共查询到17条相似文献，搜索用时 328 毫秒
1.
地震信号中的随机噪声是一种干扰波,严重降低了地震信号的信噪比,并影响着资料的后续处理和分析.本文根据地震信号中有效信号和随机噪声的差异,结合分数阶B样条小波变换与高斯尺度混合模型提出了一种地震信号随机噪声压制方法.首先利用分数阶B样条小波变换将含噪地震信号映射到最优分数阶小波时频域内,然后对各小波子带系数分别建立高斯尺度混合模型,由贝叶斯方法估计出源地震信号小波系数,最后使用分数阶B样条小波逆变换重构得到降噪后的地震信号.利用本文方法对合成地震记录和实际地震信号进行降噪处理,实验结果表明本文方法能够有效地压制地震信号中的随机噪声,并且较好地保留了有效信号. 相似文献
2.
有效地压制地震信号中的噪声是地震信号解释和后续处理的重要环节之一.本文建立两种双树复小波域双变量模型对地震信号中的随机噪声进行压制.地震信号经双树复小波变换后,同一方向实部与虚部系数、实部(或虚部)系数与对应的模之间存在较强的相关性.鉴于此,对同一方向实部与虚部小波系数建立双变量模型,从含噪地震信号小波系数中估计原始信号的小波系数,再基于双树复小波逆变换重构得到降噪后的地震信号.进一步对同一方向实部(或虚部)系数与对应的模建立双变量模型,得到地震信号随机噪声压制的第二种双树复小波域双变量方法.最后对合成地震记录和实际地震资料中的随机噪声进行压制的实验结果证实本文两种方法都能够有效地压制地震信号中的随机噪声. 相似文献
3.
分布式光纤传感器(distributed fiber-optical acoustic sensor,DAS)是一种快速发展的具有巨大应用前景的地震勘探检波器技术.实际DAS地震资料往往会受到大量强能量随机噪声的干扰,通常表现为低信噪比(signal-to-noise ratio,SNR).这一现象给接下来的成像、反演以及解释带来了巨大的困难,因此如何压制DAS地震资料中的随机噪声并提高其SNR成为一个有待解决的技术问题.卷积神经网络(convolutional neural network,CNN)已经被证明是一种有效的噪声压制工具.通常情况下,CNN需要一个理论纯净地震数据集来优化网络,这极大地限制了CNN在DAS地震资料处理中的应用.在本文中,我们采用正演模拟的方法来构建理论纯净DAS地震数据集,通过正演模型的参数多样化增强数据集的真实性,从而获得适合DAS地震资料随机噪声压制的CNN去噪模型.此外,在网络结构方面,我们利用泄漏线性整流单元作为CNN的激活函数增强训练后模型对微弱有效信号的恢复能力;在训练过程中,通过能量比矩阵调节噪声片和有效信号片之间的SNR,增强CNN去噪模型对于不同SNR的DAS地震数据的适应性.模拟和实际实验均表明本文提出的这种正演模型驱动的卷积神经网络(forward-model-actuation convolutional neural network,FMA-CNN)能够有效地压制DAS随机噪声同时完整地恢复有效信号. 相似文献
4.
本文以提高地震数据的成像质量为目标,提出一种智能的卷积神经网络降噪框架,从带有噪声的地震数据中自适应地学习地震信号。为了加速网络训练和避免训练时出现梯度消失现象,我们在网络中加入残差学习和批标准化的方法,并采用了ReLU激活函数和Adam优化算法优化网络。此外,Marmousi和F3数据集被用来对网络进行训练和测试,经过充分训练的网络不仅能在学习中保留地震数据特征,而且能去除随机噪声。首先充分地训练网络,从中提取出随机噪声,并保留学习到的地震数据特征,之后通过重建地震数据估算测试集中的波形特征。合成记录和实际数据的处理结果显示了深度卷积神经网络在随机噪声压制任务中的潜力,并通过实验验证表明了深度卷积神经网络框架有很好的去噪效果。 相似文献
5.
地震数据中存在的多次波影响偏移成像,误导地震资料的解释,因此通常视为相干噪声而被去除.为了对多次波进行智能化衰减,本文提出了一种基于数据增广训练的使用深度神经网络的多次波压制方法.设计的深度神经网络包括卷积编码和卷积解码过程,其中卷积编码过程学习全波场数据中的一次波特征,卷积解码过程利用这些特征来重构一次波并压制多次波和随机噪声.在训练阶段,旋转训练集并在输入数据中加入随机噪声构成增广训练数据集来提升神经网络的抗噪稳定性和泛化性,通过迁移学习让深度神经网络具备跨工区压制多次波的能力.简单模型与Sigsbee2B模型三套模拟数据的实例验证了本文方法在一次波重构和多次波压制中的有效性、稳定性和良好泛化性;一套崎岖海底模型地震物理模拟数据的应用实例表明本文方法具有应用于复杂条件下压制地震多次波的能力. 相似文献
6.
