基于ICEEMDAN和分布熵的SS-Y伸缩仪信号随机噪声压制方法

结合改进的自适应噪声完备集合经验模态分解(ICEEMDAN)与分布熵(DistEn),提出一种无需自定义算法参数、去噪效果较好的伸缩仪信号随机噪声压制方法。首先将伸缩仪信号进行ICEEMDAN处理,得到若干个本征模态函数(IMF);然后计算各IMF分量的分布熵值,根据不同分布熵值的大小和表征的分量信号混乱程度,有针对性地对各IMF进行取舍;最后进行线性重构。设计仿真信号去噪实验和SS-Y伸缩仪信号去噪实验,结果表明,基于ICEEMDAN-DistEn去噪模型的伸缩仪信号重构还原度较好,去噪效果显著,明显优于CEEMDAN-DistEn、小波去噪和卡尔曼滤波等去噪模型。

基于VMD和GA-SVM的矿井地震自适应噪声压制方法

煤矿井下地震信号往往呈现出复杂的波场特性且伴随着大量噪音干扰,导致地震信号的初至拾取精度降低,从而影响地震数据的反演与解释。针对复杂干扰环境下采集的低信噪比地震信号,提出了基于变分模态分解(VMD)和遗传算法优化支持向量机(GA-SVM)的地震噪声压制与初至提取方法,以提高煤矿井下复杂噪声条件下的地震信号质量。采用变分模态分解对含噪地震信号进行自适应分解,得到数个的变分模态分量(IMF);对VMD分解得到的IMF分量进行特征提取,将提取所得的信号特征作为信号有效性判别的依据;利用遗传算法对支持向量机模型进行优化,得到最优的惩罚因子c与核函数参数g;利用优化后的支持向量机模型对IMF分量进行有效性判别并将有效分量重构成高信噪比信号;通过对人工加噪的地震信号应用噪声压制算法,煤矿井下常见的不同类型噪声被有效地压制,验证了算法的可行性;对矿井巷道实采的地震记录进行噪声压制处理,有效地压制了数据中的干扰噪声,极大程度地提高了地震记录的信噪比,使初至拾取得更加准确。结果表明,基于VMD和GA-SVM的地震噪声压制方法可以很好地提取含噪地震记录中的有效信号,提高初至拾取精度,在矿井复杂干扰条件下具有显著的应用潜力,对解决矿井复杂干扰条件下的地震勘探问题有重要意义。

基于UNet结构生成对抗网络的海底地震勘探数据混叠噪声压制方法

本文提出一种基于UNet结构生成对抗网络(Pix2PixGAN)的海底地震勘探数据混叠噪声压制方法,该神经网络主要在于构建了一个适用于混叠噪声压制的生成器和判别器,生成器是UNet结构,可以提取和融合数据的特征映射信息,而通过加入skip-connection,可以保留更多的细节信息;判别器由两个卷积模块构成,通过PatchGAN输出多个固定大小的数据体,加入Dropout2d层,优化判别器的训练速度。通过制作的四千余个数据集对网络模型进行训练,将得到的训练参数加载到测试网络中,经过测试数据集的验证以及和常规的去噪方法相比,验证了本文采用的混叠噪声压制方法具有较高的压制精度和效率。

基于差分结构的地面核磁共振数据噪声压制技术

地面核磁共振(surface nuclear magnetic resonance,SNMR)技术是一种可直接定性定量探测地下水的非侵害式地球物理方法,已广泛应用于资源勘探、地质灾害预警和环境检测等方面。但在实际应用中,复杂的环境噪声导致微弱的SNMR信号常常被淹没,很难获取有效的SNMR信号。针对这一问题,本文提出了一种基于差分结构的SNMR数据噪声压制技术,采用两个接收线圈等距设置在发射线圈上下位置。这种分布可以实时抵消大部分环境噪声以及消除收发线圈耦合影响。理论建模和仿真结果验证了新方法能够有效压制噪声,并可靠获取到早期自由感应衰减(free induction decay,FID)信号。

