一、小波变换在地震信号噪声处理中的应用(论文文献综述)
董广凯[1](2021)在《基于改进小波变换的地震资料信噪比提升方法研究》文中研究表明通常在地震勘探中采集到的地震资料因受各种因素的影响常常混杂着大量噪声,如果能有效的消除地震信号中的噪声干扰,这将为后续解释工作提供极大的保障。所以本文从消除地震信号随机噪声提高地震资料信噪比方向展开研究,主要研究内容如下:首先,本文介绍了小波变换由理论知识到实际应用的内容与流程,深入分析了常用小波阈值选取算法的优缺点。然后,研究改进了小波变换阈值去噪算法去除地震资料随机噪声。本文针对常用小波阈值去噪算法常通过预先估计得到的噪声方来计算阈值存在较大误差的问题,选用了不需要噪声方差参与的GCV阈值选取函数作为阈值选取的基函数,并结合模拟退火算法与果蝇寻优算法对小波阈值进行寻优得到最优阈值。改进之后的算法解决了局部最优阈值的问题,并且可以根据当前迭代次数动态的调整算法的搜索步长以及在保证算法复杂度的前提下选取更加合适的新迭代起点,从而获得小波变换的最优阈值。最后,研究改进了基于NLM算法的小波变换去除地震资料随机噪声。本文针对地震随机噪声存在空间冗余性的特点以及传统NLM算法仅采用固定的滤波参数造成去噪效果不理想的问题,在分析了将一维小波熵应用在NLM算法上时噪声方差的计算仅通过对一维单道信号取平均获得的缺点后,将二维小波熵与NLM算法相结合,通过用二维小波熵计算得到的噪声方差来调整滤波参数,并通过调控因子优化参数误差,从而提升去噪效果。将本文改进算法应用到模拟地震记录和实际地震资料上,通过处理前后的数据对比可以证明本文方法的有效性。
张钰姝[2](2021)在《基于复扩散滤波和深度学习的地震勘探噪声压制模型研究及应用》文中研究指明高质量地震勘探数据对于探测地下结构、地质成像及进一步探查地下资源至关重要。在数据采集过程中地震检波器不仅会采集到弱有效地震信号,同时会接收到大量地震勘探随机噪声,导致地震勘探数据信噪比低且地震信号难以识别。因此,压制地震勘探数据中的随机噪声以提高地震数据质量是地震勘探信号处理的基础环节。此外,地震勘探随机噪声性质受地表条件和采集环境的影响,不同测区地震勘探随机噪声特性差异明显,对地震随机噪声压制方法的鲁棒性和有效性提出更高的要求。本文重点研究低信噪比地震勘探记录中非平稳、非高斯和低频随机噪声压制问题,提出基于复数域扩散滤波和深度卷积神经网络的复杂地震勘探随机噪声滤除方案。针对非平稳随机噪声压制与地震有效信号保留问题,本文提出了结构自适应复扩散滤波算法,实现信号增强-噪声消减的滤波过程。复数域锐化扩散方法由线性扩散项和锐化项组成,在演化过程中可产生充当结构引导算子的虚部,且不受噪声非平稳性质的影响,可实现非平稳噪声的滤除。但是复数域锐化扩散滤波方法的扩散项对地震勘探随机噪声和地震有效信号实施恒定的扩散强度,这会严重平滑复杂地震纹理结构。本文首先采用结构张量提取地震纹理结构特征,通过研究结构张量的参数,使其适应浅层和深层地震数据的纹理结构特点,获得可引导扩散系数的地震同相轴结构信息和方向信息。其次,在地震同相轴结构信息引导下,本文构建了梯度方向上扩散系数的阈值函数,并进一步利用阈值函数与虚部协同调节梯度方向上的扩散系数。最后,针对陡峭地震同相轴较平缓同相轴衰减程度更大的问题,在梯度方向复扩散系数的基础上,本文进一步利用地震同相轴方向信息来引导一致性方向上扩散系数,当地震同相轴越陡峭时扩散强度越小,从而在压制噪声的同时达到有效保护地震信号的作用,改善陡峭地震同相轴幅值衰减的问题。针对低信噪比情况下非平稳地震强随机噪声压制问题,本文基于深度卷积神经网络与随机噪声局部平稳的特性,提出了块去噪卷积神经网络模型框架。深度卷积神经网络在图像去噪处理领域性能优越,然而大多由特定噪声水平训练而成,难以适应低信噪比情况下非平稳地震强随机噪声的滤除。本文将基于图像块的去噪方式应用于深度卷积神经网络中,将图像块聚类和多卷积神经网络去噪相结合,该联合去噪的框架既保证了模型的去噪性能,又保证了对非平稳地震强随机噪声的适应性。为了实现非平稳地震强随机噪声滤除与地震复杂纹理结构保护两者的平衡,本文进一步提出了以结构统计量为导向的模型选择准则,自动且高效地选择每类图像块匹配的卷积神经网络模型,从而在保护复杂形态地震同相轴的同时压制非平稳强随机噪声。针对强低频地震随机噪声与地震有效信号波形相似的问题,本文基于扩散滤波方法的去噪灵活性与深度卷积神经网络的深层特征提取能力,将两者相结合,构建了深度复数域反应扩散模型。复数域锐化扩散方法依赖数据幅值变化而实施滤波,因此仅使用复数域扩散方法难以描述强低频随机噪声与地震信号的特征差异,从而会严重干扰滤波过程,而深度学习网络具备提取数据深层特征的能力,且深层特征相比较数据的中低层特征更能表征强低频随机噪声与地震信号的差异。但是深度学习网络的性能易受训练数据集的限制,对当前待处理实际数据缺乏一定的适应性。本文在复数域锐化扩散方法基础上引入反应项,并将深度学习网络嵌入到反应项中,从地震训练数据集中学习有效信号的深层结构特征,以区分强低频随机噪声和地震信号,使反应项能够增强期望的信号。其次,随着反应项不断反馈有效信号,沙漠强低频随机噪声与地震信号的相似性被减弱,复数域锐化方法的扩散项和锐化项能够逐渐恢复噪声滤除和信号增强能力,而且这同时也缓解了深度学习网络在处理与训练集不同的数据时所存在的适应性问题,因此深度复数域反应扩散模型的扩散项、锐化项和反应项能够实现协同作用,在滤除强低频随机噪声的同时能够保护有效地震同相轴。本文在研究复数域锐化扩散方法和深度学习网络性能的基础上,针对低信噪比情况下复杂地震勘探随机噪声压制的不足,提出了不同测区地震勘探随机噪声优化消噪方案,并在仿真实验和实际地震记录处理基础上,对所提方案的性能进行分析比较,验证了所提方案在信噪比提高、复杂地震随机噪声压制以及有效地震信号保护等方面取得的成效,为复数域非线性扩散滤波方法与深度学习网络模型在地震数据处理中的应用提供了新的思路。
