共查询到20条相似文献，搜索用时 281 毫秒
1.
2.
基于POCS方法指数阈值模型的不规则地震数据重建(英文) 总被引：8，自引：3，他引：5
不规则地震数据会对地震多道处理技术的正确运行造成不良影响,降低地震资料的处理质量。本文将广泛用于图形图像重建的凸集投影方法应用到地震数据重建领域,实现规则样不规则道缺失数据的插值重建。对于整道缺失地震数据,将POCS迭代重建过程由时间域转移到频率域实现,避免每次迭代都对时间做正反Fourier变换,节约了计算量。在迭代过程中,阈值参数的选择方式对重建效率有重要影响。本文设计了两种阈值集合模型进行重建试验,试验结果表明:在相同重建效果下,指数型阈值集合模型可以有效减少迭代次数,提高重建效率。此外,分析了POCS重建方法的抗噪性能和抗假频性能。最后,理论模型和实际资料处理效果验证了本文重建方法的正确性和有效性。 相似文献
3.
本文研究了形态分量分析(MCA)算法含噪地震数据的重构问题.针对传统形态分量分析算法在含噪地震数据重构精度不足问题,提出组合方法以提高重构精度.给定随机缺失坏道地震数据,加入不同比率的高斯噪声,研究数据的重构效果.采用离散余弦、离散曲波和离散小波作为字典集合,对数据形态分量进行稀疏表达,并迭代优化各分量,以优化分量进行重构.分析不同随机缺失比率、不同信噪比模型仿真模拟结果.实际地震数据处理结果表明,组合MCA算法对随机缺失含噪地震数据具有较好的重构效果,并具有明显地随机噪声压制效果. 相似文献
4.
地震数据的随机噪声去除是地震数据处理中的一项重要步骤,双稀疏字典提供了两层稀疏模型,比单层稀疏模型可以更好地去除噪声.该方法首先利用contourlet变换对地震数据进行稀疏表示,然后在contourlet域中使用快速迭代收缩阈值算法（fast iterative shrinkage-thresholding algorithm,FISTA）对初始字典系数进行更新,接着采用数据驱动紧标架（data-driven tight frame,DDTF）在contourlet域中得到DDTF字典并通过FISTA得到更新后的字典系数,最后通过DDTF字典和更新后的字典系数获得新的contourlet系数,并对新的contourlet系数进行硬阈值和contourlet反变换得到去噪后的数据.通过模拟数据和实际数据的实验证明：与固定基变换去噪方法相比,该方法可以自适应地对地震数据进行稀疏表示,在地震数据较为复杂时得到更高的信噪比;与字典学习去噪方法相比,该方法不仅拥有较快的去噪速度,而且克服了字典学习因为缺少先验约束造成瑕疵的缺点. 相似文献
5.
卷积神经网络(Convolutional Neural Network,CNN)是一种基于数据驱动的学习算法,简化了传统从特征提取到分类的两阶段式处理任务,被广泛应用于计算机科学的各个领域.在标注数据不足的地震数据去噪领域,CNN的推广应用受到限制.针对这一问题,本文提出了一种基于数据生成和增广的地震数据CNN去噪框架.对于合成数据,本文对无噪地震数据添加不同方差的高斯噪声,增广后构成训练集,实现基于小样本的CNN训练.对于实际地震数据,由于无法获得真实的干净数据和噪声来生成训练样本集,本文提出一种直接从无标签实际有噪数据生成标签数据集的方法.在所提出的方法中,我们利用目前已有的去噪方法从实际地震数据中分别获得估计干净数据和估计噪声,前者与未知的干净数据具有相似纹理,后者与实际噪声具有相似的概率分布.人工合成数据和实际数据实验结果表明,相较于F-X反褶积,BM3D和自适应频域滤波算法,本文方法能更好地压制随机噪声和保护有效信号.最后,本文采用神经网络可视化方法对去噪CNN的机理进行了探索,一定程度上解释了网络每一层的学习内容. 相似文献
6.
《地球物理学进展》2016,(5)
由于微地震信号能量微弱、信噪比低,需要对采集到的微地震数据进行去噪处理,从而提高微地震记录的信噪比,提高震源定位的精度.目前存在许多基于模型的先进滤波方法,如基于机理模型的卡尔曼滤波已经成功应用在微地震信号去噪中.为了建立微地震信号的数学模型,改善卡尔曼滤波效果,本文通过数据辨识方法,对微地震信号建立了ARMA模型,并进一步转化为适用于卡尔曼滤波算法的状态空间模型.在此基础上研究了卡尔曼滤波方法,设计了适用于微地震去噪的卡尔曼滤波实现算法.理论模型和实际微地震监测数据处理结果表明,基于辨识模型的卡尔曼滤波算法能够有效抑制微地震信号中的随机噪声,显著提高微地震监测信号的信噪比,从而验证了该辨识模型的准确性和滤波算法的可行性. 相似文献
7.
8.
