基于稀疏表示的地震数据重构和去噪方法研究
发布时间：2022-01-22 11:51
在地震数据采集过程中通常会由于各种因素的制约而导致无法直接获取干净的数据,如由于河流、峡谷、陡坡、以及检波器接触不良等造成的道集缺失;由于鸟鸣、落叶、微风以及检波器内部干扰等造成的随机噪声;由于多源地震采集设置的激发间隔过短造成的混采噪声等。地震数据的缺失重构和噪声压制对后续的地震数据处理和解释十分重要。稀疏表示是一种高效的信号处理方法,通过对信号进行特征提取,仅使用少量系数就可以表示信号的大部分信息,对稀疏系数的排列分布特征加以分析,把稀疏系数中信号的干扰部分和有效部分分离,从而达到恢复信号的目的。本文从稀疏表示的角度对地震数据的缺失重构、随机噪声去除和混采噪声去除方法进行研究。在稀疏表示的原理部分,本文主要介绍了固定基变换和字典学习。其中,对于固定基变换,主要研究了傅里叶变换、小波变换、Curvelet变换、Contourlet变化、Shearlet变换,并对各类固定基的恢复性能进行分析。而在字典学习中,主要研究了K-奇异值分解（K-Singular Value Decomposition,KSVD）和数据驱动紧标架（Data-Driven Tight Frame,DDTF）,并对...
【文章来源】：吉林大学吉林省 211工程院校 985工程院校 教育部直属院校
【文章页数】：89 页
【学位级别】：硕士
【部分图文】：
模拟数据的傅里叶变换
采用图 2.1 (a) 的模拟数据，图2.2 (b) 为模拟数据的第一个地震道，图 2.2 (c) 为图 2.2 (b) 对应的短时傅里叶变换系数，对模拟数据的全部地震道做短时傅里叶变换，得到的稀疏系数如图 2.2 (d)所示。
使用的小波基为 Symlets (sym5)，图 2.4 (b) 为模拟数据对应的小波稀疏系数，图2.4 (c) 为 sym5 小波变换矩阵。(a) (b)(c)图 2.4 模拟数据的小波变换(a) 模拟数据；(b) 稀疏系数；(c) sym5 小波变换矩阵小波变换在对一维信号进行稀疏表示时拥有近乎最优的效果，可以很好的捕获一维信号中的点奇异特征，但是当小波基扩展到二维空间时，它只能够描述信号在水平、垂直、对角方向的纹理特征，像一些曲线纹理的线奇异特征，并不能很好的捕获，于是，人们在小波变换的基础上做了改进，提出了能够对信号
【参考文献】：
期刊论文
[1]基于压缩感知重构算法和形态滤波的AMT近源干扰压制（英文）[J]. 李广,肖晓,汤井田,李晋,朱会杰,周聪,严发宝. Applied Geophysics. 2017(04)
[2]基于压缩感知重构算法的大地电磁强干扰分离[J]. 汤井田,李广,肖晓,李晋,周聪,朱会杰. 地球物理学报. 2017 (09)
[3]基于Shearlet变换稀疏约束地震数据重建[J]. 冯飞,王征,刘成明,王德利. 石油物探. 2016(05)
[4]地震信号随机噪声压制的双树复小波域双变量方法[J]. 汪金菊,袁力,刘婉如,徐小红. 地球物理学报. 2016(08)
[5]形态分量分析框架下基于DCT与曲波字典组合的地震信号重建[J]. 周亚同,刘志峰,张志伟. 石油物探. 2015(05)
[6]一种基于MOD字典学习的图像超分辨率重建新算法[J]. 邹建成,张文婷. 图学学报. 2015(03)
[7]基于压缩感知的Curvelet域联合迭代地震数据重建[J]. 白兰淑,刘伊克,卢回忆,王一博,常旭. 地球物理学报. 2014(09)
[8]压缩感知框架下基于K-奇异值分解字典学习的地震数据重建[J]. 周亚同,王丽莉,蒲青山. 石油地球物理勘探. 2014(04)
[9]混采数据分离中插值与去噪的同步处理[J]. 刘强,韩立国,李洪建. 地球物理学报. 2014(05)
