共查询到18条相似文献，搜索用时 281 毫秒
1.
2.
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
3.
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
4.
中深层地质条件复杂,地震资料品质差,主要表现为:地震资料信噪比低、有效信号弱.如何在去噪的同时有效保留弱有效信号,获取高信噪比的地震数据成为地震数据处理的关键问题.传统小波阈值与互补集合经验模态分解(CEEMD)联合去噪方法相比单一方法可以获取更高品质的地震数据.基于压缩感知理论的去噪方法利用地震数据在变换域中的稀疏特性,通过设定稀疏基矩阵和测量矩阵,可以将地震数据去噪问题转化成求解最优化问题,通过最优解重构原始信号,实现对地震资料的去噪处理.该方法能够在有效衰减随机噪声的同时最大限度的保留有效信号.本文基于压缩感知理论开展小波阈值去噪方法研究,并在此基础上结合CEEMD方法对含噪较多的固有模态分量进行有针对性的随机噪声压制.通过对含噪数据开展不同方法的去噪结果对比可见,本文方法可以在保证高信噪比的基础上更为有效的保留弱有效信号,数值试算验证了该方法对弱有效信号地震数据去噪具有显著优势. 相似文献
5.
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
6.
复杂地表和复杂介质条件下,随机噪声往往严重影响着复杂地震信号的信噪比,同时深层地球物理目标探查中弱地震信号总是被随机噪声所掩盖,如何有效地压制随机噪声干扰、恢复有效地震信号仍然是高精度地震勘探中的关键问题.压缩感知理论突破了奈奎斯特采样定理的限制,利用有效地震信号的可压缩性和稀疏性,提供了从不可压缩随机噪声中进行有效信号分离的数据原理.本文系统分析压缩感知框架下地震随机噪声压制的稀疏优化反问题,提出了基于迭代软阈值算法的"采集-重建-修复"方案对该问题进行求解.在实现高度稀疏表征的基础上进行地震数据的压缩感知随机观测,通过迭代反演对有效地震信号进行重构,有效提高复杂地震数据的信噪比,同时,当求解稀疏优化问题时,如果出现正则化项引起重构信号衰减现象,可以匹配除偏对衰减的有效信号进行修复.通过与工业标准 f-x预测滤波方法进行比较,理论模型和实际数据处理的结果表明,压缩感知迭代噪声压制方法对复杂地震数据中的随机噪声有较好的压制效果,可以有效恢复出被较强非平稳随机噪声干扰的时空变同相轴信息. 相似文献
7.
经验模态分解算法(EMD)是一种基于有效波和噪声尺度差异进行波场分离的随机噪声压制方法,但由于实际地震数据波场复杂,导致模态混叠较严重,仅凭该方法进行去噪很难达到理想效果.本文基于EMD算法对信号多尺度的分解特性,结合Hausdorff维数约束条件,提出一种用于地震随机噪声衰减的新方法.首先对地震数据进行EMD自适应分解,得到一系列具有不同尺度的、分形自相似性的固有模态分量(IMF);在此基础上,基于有效信号和随机噪声的Hausdorff维数差异,识别混有随机噪声的IMF分量,对该分量进行相关的阈值滤波处理,从而实现有效信号和随机噪声的有效分离.文中从仿真信号试验出发,到模型地震数据和实际地震数据的测试处理,同时与传统的EMD处理结果相对比.结果表明,本文方法对地震随机噪声的衰减有更佳的压制效果. 相似文献
8.
自适应非局部均值地震随机噪声压制(英文) 总被引：2，自引：1，他引：1
非局部均值滤波是一种基于图像信息冗余的去噪方法,其认为图像自身的有效结构具有一定的重复性,而随机噪声则不具备这一特点,通过利用图像本身的自相似性来达到压制随机噪声的目的,是一种全局的去噪方法。本文把这一思想引入地震数据随机噪声压制中,针对传统非局部均值滤波计算量过大的问题,文章采用分块非局部均值的方式来减少计算量;针对滤波参数选取会影响非局部均值滤波效果的问题,提出一种简单的自适应滤波参数地震数据分块非局部均值算法。模型和实际数据处理结果表明:相对于传统的去噪算法(如f-x反褶积),该方法在压制随机噪声的同时对有效信号保护地更好,具有更高的保真度,更有利于后续的处理和解释工作。 相似文献
9.
