基于独立分量分析基的地震随机噪声压制

传统的独立分量分析(Independent Component Analysis,ICA)去噪方法假设地震记录的相邻道含有相同的随机噪声,仅适用于同相轴较平的地震记录,去噪效果并不显著。为了改善ICA方法对高斯随机噪声的压制效果,首先通过构造度量数据非高斯性的目标函数求取地震数据的ICA基,将数据转换至ICA域;然后通过贝叶斯方法构造出满足非高斯分布的阈值函数,进行阈值法去噪处理。为了满足独立分量分析的假设条件,将地震数据进行分块处理,并假设每个数据块与整体的数据含有相似的数据结构。理论模型及实际资料试算结果表明,该方法可以有效地压制剖面中的高斯随机噪声,对含复杂界面的数据也十分有效,具有较好的应用价值。

基于优化fastICA盲源分离算法的地震属性融合方法研究

地震属性的种类很多,但存在冗余性问题。提出了基于盲信号理论,以负熵为目标函数,采取初值降敏感性和5阶收敛速度改进迭代公式对快速独立分量分析进行优化的算法,进而实现盲源分离。本算法采用贝叶斯方法构造满足非高斯分布的阈值函数,在变换域中进行信噪分离。针对属性中存在信息冗余的情况,设计了4种图像融合规则进行属性融合,实现了地震属性数据去噪和融合的一体化处理。理论模型及实际资料试验结果表明,该方法能够有效压制地震数据中的随机噪声,可获得比常规阈值去噪方法更高的峰值信噪比,使融合结果中的地质信息更加清晰,从而有利于相关地质特征的解释。