基于伪地震数据模式学习的多次波自适应相减方法

相比于传统匹配相减方法,模式学习方法将多次波衰减分成多次波模式学习和自适应相减的两个独立过程,因而能够更好地保护一次波。然而,由于多次褶积的影响,预测多次波模型存在相位、频带、振幅误差。为了在不损伤一次波的基础上,尽可能减少多次波残留,提出了基于伪地震数据的模式学习方法。利用预测地震道,得到其Hilbert变换道以及预测道和Hilbert变换道的一阶导数,作为伪地震数据的4个分量,补充预测多次波模型中相位和高频信息。模式学习阶段利用主成分分析法分别学习伪地震数据4个分量的多次波字典矩阵,然后按列拼接得到联合字典矩阵;自适应相减阶段基于学习到的联合字典矩阵,利用裂步Bregman算法从原始地震数据中重构多次波,实现一次波和多次波的分离。模拟数据和实际资料处理结果表明,该方法在保护一次波的同时,能有效压制多次波,模型数据的一次波信噪比提升了1 dB。