在复杂的地表环境,地震勘探采集到的实际地震资料信噪比较低,分辨率较差,接收的噪声能量较强,与有效信号存在频谱的重叠.常规的消噪手段很难在保证有效信号幅值的同时,还兼顾噪声压制的效果.本文采用基于分数阶最优控制(Fractional Optimal Control)理论建立的深度学习神经网络——FOCNet来压制地震数据噪声,并恢复微弱同相轴.不同于传统深度学习网络(DCNN)算法大多为基于经验的网络设计,FOCNet具有坚实的数理基础,它从动态系统的最优控制角度阐述了网络的原理,并采用长期记忆的方式增强了网络的稳定性,提高了系统对噪声的消减能力.针对地震数据有效信号在低频带与噪声重叠严重,且FOCNet对数据中、高频信息保留更好这一情况,本文提出了一种基于理想时频分析与FOCNet相结合的算法(TF-FOCNet)来压制地震噪声,提取有效信号.该算法通过理想时频分析,针对性的提取信噪重叠的低频目标数据成分,并与数据的中、高频成分一起送入网络中进行处理并融合,完成噪声的压制,增强了低频信息的保留能力.模拟及实际的实验结果验证了算法在随机噪声、面波压制及微弱信号恢复上的有效性和优越性. 相似文献
10.
11.
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
12.
地震数据本质上是时变的,不仅有效同相轴表现出确定性信号的时变特征,而且复杂地表和构造条件以及深部探测环境总是引入时变的非平稳随机噪声.标准的频率-空间域预测滤波只适合压制平面波信号假设下的平稳随机噪声,而处理非平稳地震随机噪声时,需要将数据体分割为小窗口进行分析,但效果不够理想,而传统非预测类随机噪声压制方法往往适应性不高,因此开发能够保护地震信号时变特征的随机噪声压制方法具有重要的工业价值.压缩感知是近年出现的一个新的采样理论,通过开发信号的稀疏特性,已经在地震数据处理中的数据插值以及噪声压制中得到了应用.本文系统地分析了压缩感知理论框架下的地震随机噪声压制问题,建立了阈值消噪的数学反演目标函数;针对时变有效信息具有的可压缩性,利用有限差分算法求解炮检距连续方程,构建有限差分炮检距连续预测算子(FDOC),在seislet变换框架下,提出一种新的快速稀疏变换域———FDOC-seislet变换,实现地震数据的高度稀疏表征;结合非平稳随机噪声不可压缩的特征,提出了一种整形迭代消噪方法,该方法是一种广义的迭代收缩阈值(IST)算法,在无法计算稀疏变换伴随算子的条件下,仍然能够对强噪声环境中的时变有效信息进行有效恢复.通过对模型数据和实际数据的处理,验证了FDOC-seislet稀疏变换域随机噪声迭代压制方法能够在保护复杂构造地震波信息的前提下,有效地衰减原始数据中的强振幅随机噪声干扰. 相似文献
13.