王洪洲[3](2021)在《基于生成对抗网络的沙漠地震记录噪声消减方法研究》文中提出油气是一种不可再生的重要战略资源,与国家经济发展息息相关。地震勘探是探查油气的重要方法,通过在地面采集由人工激发向地下传播后反传的地震波,形成地震记录作为地层构造成像与解释的基础。但是在这个过程中,也不可避免会受到噪声干扰。消减地震记录中的噪声,提升信噪比是地震资料处理的重要内容。当前,浅层易开采的常规油气资源慢慢走向枯竭,而开采难度较大的非常规油气资源逐渐成为关注的重点。在此趋势下,勘探的对象也逐渐从浅层扩展到深层,从平原地区拓展到山地、沙漠地带。中国的西北部沙漠众多,这些地区往往蕴藏着大量未勘测、未开发的油气资源。但是,沙漠地区的地质条件和勘测条件均非常恶劣,致使获取的地震记录中噪声错综复杂,影响着记录后续的反演、成像和解释,因此我们迫切需要一种切实有效的沙漠地震勘探资料消噪策略。多数常规地震资料消噪方法是在变换域中,通过利用信号和噪声在能量、相关性或者其他物理量上的差异进行区分,但是面对沙漠地震勘探资料中复杂的低频噪声性质,常规算法多数存在对噪声压制不彻底、难以精确恢复信号等问题。近年来,基于卷积神经网络(CNN)的方法能够在地震信号复杂噪声的消减中发挥重要作用。依赖着复杂的体系和巨大的参数,CNN可以学习从含噪信号到纯净信号的复杂映射,从而能够极大程度恢复信号,获得远超传统方法的去噪效果。但是,以CNN为基础的去噪算法也表现出了很大局限性。在算法上,训练目标主要集中在训练网络最小化纯净信号和CNN去噪后信号的均方重建误差,由此产生的估计虽然具有高的信噪比,但是其结果偏向于局部感知,使得最后的去噪结果呈现异常:信号的全局结构难以被精确恢复,信号的高频细节也无法保留。此外,对数据集的高度依赖也使得CNN在缺少噪声数据时难以展开训练。基于深度学习的模型是数据驱动的,这要求在网络训练中,需要配对的含噪记录和有效信号来构建起一一对应的数据集,但这在地震探测中是难以获得的,这也严重影响了CNN在实际地震记录去噪中的应用。基于上述两种问题,我们分别提出两种基于生成对抗网络的沙漠地震记录消噪策略。首先,针对信号恢复不佳的问题,借鉴生成对抗网络的思想,在去噪网络的训练中增加鉴别网络的指导,使其纳入到一个对抗训练的体系中,从而形成一个“单向训练生成对抗网络”。整个体系包含有去噪网络和鉴别网络两个部分。去噪网络用于学习从含噪信号到去噪信号的映射,含噪数据在网络中前向传播后会生成纯净的信号。而鉴别网络被训练以区分去噪信号和原始信号,逼迫去噪网络提高去噪质量以欺骗鉴别网络,最终网络的去噪结果将更具有结构完整性;另外,为解决模型对数据集依赖性较强的问题,我们还设计了一个“双向训练生成对抗网络”,使其在循环一致性约束下学习含噪数据域到有效信号数据域的域映射。循环一致性保证了学习到的域映射可以极大程度得保留原纪录中的同相轴信息。这种无监督的训练体系不再需要成对的含噪记录和有效信号,能够在缺少噪声数据的情况下开展训练,模型也更加适应对实际记录的处理。在实际沙漠地震勘探资料处理中,本文所提方法展现了出色的去噪性能,在两种策略下训练的去噪网络都是无需人工调整参数的基于数据驱动的自动去噪器,能够在实际应用中实现较好的去噪效果,且优于常规消噪方法。更重要的是,对比当前热门研究的CNN算法,针对提及的CNN的局限性问题,本文的方法均有较大的提升与改善。
张松[4](2021)在《基于深度学习的地震信号降噪算法研究》文中提出地震通常会造成大量的人员伤亡和财产损失,地震预警是减少灾害的有效手段。精确的地震数据可以帮助地震预警系统获得准确的到时,但是,由于台站的监测环境日益复杂,采集的地震数据通常会受到各种种类噪声的强烈干扰,而地震数据中存在噪声会对地震到时的检测、震相获取等工作产生较大的影响,进而导致影响地震预警的准确性,因此需要对采集的地震数据进行降噪。然而传统地震信号降噪算法的降噪结果受人工选取的特征函数或者阈值参数影响较大,导致降噪后的信号信噪比不高并且存在波形失真。近年来,随着深度学习的发展,众多学者开始尝试将深度学习方法应用于地震信号降噪。为进一步提升深度学习在地震信号降噪领域的应用,本文重点研究了基于卷积神经网络的地震信号降噪的问题,在提高地震信号信噪比的同时减少波形失真,本文主要研究内容如下:(1)针对目前深度学习降噪方法存在降噪后地震信号信噪比低、波形失真的问题,提出基于DnCNN网络的地震信号降噪模型。DnCNN模型能够利用残差学习方法对不同信噪比的地震信号进行降噪且不需要人工参与。为了测试DnCNN模型的降噪效果,使用斯坦福大学全球地震数据集对DnCNN网络进行训练、测试,将其降噪结果与传统的降噪方法以及深度学习方法进行比较,实验结果表明DnCNN模型相较于传统降噪算法和深度学习方法,能够获得更好的降噪效果,提高了地震信号的信噪比。(2)虽然DnCNN模型能够在一定程度上提高地震信号的信噪比,但模型中特征图的利用率不高,容易丢失一些细节特征,导致降噪后的信号存在一定程度的波形失真。针对这一问题,提出结合残差密集模块(residual dense block,RDB)的卷积深度网络降噪模型DnRDB。模型中的RDB模块利用密集连接和特征融合能够增加特征图的利用率,在提高地震信号的信噪比的同时减少波形失真。为了证明DnRDB模型的降噪效果,使用同一数据集对DnRDB模型进行训练和测试,实验结果表明,DnRDB模型在测试集上可以有效去除各种噪声。将DnRDB模型与DnCNN模型和其他深度学习模型进行比较,在对同一段含噪地震信号降噪后,平均信噪比分别提高约0.7 d B和1 d B,平均相关系数分别提高约0.0573、0.0574,DnRDB模型降噪效果最优,可以有效提高地震信号的信噪比,同时波形失真程度最小。(3)地震信号中含有噪声会影响对震相识别的精度,对含有噪声的地震信号降噪可以改善震相识别的效果。为了测试DnRDB模型在实际地震信号的降噪效果,将DnRDB模型应用于2008年汶川地震余震数据集,对数据集中的地震信号进行降噪。利用长短窗震相识别算法对降噪前以及降噪后的地震信号进行震相识别,并使用正确率和查全率来评价震相识别的效果,实验结果表明,降噪后的Pg和Sg的识别正确率分别提高18%和9%,查全率分别提高32%和29%,而且经过DnRDB模型降噪后的震相识别精度相较于其他降噪算法最高。DnRDB模型可以通过降噪有效提高震相识别算法的识别精度。
