三维地震数据频域无监督随机噪声压制方法

提高数据信噪比是地震资料处理过程中的关键环节。目前基于深度学习的降噪方法已取得较好效果。但该类方法以数据局部相似性为前提,采用时空域数据分窗进行处理,运算效率往往较低。考虑到地质结构的连续性,炮间数据具有一定的相似性,利用其同频率分量的低秩特点,设计了一种三维数据频域降秩的深度学习去噪方法。首先阐明三维数据的频域低秩原理,采用奇异值分解理论指导建立自编码神经网络;考虑频域随机噪声的分布特点,采用K-L(Kullback-Leibler)散度约束损失函数,改善了去噪效果。通过对合成记录和实际资料处理,并与多通道奇异谱分析(Multichannel Singular Spectrum Analysis,MSSA)及K-SVD(K-奇异值分解)方法对比,验证了该方法在去噪效果和计算效率等方面的优势。

井中地震时频域自适应异常振幅压制

井中地震资料波场复杂,往往包含一些特有的异常强振幅噪音,使得大部分地面地震资料去噪方法无法直接应用于井中。面对井中地震波场时,时频域去噪方法压制异常强干扰的能力和处理结果的保真性优于常规去噪方法。通过研究基于小波变换的时频域去噪方法,根据各道记录在每个频段上的能量积累大小识别周期性强噪声,或根据每个频段不同样点处小波系数与其所在时窗内的平均水平进行比较,识别无规则异常强噪声点,实现井中地震波场时频域自适应异常强振幅衰减方法。经过理论与实际资料测试,验证了该方法的正确性与实用性,去噪后记录连续性完整、时频谱形态自然,对于井中地震实际资料,其去噪效果在某些方面优于现有商业软件,应用前景较好。

基于高频加权CQT谱的音符起始点检测

为提高音符起始点检测的准确率,提出高频加权CQT谱能量的音符起始点检测算法。对音乐信号进行CQT变换得到音阶分布矩阵后,结合不同信号CQT分布的特点滤除噪声。在采用CQT谱能量差分进行音符起始点检测时,针对CQT变换变窗长计算带来的低频时间分辨率较低、时间误差较大可能导致误判的问题,利用音乐中谐波丰富且时间分辨率较高的特点,进行高频加权计算,突出高频成分的作用,降低检测误差。选取标注的音乐数据文件进行测试,应用高频加权CQT谱进行起始点检测的结果中,F值为0.8541,效果良好。