基于A-CGAN的深反射地震数据随机噪声压制方法研究

基于深度学习的地震数据噪声压制方法是当前地震数据去噪处理的重要方向。深度学习方法突破了传统滤波处理的局限,在对常规地震数据的噪声压制中表现出效率高、信噪分离效果好的特点。但针对深部弱有效反射数据,当前的深度学习方法特征提取能力有限,难以取得较好的去噪效果。笔者等结合深反射地震数据特点,针对当前深度学习噪声压制方法在特征提取及对数据集依赖上的局限,提出了基于注意力循环生成对抗网络(Attention Cycle-Consistent Generative Adversarial Networks,A-CGAN)的深反射地震数据随机噪声压制方法。借助循环一致生成对抗网络(Cycle-Consistent Generative Adversarial Networks,Cycle-GAN)的域映射思想,降低对数据集的要求。为了构建适用于深反射地震数据的去噪网络,从3个方面对Cycle-GAN进行改进:在Cycle-GAN的生成器(去噪器)中加入残差结构和注意力机制,用于加深网络深度和提高其特征提取能力;在Cycle-GAN的鉴别器中使用块判决,提高鉴别精度和准确度;在损失函数部分加入感知一致性损失函数,提升网络模型恢复纹理细节信息的能力。通过合成地震数据和实际深反射地震数据测试,验证了优化算法的有效性,体现了良好的应用价值。

基于多尺度窗口生成器网络的抽油机噪声压制

在老油田的勘探开发中,抽油机噪声形成强干扰,严重降低了地震资料的信噪比。为此,提出了一种基于多尺度窗口生成器网络进行抽油机噪声压制的方法。构建的网络主要由双层编码器—解码器组成,结合不同层的特征信息可获得准确的去噪结果;在不同层采用不同尺寸的窗口进行特征提取,可以有效地扩大神经网络的感知范围,并从抽油机噪声中提取更多有用的特征。为了防止网络的退化,编码器和解码器的每个块中都分别使用了残差连接。编码器残差块部分采用了卷积核数量中间大、两端小的反瓶颈设计,可以提取地震数据更多的特征;解码器使用了编码器五分之一的卷积层数,加快了模型训练以及地震数据重建的速度。通过这种方式构建的网络可以有效地利用多尺度语义信息压制地震数据中的抽油机噪声。模拟数据和实际数据实验结果均表明,与DnCNN、GAN和MLGNet相比,所提方法能够获得高质量的去噪结果,并最大程度地保留有效数据。

基于对比学习CUTmodel网络的地震随机噪声压制

本文提出一种基于对比学习CUTmodel网络的地震随机噪声压制方法,CUTmodel网络架构基于最大化输入输出之间的相似信息进行对比学习,大大缩短了网络训练时间。网络损失函数由生成对抗损失和对比学习损失两部分组成,生成对抗损失保证生成数据与无噪数据更相似,对比学习损失保证生成数据尽可能保留有效信号,同时也防止生成器进行不必要的更改,提高了网络训练的稳定性和准确性。通过简单模型和Marmousi模型的CUTmodel去噪试验及其与CycleGAN和常规去噪方法的对比,验证了本文方法的有效性。最后,本文对实际数据进行去噪,同样获得较高的信噪比。