鞠汉青[5](2021)在《基于多级小波卷积神经网络的沙漠地震随机噪声消减》文中研究指明由于科技的发展和时代的进步,对石油和天然气的需求量变得越来越大,而目前可探明的易于开采的油气储备已经基本勘测完毕,因此对于环境复杂、难于开采而油气储备又比较丰富的地区的勘探已经成为目前地震勘探的重点。沙漠地区往往蕴藏着丰富的油气资源,在我国新疆的塔里木地区就蕴含的丰富的石油和天然气资源,所以对该地区的勘探和地质结构分析同时了解内部油气分布变得十分重要。然而经过勘测发现在该地区获取的地震记录里面往往有大量的随机噪声的干扰,而高信噪比的地震资料是解析、研究地层结构及属性分析等诸多研究的前提,所以提高地震信噪比是地震信号处理的一个重要的环节,目前有一些方法可以一定压制沙漠地震信号中的随机噪声,但是由于沙漠地震噪声的复杂性和不稳定性,导致这些方法处理的效果不稳定,并且有一些参数需要手动调节,所以往往使用这些方法会出现噪声压制不彻底、有效信号保幅性差等缺点,所以这些方法很难满足现代高精度探测的需求,我们迫切的需要一种更好的、适用广泛的去除随机噪声的方法。根据上述问题,本文引用多级小波卷积神经网络,多级小波卷积神经网络是将二维离散小波变换和卷积神经网络的结合,使用二维离散小波变换替代U型网络的池化层和上卷积,因为U型网络的池化层虽然会减少训练难度和增大感受野,但是会导致信息丢失,从而影响去噪效果。而二维小波卷积神经不仅可以实现和池化层相似的效果,同时由于其正交特性可以无损恢复数据,这样实现感受野和计算效率之间的权衡。感受野的增大使其能获得同相轴更多的整体信息,与此同时相对于其他的神经网络,多级小波卷积神经网络增大感受野同时也没有增大训练难度。这里通过对多级小波卷积神经网络的训练集和结构的调整,使它适用于沙漠地震信号中随机噪声的压制。同时也通过大量的实验证明的多级小波卷积神经网络的优势,无论从模拟记录的整体去噪结果、F-K谱图还是单道效果上,多级小波卷积神经网络都实现了很好的去噪效果;同时优势也体现在去噪通用性上,相对于传统的带通滤波器、f-x域预测滤波、小波变换和经验模态分解面对不同强度的随机噪声处理效果的差异巨大,多级小波卷积神经网络面对不同强度的随机噪声都表现出良好的压制效果和稳定性,并且在面对噪声强度比较大的情况,信噪比可以由-11.255d B提升到16.235d B;处理实际记录中,在去除随机噪声和幅度保持方面都表现优秀,与此同时训练后的多级小波卷积神经网络还有去除面波的效果,所以对同相轴淹没在面波中的地震记录,多级小波卷积神经网络也能实现很好的去噪效果。
李佳[6](2021)在《基于VMD-GreBsmo的沙漠地震信号去噪算法研究》文中研究表明石油和天然气作为极其重要的不可再生资源,其在全球现代化建设进程中起到关键作用。常规油气资源储备的持续消耗推动着资源勘探领域逐步向着对非常规油气资源的开采发展。新疆塔里木沙漠地区蕴藏着丰富的油气资源,因此探明其地质结构、确定其资源存储现状具有极大价值。作为油气勘探领域的重要手段之一,地震勘探能够提供一套较为精准的地层结构资料,但是沙漠地区复杂特殊的环境会导致所采集的地震勘探数据被随机噪声严重干扰,难以满足高信噪比、高分辨率和高保真度的“三高”要求。因此,寻找一种能够有效压制沙漠地震随机噪声的方法对油气勘探具有非常重要的意义。地震勘探资料噪声压制技术发展至今,已有许多有效可行的方法被提出和实践,例如f-x反褶积、小波变换、带通滤波等,这些经典方法在应对中浅层地震勘探随机噪声、提高地震勘探记录信噪比方面取得一定效果,在油气资源勘探工程中也得到较好应用,但是当面对有效信号与低频随机噪声频谱混叠严重的沙漠地震勘探资料时,这些传统去噪方法具有一定局限性,会呈现出噪声压制不彻底、有效信号难识别等问题,难以满足当前高精度勘探的需求。近年来,时频分析手段与低秩分解方法日趋成熟。根据时频分解域中沙漠地震信号稀疏低秩特性明显,且有效信号与低频噪声在分解域中对应的秩也不同的特点,本文提出一种基于时频域低秩分解的沙漠地震噪声压制算法。首先利用变分模态分解(Variational Mode Decomposition,VMD)对沙漠地震信号作单道处理,并将其分解为若干模态分量,经分解得到的所有模态再重新组合得到一个新的信号分量矩阵,接下来通过Gre Semi-Soft Go分解(Greedy Semi-Soft Go Decomposition,GreBsmo)对其进行自适应秩收敛的低秩提取得到噪声所在的低秩分量矩阵,最后将该低秩矩阵中每一道信号的所有模态叠加并与原始含噪地震信号矩阵作差得到最终去噪结果。本文提出的基于VMD-GreBsmo的沙漠地震信号去噪算法既规避了VMD模态取舍问题,同时又利用GreBsmo迭代收敛的特点进行自适应秩选取,优化了秩参数选择难的问题。在沙漠地震勘探资料处理中,通过仿真实验验证本文算法的有效性和可行性,无论是整体去噪效果还是时域单道对比结果,本文算法对沙漠地震低频噪声压制效果均要优于常规去噪手段。基于数据定量分析,本文方法在仿真实验中可将信噪比提升约13d B。将该算法应用于处理实际沙漠地震资料中,与传统去噪方法相比,本文方法能够有效压制噪声并较为清晰连续地恢复同相轴。