受耦合效应和其他诸多因素的影响,野外实际采集的分布式光纤声波传感(Distributed Fiber-optic Acoustic Sensing, DAS)数据的信噪比通常较低.因此,在后续处理之前,需要首先对DAS数据进行去噪处理.传统的基于人工智能监督学习的去噪方法能够对DAS数据中的噪声进行压制,但它需要大量含噪声和无噪声数据进行成组标记,人工标记工作量巨大.为此,本文提出了基于自监督学习孪生网络的DAS地震数据去噪方法.该方法基于自监督学习中的孪生网络结构,采用U-Net网络建立深度学习框架.所提框架通过对输入的含噪声数据进行数据自我特征学习,迭代获取去噪目标函数的最优解,从而实现自监督高精度深度学习去噪网络构建.合成数据和实际资料处理结果表明,本文方法可以有效抑制人工震源DAS采集数据中的随机噪声,显著提高去噪结果的信噪比和同相轴的连续性.此外,本文方法能够避免常规监督学习方法需要进行数据标记的人工工作量,有效提高实际地震数据去噪处理效率. 相似文献
9.
高密度采集可以提高地震资料品质,改善成像精度,但也会增加地震采集成本.为了提高采集效率降低生产成本,混采技术得到了推广应用.但是该采集方式会产生严重的混叠噪声,降低地震数据的信噪比.针对此问题,本文结合中值滤波、动校正(NMO)和复曲波变换阈值去噪的优势,设计了一种优化的复曲波变换压制混源噪声方法.该方法首先采用大步长中值滤波对经过NMO处理的数据进行滤波,再利用基于复曲波域的阈值去噪方法提取剩余信号,计算滤波结果的伪分离记录和原始混叠数据的差值,再将该差值返回到第一步进行迭代,每次迭代中值滤波步长逐步减小,直到达到初始设定的期望信噪比为止.与基于F-K域和curvelet域的迭代阈值方法相比,本文方法可以在压制混叠噪声的同时,更好的保护有效信号,由于本文方法仅需较少的迭代次数,计算效率也可以大大提高. 相似文献
10.
人工地震数据总是受到随机噪声的干扰,地震数据时-空变的特性使得常规去噪方法处理效果并不理想,容易导致有效信号的损失.目前广泛应用的预测滤波类方法存在处理时变数据能力不足的问题.随着压缩感知理论的不断完善,稀疏变换阈值算法能够解决时变地震数据噪声压制问题,但是常规的稀疏变换方法,如傅里叶变换,小波变换等,并不是特殊针对地震数据设计的,很难提供地震数据最佳的压缩特征,同时,常规阈值算法容易导致去噪结果过于平滑.因此开发更加有效的时-空变地震数据信噪分离方法具有重要的工业价值.本文将地震数据信噪分离问题归纳为数学基追踪问题,在压缩感知理论框架下,利用特殊针对地震数据设计的VD-seislet稀疏变换方法,结合全变差(TV)算法,构建seislet-TV双正则化条件,并利用分裂Bregman迭代算法求解约束最优化问题,实现地震数据的有效信噪分离.通过理论模型和实际数据测试本文方法,并且与工业标准FXdecon方法进行比较,结果表明基于seislet-TV双正则化约束条件的迭代方法能够更加有效地保护时-空变地震信号,压制地震数据中的强随机噪声. 相似文献
11.
12.
基于学习型超完备字典的地震数据去噪(英文) 总被引：6，自引：4，他引：2
基于变换基函数的方法,是地震去噪处理中最常用的技术之一,它利用地震数据在某种基函数变换域内的稀疏性和可分离性来达到剔除噪声的目的。但传统的做法是事先选定一组固定的变换基并在对应域内进行处理,其效果往往并不十分令人满意。为了探索新的改进方法,我们引入学习型超完备冗余字典,即根据地震模型数据进行学习和训练,以寻求最优的稀疏表示字典,而不是只选用固定的变换基。本文在字典学习中融入全变差最小化策略以压制伪吉布斯现象。我们选用离散傅里叶变换作为初始变换,并以随机噪声为例,对单一的全局变换、未经学习的超完备冗余字典和学习型超完备冗余字典做了比较。结果表明,利用经过训练的超完备冗余字典,在对地震数据进行稀疏表示的同时,也达到了有效去除噪声的目的,可视性和信噪比都得到了明显提高。我们也比较了均匀和不均匀字典子块的效果,结果表明,不均匀的字典子块更利于地震数据去噪。 相似文献
13.
随着油气勘探观测环境愈发复杂,采集的地震数据常常掺杂各种噪声信号,导致勘探目标引起的有效微弱信号被覆盖,严重影响高精度的地震勘探数据解译,因而有效的压制地震勘探数据噪声显得越发重要。本文采用字典学习策略,将复杂地震数据进行分块,通过分块数据的字典学习获取字典原子,构建高精度的字典学习地震数据稀疏表示,通过两次迭代更新字典原子,进行数据去噪。将本文的字典学习算法应用于含随机噪声的模拟数据和实测地震勘探数据处理,验证该算法的可行性及有效性。结果表明,本文算法有效去除了随机噪声,保留了有效信号同相轴,提高了信噪比,可为复杂含噪地震数据的去噪处理提供新的技术手段。 相似文献
14.