[10]基于迭代去噪的多源地震混合采集数据分离[J]. 韩立国,谭尘青,吕庆田,张亚红,巩向博. 地球物理学报. 2013(07)
硕士论文
[1]基于稀疏表示和字典学习的地震数据去噪研究[D]. 许德鑫.吉林大学 2016
[2]基于Shearlet变换的面波压制[D]. 刘朝.哈尔滨工业大学 2013
[3]基于Contourlet变换的叠前地震信号中规则噪声的去除[D]. 高光.西南交通大学 2011
本文编号：3602148
【文章来源】：吉林大学吉林省 211工程院校 985工程院校 教育部直属院校
【文章页数】：89 页
【学位级别】：硕士
【部分图文】：
模拟数据的傅里叶变换
采用图 2.1 (a) 的模拟数据，图2.2 (b) 为模拟数据的第一个地震道，图 2.2 (c) 为图 2.2 (b) 对应的短时傅里叶变换系数，对模拟数据的全部地震道做短时傅里叶变换，得到的稀疏系数如图 2.2 (d)所示。
使用的小波基为 Symlets (sym5)，图 2.4 (b) 为模拟数据对应的小波稀疏系数，图2.4 (c) 为 sym5 小波变换矩阵。(a) (b)(c)图 2.4 模拟数据的小波变换(a) 模拟数据；(b) 稀疏系数；(c) sym5 小波变换矩阵小波变换在对一维信号进行稀疏表示时拥有近乎最优的效果，可以很好的捕获一维信号中的点奇异特征，但是当小波基扩展到二维空间时，它只能够描述信号在水平、垂直、对角方向的纹理特征，像一些曲线纹理的线奇异特征，并不能很好的捕获，于是，人们在小波变换的基础上做了改进，提出了能够对信号
【参考文献】：
期刊论文
[1]基于压缩感知重构算法和形态滤波的AMT近源干扰压制（英文）[J]. 李广,肖晓,汤井田,李晋,朱会杰,周聪,严发宝. Applied Geophysics. 2017(04)
[2]基于压缩感知重构算法的大地电磁强干扰分离[J]. 汤井田,李广,肖晓,李晋,周聪,朱会杰. 地球物理学报. 2017 (09)
[3]基于Shearlet变换稀疏约束地震数据重建[J]. 冯飞,王征,刘成明,王德利. 石油物探. 2016(05)
[4]地震信号随机噪声压制的双树复小波域双变量方法[J]. 汪金菊,袁力,刘婉如,徐小红. 地球物理学报. 2016(08)
[5]形态分量分析框架下基于DCT与曲波字典组合的地震信号重建[J]. 周亚同,刘志峰,张志伟. 石油物探. 2015(05)
[6]一种基于MOD字典学习的图像超分辨率重建新算法[J]. 邹建成,张文婷. 图学学报. 2015(03)
[7]基于压缩感知的Curvelet域联合迭代地震数据重建[J]. 白兰淑,刘伊克,卢回忆,王一博,常旭. 地球物理学报. 2014(09)
[8]压缩感知框架下基于K-奇异值分解字典学习的地震数据重建[J]. 周亚同,王丽莉,蒲青山. 石油地球物理勘探. 2014(04)
[9]混采数据分离中插值与去噪的同步处理[J]. 刘强,韩立国,李洪建. 地球物理学报. 2014(05)
[10]基于迭代去噪的多源地震混合采集数据分离[J]. 韩立国,谭尘青,吕庆田,张亚红,巩向博. 地球物理学报. 2013(07)
硕士论文
[1]基于稀疏表示和字典学习的地震数据去噪研究[D]. 许德鑫.吉林大学 2016
[2]基于Shearlet变换的面波压制[D]. 刘朝.哈尔滨工业大学 2013
[3]基于Contourlet变换的叠前地震信号中规则噪声的去除[D]. 高光.西南交通大学 2011
本文编号：3602148
本文链接：https://www.wllwen.com/kejilunwen/diqiudizhi/3602148.html