孔俊禹[7](2020)在《煤田地震资料Gabor变换子波缩放和反褶积处理方法与应用》文中指出在煤田勘探的各个阶段,为了保证安全高效开采,必须查明采区内小构造发育情况,其中对薄煤层及落差3~5m小断层精细刻画已成为煤田地震资料处理的难点。由于地震信号是一种非平稳信号,地震波的传播具有时变特性,本文在分析Gabor变换原理的基础上,采用时频分析方法,研究了Gabor子波缩放和Gabor反褶积方法,以提高煤田地震资料的纵向分辨率。利用Gabor变换将地震数据从时间域变换到频率域,对频率域地震道进行2D平滑估计子波的频谱,通过调整缩放因子对子波频谱执行缩放,并对子波频谱的自然对数做希尔伯特变换求其相位函数,使子波明显变窄。在进行Gabor反褶积处理时,以平滑后的地震道频谱作为子波频谱,在频率域用原始地震道频谱除以子波频谱求得分辨率较高的反射率系数序列,再通过Gabor逆变换实现对地震信号纵向分辨率的提高。使用Gabor子波缩放和反褶积方法对模拟数据、煤田实际地震资料进行处理,处理后子波变窄,地震信号频带变宽,主频提升,大大提高了地震资料纵向分辨率。同时,Gabor反褶积可以校正子波形状和粘弹性衰减,对煤田强屏蔽下的深层地震信号具有很好的补偿作用。本文共有图43幅,表7个,参考文献96篇。
李浩[8](2020)在《多域去噪方法技术与应用研究》文中指出地震勘探包括三个步骤:数据的采集、处理和解释。采集就是通过地震仪器帮助我们获取地下的波阻抗信息,处理是将采集到的波阻抗信息通过专门的方法得到剖面形式的成果,再由解释人员对剖面做出地质解释,从而获得目标区地下的地质信息。可见地震资料处理是地震勘探中十分重要的一步,是沟通整个地震勘探作业的纽带,其中去噪是地震资料处理中的关键,而传统单一的去噪方法目前已经不能满足实际生产需要,因为不同种类的噪声其产生条件,频率振幅等特点均各异。所以要针对不同的噪声使用不同的去噪方法,从多域的角度进行各种噪声的去除。本文以此为目的,从地震波的传播原理进行研究入手,分析总结不同种类地震波的传播方式及特点,介绍了表征地震波的各种参数及其含义和内在关系,从而对地震波进行深入剖析。同时按照“追本溯源”的方针,将噪声按其在地震记录上所表现的特点,分为规则噪声和不规则噪声,详细研究每种噪声的产生原因、发生条件等因素,对其特点进行详细的描述,对这些噪声有了更充分的认识。其次,论文以不同去噪理论基础为依据,详细介绍了中值滤波、维纳滤波的原理及具体实现步骤,并分析其优缺点。中值滤波的非线性特点可以减少外部输入干扰信息对滤波的干扰,维纳滤波提供的最小平方差思想为研究去噪技术打开了思路。从一维傅里叶变换理论出发,推广到二维傅里叶变换,全面介绍了F-K滤波方法和原理,评价了其优缺点,介绍了海森堡测不准原理,说明了傅里叶变换分析的固有缺点。深入研究傅里叶变换理论基础上延伸出的F-X域滤波方法,并且结合了维纳滤波中的最小平方差思想,详细介绍了F-X域预测去噪技术和F-X域拟合去噪技术的数学推理和具体操作步骤,讨论了不同方法的适用条件。通过时频分析方法,可以将时间和频率紧密联系在一起。根据噪声和有效信号在时频谱上的不同表现,设计滤波器在时频域对信号进行滤波处理,滤波处理中对时频分析的精度要求较高。加窗傅里叶变换、小波变换和S变换一直都是时频分析的重要手段,本文通过理论分析与模型测试,验证了S变换时频分析的效果在三者中表现较好,精度较高。进一步通过S变换时频滤波手段对资料中的面波干扰进行压制,在理论模型和实际资料的验证中获得了不错的效果。最后,通过模型和实际资料验证了这些去噪方法的可行性,探讨了这些方法的去噪效果,并结合这些去噪技术的适用条件分析总结了各种方法的优缺点,实现了地震资料处理中的多域去噪技术。
王鹏飞[9](2020)在《基于稀疏表示的多维地震数据去噪方法研究》文中研究表明地震数据受采集方式、采集环境的影响,会出现噪声污染、数据缺失等问题,这些问题都会影响到后续地震数据的处理结果,因此对野外采集到的原始地震数据进行噪声去除和重构,提高信噪比、增强分辨率的工作具有极其重要的意义。稀疏表示是一种简单高效的数据表达方式,在地数据处理领域的应用较为广泛,该方法具有较强的数据处理和特征提取表达能力。本文利用数据在变换域的稀疏性或非局部自相似性基于地震数据噪声的研究提出了具有稀疏表示能力的固定基函数去噪方法和字典学习去噪方法,并对这两种方法对数学模型数据和实际数据的去噪效果做出评估,并针对这两种去噪方法去噪效果中固定基函数不具自适应性和字典学习去噪不能将地震数据的细节纹理特征保留的缺陷提出了基于图正则的组结构字典学习去噪方法。本论文研究内容可概括如下:1.针对原始地震数据噪声难以去除的问题,本文首先使用基于固定基函数特征提取的稀疏表示方法中的小波变换、Curvelet变换去噪方法,其中小波变换方法具有较强的时频分析能力可以对地震信号的局部突变特征进行有效表示,但该方法不能对具有曲线特征的地震信号进行较好的稀疏表示,Curvelet变换方法具有多方向多尺度的表述能力,这样可以对曲线同相轴在去噪的同时能够良好的表示。但基于固定基函数的稀疏表示方法的基函数是不变的,不具有随地震数据变化而自适应构造基函数的能力。2.针对传统固定基函数在数据稀疏表示过程中不具备自适应性的缺陷,本文采用具有数据驱动特征学习功能的字典学习方法来稀疏表示地震数据,主要对MOD、K-SVD字典更新算法和MP、OMP、LARS稀疏求解算法进行了研究,发现传统的字典学习去噪方法对多维地震数据的向量化操作会使得地震数据中含有局部细节纹理特征信息丢失,并且会将较弱信号中的有效信号作为随机噪声去除。3.针对传统的基于数据驱动特征学习的字典学习去噪方法,本文提出了基于图正则化的组结构字典学习去噪方法,该方法通过构造一个权重矩阵对相邻数据之间相似性进行了限制,这样可以保证原子之间的相关性足够小,训练得到的字典就具有更对的数据结构特征和细节特征,使用该方法可以有效地对地震数据去除噪声和重构恢复。本文将上述几种方法在二维、三维理论模型和实际地震数据中进行了去噪和重构效果的评估,对比分析可以看出相比传统稀疏表示去噪方法,本文提出的基于图正则的组结构字典学习方法具有的较好地震数据去噪效果。