有效压制多次波一直是地震勘探中的难点问题.尽管已发展了多种多次波压制方法,但仍存在多次波压制不全、计算耗时长等缺陷,使得应对复杂地质地震数据多次波压制具有挑战性.为了突破现有多次波压制方法的局限性,本文提出了一种基于深层神经网络的多次波压制方法,采用的深层神经网络是一种改进的具有卷积编码器和卷积解码器的U-net网络.不同于常规方法依赖于滤波或波动理论,该方法仅依赖于大量训练数据.训练数据以含多次波的原始地震数据作为输入,不含多次波的地震数据作为输出,通过最小化损失函数来优化神经网络参数.训练成功的网络模型具备较好地分离多次波和一次波的能力,可直接用来快速压制地震数据中的多次波,避免了常规方法涉及的大规模计算.工业界模型数据测试结果表明,本文提出的深层神经网络方法能有效压制复杂地质地震数据中的多次波,同时还具有较高的泛化能力和多次波压制效率. 相似文献
7.
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
8.
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
9.
水平叠加虽然在很大程度上压制了噪声,提高了地震剖面的信噪比,但CMP遭集上还存在不少不是一次波的规则干扰和随机噪声,不利于叠前资料的岩性反演和叠后资料的波阻抗反演.本文提出了基于改进的正交多项式变换压制地震资料中随机噪声的方法,其优势在于:通过对不同时间信号的奇异值分解,确定有效信号正交多项式系数谱的阶数;再利用小波变换,改善有效信号和噪声在低阶上的混叠.文中给出了具体处理的过程,数据试验和实际资料的处理结果表明该方法不仅能有效地压制噪声,而且还能较好地保护地震数据中AVO变化特征. 相似文献
10.
讨论了叠前地震记录中随机噪声的模拟方法，采用定性分析与Monte Carlo仿真相结合的方法，研究了在物理小波为基本小波的变换域该类随机噪声局部小波功率谱的统计特性，得出：其局部小波功率谱服从χ22分布.在此基础上，利用假设检验给出了在给定置信度下确定有效信号在小波变换域内能量分布空间的方法，通过在有效信号能量分布空间重建信号来压制噪声.给出了模型及实际地震资料算例，证明了本文提出的方法的有效性. 相似文献
11.
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
12.
13.
地震震相拾取是地震数据自动处理的首要环节,包括了信号检测、到时估计和震相识别等过程,震相拾取的准确性直接影响到后续事件关联处理的性能,影响观测报告的质量.为了提高震相拾取的准确性,进而提高观测报告质量,本文采用深度卷积神经网络方法来解决震相拾取问题,构建了多任务卷积神经网络模型,设计了分类和回归的联合损失函数,定义了基于加权的分类损失函数,以三分量地震台站的波形数据作为输入,同时实现对震相的检测识别和到时的精确估计.利用美国南加州地震台网的200万条震相和噪声数据对模型进行训练、验证和测试,对于测试集中直达波P、S震相识别的查全率达到98%以上,到时估计的标准偏差分别为0.067s,0.082s.利用迁移学习和数据增强,将模型用于对我国东北地区台网的6个台站13000条数据的训练、验证和测试中,对该数据集P、S震相查全率分别达到91.21%、85.65%.基于迁移训练后的模型,设计了用于连续数据的震相拾取方法,利用连续的地震数据对该算法进行了实际应用测试,并与国家数据中心和中国地震局的观测报告进行比对,该方法的震相检测识别率平均可达84.5%,验证了该方法在实际应用中的有效性.本文所提出的方法展示了深度神经网络在地震震相拾取中的优异性能,为地震震相和事件的检测识别提供了新的思路. 相似文献
14.
在地震勘探领域,随机噪声一直是影响地震信号信噪比的主要因素之一,如何从被干扰的地震信号中有效去除随机噪声并保护有用信号具有重要的意义.针对经典小波变换在计算效率方面的缺陷,本文推荐应用提升算法实现第二代小波变换的构建,分析和对比了提升算法(Lifting Scheme)下不同小波变换方法的特性,选取更加符合小波域去噪原理的CDF 9/7双正交小波变换作为基本算法,同时应用了简单、有效的百分位数(Percentiles)软阈值进行信噪分离.通过理论模型处理,本方法可以在去噪能力和保护有用信号之间找到很好的平衡点.实际剖面的处理效果表明,此方法不仅能有效的滤除随机噪声,而且很好地保护有用信号,提高地震数据分析的精确性. 相似文献
15.
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
16.
Within the field of seismic data acquisition with active sources, the technique of acquiring simultaneous data, also known as blended data, offers operational advantages. The preferred processing of blended data starts with a step of deblending, that is separation of the data acquired by the different sources, to produce data that mimic data from a conventional seismic acquisition and can be effectively processed by standard methods. Recently, deep learning methods based on the deep neural network have been applied to the deblending task with promising results, in particular using an iterative approach. We propose an enhancement to deblending with an iterative deep neural network, whereby we modify the training stage of the deep neural network in order to achieve better performance through the iterations. We refer to the method that only uses the blended data as the input data as the general training method. Our new multi-data training method allows the deep neural network to be trained by the data set with the input patches composed of blended data, noisy data with low amplitude crosstalk noise, and unblended data, which can improve the ability of the deep neural network to remove crosstalk noise and protect weak signal. Based on such an extended training data set, the multi-data training method embedded in the iterative separation framework can result in different outputs at different iterations and converge to the best result in a shorter iteration number. Transfer learning can further improve the generalization and separation efficacy of our proposed method to deblend the simultaneous-source data. Our proposed method is tested on two synthetic data and two field data to prove the effectiveness and superiority in the deblending of the simultaneous-source data compared with the general training method, generic noise attenuation network and low-rank matrix factorization methods. 相似文献
17.
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