最小曲率模型的航空重力数据噪声压制方法研究

航空重力是近几十年来快速发展起来的一种地球物理勘探方法,在数据采集时会受到飞机震动、颠簸以及气流变化引起的飞机高度变化等因素产生的噪声影响,使得采集的重力数据中由地质体引起的重力异常远远小于噪声,对后续的处理和解释带来了很大困难.航空重力数据噪声压制一直是航空重力数据处理的难题,也是地球物理学家一直致力研究的课题.本文将最小曲率方法用于航空重力数据噪声压制,在已有显式和隐式单步长、叠加步长、多重单步长和多重叠加步长迭代的基础上,提出了松弛迭代技术,解决了显式单步长和显式多重单步长迭代不收敛的问题.利用Fourier频谱分析理论,研究了松弛迭代格式的收敛性,并给出了松弛因子选择方法;通过仿真数据和实测数据测试了最小曲率方法在航空重力数据噪声压制的效果.研究结果表明,最小曲率方法是一种有效的航空重力数据噪声压制方法,能够提高航空重力数据的质量,也为进一步处理和解释提供了可靠的数据.最小曲率噪声压制方法还可用于地面、船载以及卫星重力数据的噪声压制以及其他数据的噪声压制,具有广泛的推广应用前景.

基于Swin-Transformer与生成对抗网络的地震随机噪声压制方法

目前深度学习类地震数据去噪方法大多基于卷积神经网络,而此类方法受限于卷积核的局部操作,缺少对地震数据全局特征的分析,因而降低了去噪效果。另外,以L 1,L 2损失函数为指标的网络模型容易出现过度平滑效应,产生虚假同相轴以及虚高的峰值信噪比(PSNR)与结构相似性(SSIM)值。为此,提出一种基于Swin-Transformer(Swin-T)和生成对抗网络的去噪方法(ST-GAN)。该方法以Swin-Transformer作为生成对抗网络中的生成网络对地震数据去噪,判别网络基于卷积神经网络。Transformer的自注意力机制是全局操作,可以有效提取地震数据的全局特征,并能与卷积神经网络的局部操作互补,提升网络模型的特征提取能力。而对抗损失则提升了网络模型的细节恢复能力,有效避免因过度平滑效应产生的同相轴假象。将该方法应用于地震数据去噪,并与现有去噪方法进行对比分析,实验结果表明,该方法具有更加优异的特征提取能力,能在有效压制随机噪声的同时,恢复和保留更多的细节信息,提高了地震信号的信噪比。

PCA优化CEEMD的DSQ水管倾斜仪信号随机噪声压制方法

提出一种基于主成分分析(PCA)优化完备集合经验模态分解(CEEMD)的DSQ水管倾斜仪信号随机噪声压制方法CEEMD-PCA。该方法融合了相关系数、分布熵、MSE、R^(2)、SSE、RMSE、MAE、MAPE等8个IMF分量质量评价指标,借助PCA实施指标值矩阵的降维压缩,将其转化为一个能代表全部不同类型指标特点的新参数,并构建IMF分量质量综合评价函数,根据分数排名结果完成原始含噪信号的线性重构。仿真信号和实测信号去噪实验结果皆表明,CEEMD-PCA模型优于卡尔曼滤波、70阶低通FIR滤波等经典模型,能提高原始信号的信噪比,精准完成信号重构,更好地保留有效成分。

基于结构保护去噪神经网络的地震数据随机噪声压制

随机噪声压制是地震数据处理中的重要环节,直接关系到后续地震资料处理和解释质量.与相干噪声不同,随机噪声具有频谱较宽、规律性差等特点,很难利用常规方法区分随机噪声与地震数据有效信号.相较于传统的基于稀疏域的噪声压制方法,基于神经网络深度学习的随机噪声压制方法具有自动化程度高的特点.现有的网络结构在压制地震数据随机噪声时,不可避免地破坏地震数据结构,尤其是对于含有复杂构造的地震数据.基于以上问题,本文在充分探索地震数据随机噪声特征的基础上,利用结构保护的深层卷积神经网络对野外采集的含噪地震数据进行随机噪声压制研究.研究中利用模拟数据与真实去噪地震数据作为标签数据对,结构保护的深层卷积神经网络可以学习含噪和去噪地震数据之间的内在特征联系.考虑到常规神经网络在地震数据随机噪声压制过程中不能有效保护地下复杂结构特征,文中采用地震数据局部倾角作为约束,并通过修改目标函数达到保护地震数据结构特征的目的.文中利用模拟数据与野外地震数据,对本文方法的噪声压制能力与常用的包括中值滤波、多道奇异谱分解方法在内的地震数据随机噪声压制方法进行了分析对比.数值结果表明,深层卷积神经网络可以有效压制地震数据中的随机噪声,地震倾角的加入可以有效保护地震数据中的复杂构造特征.