陈力鑫[10](2020)在《基于随机共振的地震弱信号增强方法研究》文中研究表明随着地震采集技术水平不断提高,勘探深度越来越深,地震数据中包含的地震信息愈加丰富。在深层地震勘探中,由于地震资料采集的条件限制和复杂地质条件等因素的影响,在原始的地震资料中会产生弱信号,即剖面中存在着较严重的随机噪声干扰有效信号,这会给地震资料的处理和解释带来困难。因此有必要对深层地震弱信号的增强方法进行研究,从而提升深层地震资料的质量,这也是勘探目标地震准确识别的基础性工作。本文论述了地震弱信号形成机制,开展了地震弱信号的增强方法研究,地震弱信号增强方法不是压制噪声就是增强信号,或者二者兼而有之。本文主要完成了以下研究工作:首先论述了地震弱信号形成机制和弱信号增强的常见方法思路,对比分析了几种常规地震弱信号增强方法的优缺点。详细研究了在高随机噪声背景下地震弱信号增强应用较广的方法:傅里叶变换、小波变换、曲波变换和字典学习等方法,这类方法都是从去除噪声的角度出发。小波变换方法是基于多尺度分析理论的一种方法,它能够比较好地展现局部特征,因此能够同时在时间域和频域拥有非常好的特征表现能力;而曲波变换拥有更多的尺度,因而具备了各项异性和方向特性,可以很好地处理地震数据边缘特性;字典学习方法在数据充足的情况下,能够通过构建字典,利用地震信号和噪声稀疏性不同,较好地实现信噪分离。根据随机共振理论化噪声为有效信号的思想,本文拟从随机共振的理论基础上研究在高随机噪声背景下地震弱信号增强的方法。根据随机共振理论的思想:在非线性作用下变噪声为有用信号,以提高其信噪比,拓宽了地震弱信号噪声增强的思路,从而找到一种新的方法对地震弱信号进行增强。在前人研究的地震弱信号增强方法理论基础上结合随机共振基础理论,开展基于随机共振基本理论的地震弱信号增强方法研究,建立了双稳态系统随机共振模型,并引入最优匹配理论和信号阵列理论,提出基于最优匹配阵列随机共振系统的地震弱信号增强方法(optimal matched array-stochastic resonance method,简称OMA-SRM)。随后运用小波变换、曲波变换、字典学习、随机共振和OMA-SRM等方法分别对地震数据进行去噪模拟实验,将所得到结果进行对比,分析这些方法下地震弱信号噪声压制增强效果。通过对二维sigmod理论模型、二维实际加噪数据、三维理论模型和三维叠后实际加噪数据进行对比测试,结果表明在高信噪比的情况下采用OMA-SRM方法的地震弱信号噪声压制增强结果相对最好,在信号增强能力上有突出优势。
二、小波变换在地震信号噪声处理中的应用(论文开题报告)
(1)论文研究背景及目的
此处内容要求:
首先简单简介论文所研究问题的基本概念和背景,再而简单明了地指出论文所要研究解决的具体问题,并提出你的论文准备的观点或解决方法。
写法范例:
本文主要提出一款精简64位RISC处理器存储管理单元结构并详细分析其设计过程。在该MMU结构中,TLB采用叁个分离的TLB,TLB采用基于内容查找的相联存储器并行查找,支持粗粒度为64KB和细粒度为4KB两种页面大小,采用多级分层页表结构映射地址空间,并详细论述了四级页表转换过程,TLB结构组织等。该MMU结构将作为该处理器存储系统实现的一个重要组成部分。
(2)本文研究方法
调查法:该方法是有目的、有系统的搜集有关研究对象的具体信息。
观察法:用自己的感官和辅助工具直接观察研究对象从而得到有关信息。
实验法:通过主支变革、控制研究对象来发现与确认事物间的因果关系。
文献研究法:通过调查文献来获得资料,从而全面的、正确的了解掌握研究方法。
实证研究法:依据现有的科学理论和实践的需要提出设计。
定性分析法:对研究对象进行“质”的方面的研究,这个方法需要计算的数据较少。
定量分析法:通过具体的数字,使人们对研究对象的认识进一步精确化。
跨学科研究法:运用多学科的理论、方法和成果从整体上对某一课题进行研究。
功能分析法:这是社会科学用来分析社会现象的一种方法,从某一功能出发研究多个方面的影响。
模拟法:通过创设一个与原型相似的模型来间接研究原型某种特性的一种形容方法。
三、小波变换在地震信号噪声处理中的应用(论文提纲范文)
(1)基于改进小波变换的地震资料信噪比提升方法研究(论文提纲范文)
摘要 |
abstract |
第一章 绪论 |
1.1 研究背景及意义 |
1.2 国内外研究现状 |
1.2.1 地震资料去噪研究现状 |
1.2.2 小波变换研究现状 |
1.3 地震资料处理的基本知识 |
1.3.1 地震勘测流程 |
1.3.2 地震信号噪声 |
1.4 本文的研究内容 |
1.5 本文的结构安排 |
第二章 小波变换理论基础知识 |
2.1 小波变换理论介绍 |
2.2 小波变换基本理论 |
2.2.1 傅里叶变换 |
2.2.2 连续小波变换 |
2.2.3 离散小波变换 |
2.2.4 二进小波变换 |
2.2.5 二维小波变换 |
2.2.6 小波包变换 |
2.3 小波变换理论框架 |
2.3.1 多分辨率分析理论与方法 |
2.3.2 Mallat算法 |
2.4 常见的小波基函数 |
2.5 小波变换尺度的选择 |
2.6 小波阈值去噪算法 |
2.6.1 小波阈值去噪算法理论 |
2.6.2 常见的阈值选取算法 |
2.6.3 阈值函数的选取 |
2.7 去噪效果的评价标准 |
2.8 本章小结 |
第三章 改进小波变换阈值去噪算法去除地震资料随机噪声 |
3.1 GCV阈值选取函数 |
3.2 果蝇优化算法 |
3.2.1 参数初始化 |
3.2.2 嗅觉搜索 |
3.2.3 视觉搜索 |
3.3 模拟退火算法 |
3.4 改进小波变换阈值选取算法 |
3.5 仿真实验 |
3.6 实际地震资料处理 |
3.7 本章小结 |
第四章 改进基于NLM算法的小波变换去除地震资料随机噪声 |
4.1 NLM算法原理 |
4.2 基于一维小波熵的自适应NLM算法 |
4.3 基于二维小波熵的自适应NLM算法 |
4.4 仿真实验 |
4.5 实际地震资料处理 |
4.6 本章小结 |
第五章 总结与展望 |
5.1 总结 |
5.2 展望 |
致谢 |
参考文献 |
攻读学位期间参加科研情况及获得的学术成果 |
