仅对脉冲噪声具有很强的抑制能力,而且能有效地保护数据中的有用信息,其性能远远优于同窗口长度的均值滤波和中值滤波方法,滤波后地震数据的信噪比明显增强。     

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Shearlet变换的自适应阈值地震数据去噪方法

由于随机噪声的干扰,地震勘探的有效信号经常淹没其中难以识别,且在时间域难以分离随机噪声和有效信号。Shearlet变换是一种新的多尺度多方向时频分析方法,具有最优的稀疏表示能力、局部化特征和方向敏感性。Shearlet变换在去除随机噪声的同时,能够最大限度地保留有效信号,可以有效地提高地震数据的信噪比。针对传统的Shearlet变换阈值去噪方法不能随尺度和方向变化的不足,提出了随尺度和方向变化的自适应阈值,可以同时适应不同尺度和方向噪声水平的差异。利用Shearlet变换的自适应阈值算法与小波变换去噪方法,分别对理论和实际地震数据进行去噪。对比可知,Shearlet变换的自适应阈值算法具有更强的去噪能力,并能够最大限度地保留有效信号。     

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。     

测井数据自适应多项式拟合去噪

给出一种基于滑动多项式的测井曲线拟合方法,通过对拟合多项式阶次范围、卡方检验优良度门槛值和计算窗口长度等3个参数的控制,自适应地对测井曲线进行多项式拟合处理。仿真模型试验结果表明,利用自适应滑动多项式拟合测井曲线去噪的方法不需要进行频率域转换就可以对测井数据中所存在的噪声进行有效去除,测井记录的数据量较小,多次循环运算对处理效率的影响不大。该方法对地层属性界面反映敏感,可以有效地对薄层、薄互层进行不同阶次的测井曲线拟合保护。以土库曼斯坦1口井的测井资料为实例,应用自适应测井数据去噪处理方法取得了很好的处理效果,证实了该方法的可靠性和实用性。     

基于数据驱动紧框架理论的三维地震数据去噪与重建

由于受经济成本、地质条件等因素限制,地震采集数据一般为欠采样数据且含有噪声,将对数据处理和地质解释产生严重影响。为此,基于数据驱动紧框架（data-driven tight frame,DDTF）理论,研究了三维地震数据去噪和重建问题。DDTF理论限定学习字典为一组平移不变的冗余小波紧框架,通过进一步控制字典的自由度,使DDTF算法拥有良好的鲁棒性,并且利用小波紧框架完美的重构特性,可更好地保留数据的精细特征。仿真实验和实际数据应用结果表明： DDTF算法对结构简单的三维合成地震数据及结构复杂的实际三维地震数据都具有良好的去噪和重建效果,但计算效率较低,还需进一步改进;曲波变换对实际数据的去噪和重建效果较差;块匹配四维协同滤波的去噪和重建结果过于光滑,会丢失一些结构特征。     

基于矢量中值滤波的ISS高密度地震数据去噪方法

ISS高密度地震采集是以干扰炮相对有效炮为随机信号的基本理念对地震数据进行采集的方法,其大部分有效信号会淹没于噪声之中。基于此,本文提出-种在十字排列域或检波点域进行矢量中值滤波方法,并针对理论模型简要分析了不同空间滤波参数对保持有效信号和压制干扰信号的影响及处理中应注意的问题;实际单炮地震数据的处理和叠加成像结果表明,该方法在有效压制相干炮噪声的同时,能够较好地保持有效信号,提高资料信噪比,显著优于常规去噪方法的处理效果。     

基于空间变换的F-X域地震去噪新方法

地震记录的高信噪比与高分辨率处理几乎涵盖了地震资料处理的全部内容，高分辨率处理是以高信噪比处理为前提的，没有一定的信噪比而一味地追求高分辨率是徒劳的。因此，提出了一种适应复杂构造地区地震资料去噪的新方法－－基于空间变换的F－X域地震去噪新方法。该方法首先利用正交多项式逼近技术，采用最大相似系数准则计算出描述地震同相轴走势的有关系数。然后，利用这些系数对地震数据在横向作线性化变换，并对变换后的地震数据进行奇异滤波和F－X域有效信号预测。最后，对得到的预测结果进行反拟线性变换，即完成整个去噪过程。理论数据和实际资料试算结果表明，该方法能较好地适应复杂构造，具有较强的去随机干扰能力，保真性较好。     

去噪技术在新疆地震资料处理中的应用及效果

通过分析准噶尔盆地地震资料的噪声特点 ,针对地震资料存在的浅层多次折射、面波、多次波、工业干扰等噪声 ,提出使用视速度滤波、内切滤波、相关系数滤波、ZMU L T等处理方法衰减噪声 ,提高有效波的信噪比。叠前去噪是进行噪声压制的主要处理阶段 ,叠后去噪是对叠前去噪的补充 ,从而使地震资料信噪比明显提高 ,改善了剖面的成像效果     

小波变换及其在地震资料去噪中的应用

文章从傅立叶变换不能满足信号处理的要求入手引出小波变换,通过对实际地震资料小波变换去噪前后的效果比较,说明了小波变换是一种分离信号的好方法,能够提高地震资料的分辨率。     

二次小波变换的阈值去噪算法及其在地震信号处理中的应用

设计了一种二次小波变换的阈值去噪算法,利用该算法可以合理去掉地震信号中面波分布区域的低频成分,保留中、高频有效信息,从而既压制了面波,又减少低频有效波的损失。该方法较之传统的域阈值去噪方法有更好的去噪效果,且对信号保真度好,基本不会使有效信号发生畸变,不会损失有效信号。