DSQ水管倾斜仪信号随机噪声压制研究

基于自适应噪声完备集合经验模态分解CEEMDAN和小波去噪,提出一种DSQ水管倾斜仪信号随机噪声压制方法。首先将信号进行CEEMDAN分解,得到若干个本征模态函数IMF,分解数量随不同信号噪声动态变化;然后计算每条IMF和原信号的相关性系数,对处于系数阈值范围内的IMF作小波变换处理;最后执行线性重构,得到去噪后的信号。仿真和实际去噪实验结果表明,随机噪声压制效果明显,信号有效成分保留比率较高,优于其他同类方法。

数学形态滤波与大地电磁噪声压制

数学形态滤波是一种新型的非线性滤波方法.介绍了形态学滤波的基本原理,针对大地电磁信号表现出的非线性、非平稳性和非最小相位特性,综合结构元素特征我们提出一种基于数学形态滤波的大地电磁噪声压制方法.为了有效抑制目标信号中的噪声干扰及修正统计偏倚现象,通过选用合理的结构元素及形态开-闭、闭-开组合,将正、负结构元素级联构造组合广义形态滤波器对实测大地电磁信号进行噪声压制.实验结果表明,该方法是切实可行的,有效地剔除了大尺度干扰及基线漂移,较好地还原了大地电磁信号的原始特征,修正了标准形态算子所产生的统计偏倚现象,去噪精度高.该方法计算速度快,具有潜在优势,为矿集区海量大地电磁信号与强干扰的分离提供了一条新的途径,应用前景广阔.

Hilbert-Huang变换与大地电磁噪声压制

大地电磁信号具有非线性、非平稳、非最小相位特征,不符合以Fourier变换为基础的传统功率谱估计的基本要求.Hilbert-Huang变换是近年发展起来的处理非线性、非平稳信号的完全局部时频分析方法.本文在简要介绍Hilbert-Huang变换基本原理与算法基础上,以实际数据分析为例,探讨了它在大地电磁信号处理及噪声压制中的应用.提出利用Hilbert时-频能量谱对大地电磁信号进行时段筛选,以提高信号品质,增强数据处理的质量和资料的可解释性.利用经验模态分解方法及其多尺度滤波特征,可以有效地分析MT信号中的噪声分布特征,并进行干扰压制.

强电磁干扰下磁共振地下水探测噪声压制方法研究进展

磁共振地下水探测方法因具有高分辨力、高效率、信息量丰富和解唯一等优点而备受地球物理工作者关注。近几年,该方法在正演模型和反演解释方面取得了显著的进展,在水文地质勘查方面的应用也进一步拓展。然而,磁共振信号极其微弱、对周围环境中的电磁干扰反映敏感,成为其应用的主要瓶颈。吉林大学地下水磁共振技术课题组针对噪声的产生机理及特性,对影响信号质量最严重的两类噪声——工频谐波噪声和尖峰脉冲噪声进行研究。本文综述了强电磁干扰下磁共振地下水探测噪声压制方法的研究现状及近期研究进展,包括磁共振信号的工频谐波噪声压制方法和尖峰脉冲噪声压制方法,简要介绍了实时参考消噪技术、独立分量分析技术、基于能量运算的尖峰噪声抑制技术以及基于同步压缩小波变换和自寻优非线性阈值补偿技术抑制电磁干扰的研究示例,展望了地下水磁共振探测噪声压制技术的未来发展趋势。