(2)基于复扩散滤波和深度学习的地震勘探噪声压制模型研究及应用(论文提纲范文)
摘要 |
abstract |
第1章 绪论 |
1.1 研究背景和意义 |
1.2 地震勘探记录中随机噪声的分类及其特性 |
1.3 地震勘探数据去噪国内外研究现状 |
1.4 论文主要工作及章节安排 |
第2章 基于偏微分方程的扩散滤波与深度学习网络基本理论 |
2.1 实数域扩散滤波模型 |
2.1.1 高斯平滑过程与热扩散方程 |
2.1.2 Perona-Malik模型 |
2.2 复数域扩散滤波模型 |
2.2.1 薛定谔方程 |
2.2.2 复数域线性扩散滤波 |
2.2.3 复数域斜坡保持扩散滤波 |
2.3 深度学习网络 |
2.3.1 神经元与神经网络 |
2.3.2 卷积神经网络 |
2.4 本章小结 |
第3章 基于结构自适应复锐化扩散的非平稳随机噪声压制算法 |
3.1 复数域锐化扩散滤波模型 |
3.1.1 Shock滤波器 |
3.1.2 基于Shock滤波器的改进方法 |
3.1.3 基于复扩散的锐化扩散滤波 |
3.2 结构张量的基本原理 |
3.2.1 结构张量的基本原理 |
3.2.2 结构张量的参数分析 |
3.3 基于结构张量的结构自适应复数域锐化扩散方法 |
3.3.1 基于结构自适应的梯度方向扩散系数 |
3.3.2 方向自适应的垂直于梯度方向扩散系数 |
3.4 数值离散化方案 |
3.5 实验结果及分析 |
3.5.1 受高斯白噪声污染的合成地震记录 |
3.5.2 受真实沙漠低频随机噪声污染的合成地震数据 |
3.5.3 林带实际地震勘探数据处理 |
3.5.4 沙漠实际地震数据处理 |
3.6 本章小结 |
第4章 基于块去噪卷积神经网络的非平稳随机噪声压制模型 |
4.1 去噪卷积神经网络 |
4.1.1 卷积神经网络框架 |
4.1.2 卷积神经网络的参数更新过程 |
4.2 K-均值聚类方法 |
4.3 结构相似性矩阵 |
4.4 基于图像块的卷积神经网络 |
4.4.1 基于噪声水平的图像块聚类 |
4.4.2 优化卷积神经网络的选择 |
4.5 实验及结果分析 |
4.5.1 训练集构建与网络模型训练 |
4.5.2 受高斯白噪声污染的合成地震记录 |
4.5.3 林带实际地震勘探数据处理 |
4.6 本章小结 |
第5章 基于深度学习的复数域反应-扩散模型 |
5.1 实数域反应-扩散模型 |
5.1.1 反应-扩散模型的基本原理 |
5.1.2 基于Shock的反应-扩散模型 |
5.2 基于深度学习的复数域反应-扩散滤波模型 |
5.3 数值离散化方案 |
5.4 数据集构建与模型训练 |
5.5 实验结果及分析 |
5.5.1 受强低频随机噪声污染的模拟地震记录实验 |
5.5.2 沙漠地区实际地震勘探记录实验 |
5.6 本章小结 |
第6章 总结和展望 |
6.1 研究总结 |
6.2 研究展望 |
参考文献 |
作者简介及科研成果 |
致谢 |
(3)基于生成对抗网络的沙漠地震记录噪声消减方法研究(论文提纲范文)
摘要 |
abstract |
第1章 绪论 |
1.1 论文选题背景及意义 |
1.2 地震勘探噪声压制研究现状 |
1.3 本文主要研究内容及章节安排 |
第2章 沙漠地震消噪算法综述 |
2.1 沙漠地震记录中的噪声成因及性质 |
2.1.1 沙漠地带低频噪声源分析 |
2.1.2 沙漠地带低频噪声性质分析 |
2.2 传统地震记录噪声压制算法介绍 |
2.2.1 带通滤波器 |
2.2.2 f-x域预测滤波 |
2.2.3 小波变换 |
2.2.4 Shearlet变换 |
2.3 本章小结 |
第3章 基于卷积神经网络的噪声压制算法简介 |
3.1 去噪卷积神经网络的基本组成 |
3.1.1 卷积核 |
3.1.2 网络正则化方法 |
3.1.3 非线性激活函数 |
3.1.4 网络结构 |
3.2 卷积神经网络去噪原理 |
3.3 卷积神经网络去噪的局限性 |
3.4 本章小结 |
第4章 基于生成对抗网络的沙漠噪声消减算法 |
4.1 基于单向训练策略的生成对抗网络去噪方法 |
4.1.1 训练集构建 |
4.1.2 网络结构 |
4.1.3 损失函数 |
4.1.4 去噪原理 |
4.2 基于双向训练策略的循环一致性生成对抗网络去噪方法 |
4.2.1 非配对数据集构建 |
4.2.2 网络架构 |
4.2.3 损失函数 |
4.2.4 去噪原理 |
4.3 本章小结 |
第5章 基于生成对抗网络的沙漠地震勘探资料处理 |
5.1 单向训练生成对抗网络噪声消减实验 |
5.1.1 模拟沙漠地震记录噪声消减 |
5.1.2 实际沙漠地震记录噪声消减 |
5.2 双向训练循环一致性生成对抗网络噪声消减实验 |
5.2.1 模拟沙漠地震记录噪声消减 |
5.2.2 实际沙漠地震记录噪声消减 |
5.3 本章小结 |
第6章 总结与展望 |
6.1 工作总结 |
6.2 未来展望 |
参考文献 |
作者简介 |
致谢 |
(4)基于深度学习的地震信号降噪算法研究(论文提纲范文)
摘要 |
abstract |
第一章 绪论 |
1.1 研究的背景和意义 |
1.2 地震信号降噪的国内外研究现状 |
1.3 主要研究内容及章节安排 |
第二章 深度学习基本理论和方法 |
2.1 卷积神经网络 |
2.2 反向传播算法 |
2.3 训练优化算法 |
2.4 常用的损失函数 |
2.5 本章小结 |
第三章 基于DnCNN网络的地震信号降噪模型 |
3.1 基于DnCNN网络的地震信号降噪模型设计 |
3.2 数据集和评价指标 |
3.3 基于DnCNN网络的地震信号降噪模型的实验及结果分析 |
3.4 本章小结 |
第四章 基于DnRDB网络的地震信号降噪模型 |
4.1 基于DnRDB网络的地震信号降噪模型设计 |
4.2 数据集和评价指标 |
4.3 基于DnRDB网络的地震信号降噪模型的实验及结果分析 |