海底地震仪（OBS）采集数据的去噪处理是开展OBS震相分析及后续处理反演的基础.本文结合曲波（Curvelet）变换及压缩感知提出一种稀疏化表达的OBS去噪方法,并通过与小波变化对比等探讨去噪效果.曲波变换具有抛物尺度及识别线性异常的优点,可以稀疏地表示OBS数据,再结合压缩感知思想对稀疏表达OBS数据进行去噪处理和重构.通过对变换后的系数进行基于L1范数的冷却阈值迭代滤波,获得最优的变换系数,本文指出基于曲波变换的冷却阈值迭代法能够很好地对OBS数据去噪.对比小波和曲波两种变换在相同迭代次数下对理论模型数据进行去噪处理,表明曲波变换得到的结果信噪比更高.利用本文方法对渤海地区采集的OBS数据进行去噪处理获得了更加清晰连续的震相,噪声压制效果更明显,为震相拾取及后续速度模型反演奠定了良好的基础. 相似文献
15.
地震信号是典型的非平稳随机信号,容易受到场地条件和周边环境的影响,产生噪声干扰。采用自适应噪声完备集合经验模态分解（CEEMDAN）方法,对地震数据进行分析预处理,将地震信号分解成一系列具有不同特征时间尺度的固有模态函数（IMF）;对各IMF分量进行自相关计算,筛选含噪IMF分量,使用软阈值小波包方法进行去噪处理,与无噪分量进行重构,从而降低噪声干扰,提高数据质量。 相似文献
16.
在地震勘探采集到的地震数据中不可避免的存在随机噪声,而高信噪比的地震数据是地震资料反演和解释的基础.因此随机噪声压制一直是地震资料处理中的重要工作.近些年来,随着深度学习技术的发展,基于卷积神经网络的地震数据去噪方法已经取得了丰硕的成果.常规的监督学习策略需要获取无噪数据作为标签,然而从实际地震数据中获取无噪数据只能通过传统去噪方法进行预处理,以此方法构建标签数据的监督学习去噪网络必然受构建数据集的去噪方法影响.针对此问题,本文提出了一种基于Noise-to-Noise自监督学习的地震数据去噪方法,该方法通过对实际地震数据添加不同等级的噪声构建训练数据集,仅需要含噪地震数据即可训练去噪网络.合成数据测试和实际数据测试表明,本文方法可以有效去除地震数据中的随机噪声,性能优于受数据集构建方法所限的监督学习去噪方法和传统去噪方法. 相似文献
17.
在采集得到地震数据中,随机噪声常常与有效信号混合在一起,并且毫无规律,使用常规去噪方法不能够达到理想的效果,影响后续的地震数据处理工作.为有效压制地震数据中的随机噪声,本文根据深度学习的相关理论,提出了一种基于深度卷积自编码网络的数据驱动的去噪方法,可以解决随机噪声难以去除的问题.在卷积自编码器的基础之上,网络使用了较多的层数并加入跳跃连接构造,从而增加了网络的深度,能够提取并结合数据中深层与浅层特征,增强对随机噪声的处理能力,更好地恢复有效信号的细节.经过实验证明该方法对于不同水平的随机噪声的压制均有优异的表现,在去噪的效果上远超中值滤波、小波变换等传统去噪方法,同时也比经典的DnCNN网络更加优秀,能够完整地保留有效信号,极大提升地震数据的质量. 相似文献
18.
在地震观测中,地震数据中普遍包含有噪声信号。由于噪声信号的干扰,地震分析的效率会受到不同程度的影响。传统的去噪方法通常需要噪声的先验知识,并且滤波时会造成部分有效信号丢失。针对这一问题,本文提出一种将自适应噪声完全集合经验模态分解（CEEMDAN）算法与Hurst指数相结合的地震数据去噪方法。首先通过CEEMDAN方法将信号分解为一系列本征模函数（IMF）,然后利用Hurst指数对滤波后的IMF分量进行识别,最后对地震数据IMF分量进行重构,从而实现数据去噪。与传统方法的去噪效果对比表明,本文方法可将低信噪比波形的去噪效果提高32%,将高信噪比波形的去噪效果提高6倍。同时对地磁数据的去噪结果表明,本文方法能够较完整地将地铁噪声从地磁信号波形中滤除。 相似文献
19.
20.
本文针对噪声成分和噪声结构的复杂性及弱信号的特征,发展了最新的在线字典学习去噪方法.在线字典学习去噪方法是以数据驱动的方式,反复进行学习构建字典方式,求得信号的稀疏性解以实现对信号的去噪,在此基础上,提出了数据驱动与模型驱动联合的模型约束下的在线字典学习去噪方法,先通过模型驱动方式获得一个较优质的学习样本以构建字典再进行去噪处理.通过和传统小波变换进行理论地震合成记录的效果对比,在高噪声比例的弱信号情况下远远优于传统的时频域去噪方法.实际数据去噪处理表明,模型约束下的在线字典学习去噪方法是一种有效的去噪方法,这种联合去噪方式能在高噪声背景下有效地提取出弱信号,具有广阔的推广应用前景. 相似文献