基于三维各向异性拉普拉斯滤波的随机噪声压制方法及应用

准噶尔盆地叠后地震资料随机噪声压制主要采用三维空间预测滤波(FXY)方法。由于假设同相轴在短距离内是线性的,因此该方法在提高强能量信号信噪比的同时,也会损伤相对弱小信号,模糊断层和裂缝等线性相关性较差的地质体的信号特征。为此,基于GeoEast系统研发了利用三维各向异性拉普拉斯滤波的随机噪声压制方法。模型试验和在准噶尔盆地不同地区的实际资料应用结果均表明,本文方法对随机噪声的压制效果优于FXY方法,能明显提高地震资料信噪比、较好地保护有效信号、清晰展现地质体边缘特征细节及提高断层成像精度,为后续储层反演和精细地震资料解释夯实了基础。

基于信噪辨识的矿集区大地电磁噪声压制

为了避免形态滤波方法在大地电磁强干扰分离中的"过处理"、进一步保留大地电磁低频段的有用信息,提出基于信噪辨识的矿集区大地电磁噪声压制方法.首先,从信号处理的角度剖析矿集区典型强干扰与天然大地电磁微弱信号之间的定量辨识关系,利用形态分形维数和形态膨胀谱熵对大地电磁信号与强干扰进行信噪辨识.然后,结合形态滤波技术和阈值法,仅对辨识出明显不是天然大地电磁信号的异常波形进行噪声压制.最后,重构大地电磁有用信号,并对算法进行性能评价.仿真结果表明,形态分形维数和形态膨胀谱熵能较好地定量辨识大地电磁信号与强干扰,大地电磁信号中一些缓变化的低频信息得到了更为精细的保留;与形态滤波整体处理相比,本文所提方法获得的卡尼亚电阻率曲线更为光滑、连续,视电阻率值相对稳定,其结果更为真实地反映了测点本身所固有的大地电磁深部构造信息.

GNMF小波谱分离在地震勘探噪声压制中的应用

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.

基于离散小波变换的地震资料自适应高频噪声压制

针对现有的小波变换阈值去噪方法无法适用于地震资料高频噪声压制的缺点,笔者分别对阈值函数和阈值选取方案进行了改进,提出了连续硬阈值函数与自适应阈值相结合的地震资料高频噪声压制方法。连续硬阈值函数兼具软、硬阈值函数的优点,可提高重构地震信号的保真度,减少人为噪声误差;自适应阈值方案可根据非平稳地震数据中的能量时变、空变分布特点,通过引入不同子带小波系数标准差、代数平均值以及几何平均值等统计参数,使阈值能够随不同子带的小波系数能量变化而自动调整,以适应地震资料高频噪声压制的要求。实际地震数据处理结果表明,笔者提出的方法在提高信噪比的同时,可保护陡倾角反射界面信号,提高噪声压制后地震数据的保真度。

海上点源干扰噪声压制方法

在海上地震资料采集过程中,海上平台、船只、崎岖海底障碍物或地形不连续等会引起能量较强的点源干扰,严重影响了地震成像的质量,是海上地震资料噪声压制处理的难点之一。在点源干扰产生机理分析和传播时距方程推导的基础上,研究了直线型和双曲型点源干扰压制方法。基于f-x域预测滤波的直线型点源干扰压制针对地震数据中的线性干扰进行分析与识别,通过拟合与相减较好地去除直线型点源干扰。双曲型点源干扰压制是根据点源干扰传播特征和相似性扫描预测干扰点源位置,以实际地震采集观测系统模拟来自预测点源的干扰波,并将模拟的点源干扰波和实际地震资料进行匹配相减处理,实现点源干扰压制。理论模型数据和实际地震资料处理试验结果表明,这两种方法能较好地压制直线型和双曲型点源干扰,并很好地保留有效反射信息及其频谱特征。