4.4 本章小结 |
第五章 将DnRDB降噪模型应用于震相识别 |
5.1 长短窗震相识别原理 |
5.2 汶川余震震相识别结果分析 |
5.3 汶川余震震相识别误差分析 |
5.4 本章小结 |
第六章 结论与展望 |
6.1 总结 |
6.2 展望 |
参考文献 |
致谢 |
作者简介 |
(5)基于多级小波卷积神经网络的沙漠地震随机噪声消减(论文提纲范文)
摘要 |
abstract |
第1章 绪论 |
1.1 本文选题的背景及意义 |
1.2 国内外研究现状 |
1.3 本文研究的内容及章节安排 |
第2章 沙漠随机噪声的性质及经典的压制方法 |
2.1 沙漠随机噪声的性质 |
2.1.1 自然噪声 |
2.1.2 人文噪声 |
2.1.3 面波 |
2.2 经典压制随机噪声的方法 |
2.2.1 小波变换 |
2.2.2 f-x域预测滤波 |
2.2.3 经验模态分解 |
2.3 本章小结 |
第3章 用于随机噪声压制的多级小波卷积神经网络 |
3.1 多级小波卷积神经网络结构及改进 |
3.1.1 网络结构及去噪原理 |
3.1.2 针对随机噪声压制的层数修改及参数设定 |
3.2 多级小波卷积神经网络训练集构建 |
3.2.1 信号和噪声训练集的构建 |
3.2.2 训练参数的设定 |
3.3 本章小结 |
第4章 合成沙漠地震记录和实际沙漠地震资料处理 |
4.1 合成沙漠地震记录处理 |
4.1.1 多级小波卷积神经网络模型实验处理结果 |
4.1.2 对比实验结果和去噪结果分析 |
4.2 实际沙漠地震资料处理 |
4.3 本章小结 |
第5章 总结与展望 |
5.1 工作总结 |
5.2 工作展望 |
参考文献 |
作者简介 |
主要研究项目和成果 |
致谢 |
(6)基于VMD-GreBsmo的沙漠地震信号去噪算法研究(论文提纲范文)
摘要 |
abstract |
第1章 绪论 |
1.1 选题背景及意义 |
1.2 国内外研究现状 |
1.3 论文研究内容与章节安排 |
1.4 本章小结 |
第2章 时频分析与低秩分解算法概述 |
2.1 时频分析方法介绍 |
2.1.1 经验模态分解(EMD) |
2.1.2 同步压缩小波变换(SWT) |
2.2 低秩分解算法介绍 |
2.2.1 RPCA算法 |
2.2.2 MoG-RPCA算法 |
2.3 本章小结 |
第3章 基于VMD-GreBsmo的信号去噪算法研究 |
3.1 变分模态分解(VMD) |
3.2 GreBsmo低秩分解算法 |
3.2.1 GoDec算法 |
3.2.2 GreBsmo算法 |
3.3 基于VMD-GreBsmo的沙漠地震噪声压制算法原理 |
3.3.1 算法基本原理 |
3.3.2 算法实现过程 |
3.4 本章小结 |
第4章 仿真实验与实际沙漠地震资料处理 |
4.1 沙漠地震资料分析 |
4.2 模拟沙漠地震记录噪声压制 |
4.3 实际沙漠地震资料噪声压制 |
4.4 本章小结 |
第5章 总结与展望 |
5.1 总结 |
5.2 未来研究工作与展望 |
参考文献 |
作者简介及取得科研成果 |
致谢 |
(7)煤田地震资料Gabor变换子波缩放和反褶积处理方法与应用(论文提纲范文)
致谢 |
摘要 |
abstract |
变量注释表 |
1 绪论 |
1.1 研究背景和研究意义 |
1.2 国内外研究现状 |
1.3 研究内容与技术路线 |
2 地震信号时频分析与反褶积处理基础 |
2.1 地震纵向分辨率 |
2.2 Gabor变换 |
2.3 反褶积基本原理 |
2.4 小结 |
3 Gabor子波缩放滤波器设计与计算机实现 |
3.1 Gabor子波缩放原理 |
3.2 Gabor子波缩放滤波器计算机实现 |
3.3 薄层地震信号Gabor子波缩放处理测试 |
3.4 小结 |
4 Gabor反褶积 |
4.1 Gabor反褶积原理 |
4.2 单道地震信号Gabor反褶积测试 |
4.3 楔形模型地震记录Gabor反褶积处理与分析 |
4.4 算法抗噪性分析 |
4.5 小结 |
5 实际应用 |
5.1 勘探区概况 |
5.2 实际地震数据高分辨处理 |
5.3 小结 |
6 结论与建议 |
6.1 结论 |
6.2 建议 |
参考文献 |
作者简历 |
学位论文数据集 |
(8)多域去噪方法技术与应用研究(论文提纲范文)
摘要 |
abstract |
第一章 绪论 |
1.1 选题目的及意义 |
1.2 国内外研究现状 |
1.3 论文主要内容 |
第二章 地震波分析 |
2.1 地震波传播原理 |
2.2 地震波主要参数 |
2.3 噪声分析 |
2.3.1 规则噪声介绍 |
2.3.2 不规则噪声介绍 |
2.4 去噪方法介绍 |
第三章 多域去噪方法技术 |
3.1 中值滤波与维纳滤波 |
3.1.1 中值滤波 |
3.1.2 维纳滤波 |
3.2 F-K域与F-X域去噪方法 |
3.2.1 傅里叶变换 |
3.2.2 F-K滤波 |
3.2.3 F-X域拟合滤波 |
3.2.4 F-X域预测滤波 |
3.3 S变换时频分析去噪 |
3.3.1 小波变换 |
3.3.2 S变换 |
3.3.3 时频分析方法对比 |
3.3.4 S变换时频分析去噪方法 |
第四章 模型与实际资料测试 |
4.1 中值滤波方法测试 |
4.1.1 中值滤波模型测试 |
4.1.2 中值滤波实际资料测试 |
4.2 F-K滤波方法测试 |
4.2.1 F-K滤波方法模型测试 |
4.2.2 F-K滤波方法实际资料测试 |
4.3 F-X拟合滤波方法测试 |
4.3.1 F-X拟合滤波方法模型测试 |
4.3.2 F-X拟合滤波方法实际资料测试 |
4.4 F-X预测滤波方法测试 |
4.4.1 F-X预测滤波模型测试 |
4.4.2 F-X预测滤波实际资料测试 |
4.5 多域联合去噪测试 |
4.6 S变换时频分析去噪测试 |