Kunhong Li Zhining Liu Bin She Hanpeng Cai Yaojun Wang Guangmin Hu 《Geophysical Prospecting》2021,69(1):85-100
Dictionary learning is a successful method for random seismic noise attenuation that has been proven by some scholars. Dictionary learning–based techniques aim to learn a set of common bases called dictionaries from given noised seismic data. Then, the denoising process will be performed by assuming a sparse representation on each small local patch of the seismic data over the learned dictionary. The local patches that are extracted from the seismic section are essentially two‐dimensional matrices. However, for the sake of simplicity, almost all of the existing dictionary learning methods just convert each two‐dimensional patch into a one‐dimensional vector. In doing this, the geometric structure information of the raw data will be revealed, leading to low capability in the reconstruction of seismic structures, such as faults and dip events. In this paper, we propose a two‐dimensional dictionary learning method for the seismic denoising problem. Unlike other dictionary learning–based methods, the proposed method represents the two‐dimensional patches directly to avoid the conversion process, and thus reserves the important structure information for a better reconstruction. Our method first learns a two‐dimensional dictionary from the noisy seismic patches. Then, we use the two‐dimensional dictionary to sparsely represent all of the noisy two‐dimensional patches to obtain clean patches. Finally, the clean patches are patched back to generate a denoised seismic section. The proposed method is compared with the other three denoising methods, including FX‐decon, curvelet and one‐dimensional learning method. The results demonstrate that our method has better denoising performance in terms of signal‐to‐noise ratio, fault and amplitude preservation. 相似文献
14.
15.
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
16.
地震勘探资料噪声压制及信噪比提高是整个地震勘探信号处理过程中的重要任务,随着地震勘探深度的增加及其复杂性,人们对地震数据质量的要求越来越高.勘探环境的复杂化使得采集到的地震资料中有效信号被大量噪声淹没,无法清晰辨识,严重影响后续的数据处理与解释.小波去噪是地震勘探中常用且发展较成熟的一种方法,但是其涉及到的阈值函数选取问题一直令人困扰,虽然已有多种阈值函数被提出,但仍存在各自的缺陷.本文利用小波分解在时域及频域良好的信号细节体现特性,引入模式识别中的非负矩阵分解(NMF)谱分离思想,针对小波系数阈值优化问题,提出了一种小波域图非负矩阵分解(GNMF)消噪算法.该方法首先在小波分解基础上,利用GNMF算法实现小波分解系数谱中信号分量与噪声分量的谱分离,然后通过反变换重构各分离子谱对应的子信号,最后利用K均值聚类算法将得到的多个子信号划分为信号类及噪声类,最终得到重构信号及分离噪声.合成记录和实际地震资料的消噪结果验证了新方法在提高信号与噪声分离准确性和精度方面的有效性,同时新方法避免了阈值选取造成的噪声压制不理想或有效成分损失问题.与小波消噪结果的对比及数值分析也说明了新方法在噪声压制及有效成分保持方面的优势. 相似文献
17.
随着陆地地震勘探工作的加深,勘探环境变得越来越复杂,获得的地震信号信噪比越来越低,这给地震成像和数据解释带来了巨大的困难.为了解决这一技术难题,本文针对云南山地金属矿区的勘探环境提出了一种基于自适应阈值递归循环平移的Shearlet变换去噪算法（Recursive Cycle Spinning Shearlet Transform,RCSST）.首次将递归循环平移与Shearlet变换相结合,利用Shearlet变换的多尺度多方向特性对平移后的地震资料进行分解变换,之后,我们又提出了一种全新的自适应阈值,避免了信号系数被过度扼杀,同时也保护了有效信号.实验表明基于自适应阈值的RCSST算法克服了传统Shearlet变换去噪算法在低信噪比下易出现假轴的弊端并且能够有效地保护信号的幅度.在处理较低信噪比的模拟和实际云南山地地区地震资料的过程中,本文方法能够较好的压制随机噪声和保护有效信号. 相似文献
18.
将基于倾角扫描的奇异值分解与经验模式分解法相结合应用到地震资料随机噪声压制中。首先利用经验模式分解法消除部分噪声,增强地震道有效信号的相关性,再利用奇异值分解对地震信号进行同相轴自动追踪,截取小时窗数据体,并进行同相轴拉平处理,经SVD计算小时窗数据中心点的值来代替计算样点的值,最终实现随机噪声的压制。理论模型试算和实际资料处理表明,本文提出的EMD-SVD方法简单易行,比单一的SVD方法去噪效果更显著有效地消除了地震资料中的随机噪声,提高了地震资料的信噪比,并改善了叠加剖面的质量。 相似文献