4.6.1 S变换时频分析去噪模型测试 |
4.6.2 S变换时频分析去噪实际资料测试 |
4.6.3 多域联合压制随机噪声和面波干扰测试 |
结论与展望 |
结论 |
展望 |
参考文献 |
攻读学位期间取得的研究成果 |
致谢 |
(9)基于稀疏表示的多维地震数据去噪方法研究(论文提纲范文)
摘要 |
Abstract |
第1章 引言 |
1.1 研究背景和意义 |
1.2 国内外研究现状 |
1.2.1 稀疏表示方法研究现状 |
1.2.2 稀疏分解算法研究现状 |
1.3 主要研究内容与章节安排 |
1.3.1 主要研究内容 |
1.3.2 章节安排 |
第2章 基于稀疏表示的固定基去噪方法 |
2.1 地震噪声的描述 |
2.1.1 噪声的分类 |
2.1.1.1 相干噪声 |
2.1.1.2 随机噪声 |
2.2 固定基函数去噪方法 |
2.2.1 小波变换 |
2.2.1.1 小波变换阈值去噪方法 |
2.2.2 Curvelet变换 |
2.2.2.1 连续Curvelet变换方法 |
2.3 去噪实验 |
2.3.1 地震合成记录模型 |
2.3.1.1 线性地震合成记录模型 |
2.3.1.2 曲线地震合成记录模型 |
2.3.1.3 三维地震合成记录模型 |
2.3.2 实际地震数据 |
2.3.2.1 二维实际地震数据 |
2.3.2.2 三维实际地震数据 |
2.4 本章小结 |
第3章 基于稀疏表示的字典学习去噪方法 |
3.1 稀疏表示基本理论 |
3.1.1 稀疏表示 |
3.1.2 稀疏表示方法的唯一性 |
3.2 稀疏求解算法 |
3.2.1 最小角回归(LARS)算法 |
3.2.2 匹配追踪(MP)与正交匹配追踪(OMP)算法 |
3.3 传统字典求解算法 |
3.3.1 MOD 字典构造算法 |
3.3.2 K-SVD字典构造算法 |
3.4 去噪实验 |
3.4.1 模型去噪实验 |
3.4.1.1 线性地震合成记录模型 |
3.4.1.2 曲线地震合成记录模型 |
3.4.1.3 三维地震合成记录模型 |
3.4.2 实际数据去噪实验 |
3.4.2.1 二维实际地震数据 |
3.4.2.2 三维实际地震数据 |
3.5 本章总结 |
第4章 基于稀疏表示的组结构字典学习去噪方法 |
4.1 组结构稀疏基本理论 |
4.2 组结构字典学习方法 |
4.2.1 字典学习方法 |
4.2.2 DL-GSGR算法 |
4.3 去噪实验 |
4.3.1 模型去噪实验 |
4.3.1.1 线性地震合成记录模型 |
4.3.1.2 曲线地震合成记录模型 |
4.3.1.3 三维地震合成记录模型 |
4.3.2 实际地震数据去噪实验 |
4.3.2.1 二维实际地震数据 |
4.3.2.2 三维实际地震数据 |
4.4 本章小结 |
结论 |
致谢 |
参考文献 |
攻读学位期间取得学术成果 |
(10)基于随机共振的地震弱信号增强方法研究(论文提纲范文)
摘要 |
Abstract |
第1章 绪论 |
1.1 研究背景及意义 |
1.2 国内外研究现状 |
1.2.1 地震弱信号增强方法研究现状 |
1.2.2 随机共振研究现状 |
1.3 本文主要研究内容和技术路线 |
1.3.1 研究内容 |
1.3.2 技术路线 |
1.4 主要研究成果和创新 |
第2章 地震弱信号产生原因与噪声压制增强方法 |
2.1 地震弱信号产生原因与地震噪声分类 |
2.2 地震弱信号噪声压制增强方法 |
2.2.1 变换域滤波法 |
2.2.2 稀疏变换法 |
2.3 本章小结 |
第3章 随机共振理论的地震弱信号增强方法及数值模拟 |
3.1 随机共振理论和模型概述 |
3.2 双稳态随机共振基本理论和模型 |
3.2.1 双稳态势阱模型 |
3.2.2 双稳态系统经典理论 |
3.2.3 双稳态势函数参数优化 |
3.3 基于随机共振的地震弱信号处理仿真 |
3.3.1 数值仿真算法与系统参数调节 |
3.3.2 数值模拟与分析 |
3.4 本章小结 |
第4章 基于最优匹配阵列随机共振系统的地震弱信号增强(OMA-SRM)方法 |
4.1 基于最优匹配阵列随机共振系统基本理论 |
4.2.1 信号最优匹配理论 |
4.2.2 阵列随机共振系统理论 |
4.2.3 最优匹配阵列随机共振系统理论 |
4.2 数值模拟结果与分析 |
4.2.1 二维Sigmod模型去噪测试 |
4.2.2 二维实际地震数据去噪测试 |
4.2.3 三维叠前模型去噪测试 |
4.2.4 三维叠后实际资料去噪测试 |
4.3 本章小结 |
结论 |
致谢 |
参考文献 |
攻读学位期间取得学术成果 |
四、小波变换在地震信号噪声处理中的应用(论文参考文献)
- [1]基于改进小波变换的地震资料信噪比提升方法研究[D]. 董广凯. 西安石油大学, 2021(09)
- [2]基于复扩散滤波和深度学习的地震勘探噪声压制模型研究及应用[D]. 张钰姝. 吉林大学, 2021(01)
- [3]基于生成对抗网络的沙漠地震记录噪声消减方法研究[D]. 王洪洲. 吉林大学, 2021(01)
- [4]基于深度学习的地震信号降噪算法研究[D]. 张松. 防灾科技学院, 2021(01)
- [5]基于多级小波卷积神经网络的沙漠地震随机噪声消减[D]. 鞠汉青. 吉林大学, 2021(01)
- [6]基于VMD-GreBsmo的沙漠地震信号去噪算法研究[D]. 李佳. 吉林大学, 2021(01)
- [7]煤田地震资料Gabor变换子波缩放和反褶积处理方法与应用[D]. 孔俊禹. 中国矿业大学, 2020(03)
- [8]多域去噪方法技术与应用研究[D]. 李浩. 长安大学, 2020(06)
- [9]基于稀疏表示的多维地震数据去噪方法研究[D]. 王鹏飞. 成都理工大学, 2020(04)
- [10]基于随机共振的地震弱信号增强方法研究[D]. 陈力鑫. 成都理工大学, 2020(04)