基于压缩感知的地震数据压缩FPGA设计与实现

发布时间：2020-10-15 04:54

　　 随着地球物理勘探技术的不断发展,地震勘探仪器向着多参数、多维度、多分量的方向不断前进,在地震勘探现场布设的大量地震仪将会产生海量的地震勘探数据,面对海量地震勘探数据的实时回收,传输网络会出现网络拥堵甚至网络断开的情况,因此需要更加高速可靠的传输网络来保证数据传输的实时性和可靠性。如何解决数据量大导致的网络拥堵,并且同时保证数据传输的实时性是目前待解决的核心问题。数据压缩方法可以从数据传输的源头缩减数据量,无需升级传输网络就可以提高传输效率,保证数据传输的实时性。传统的数据压缩方法是对采集后存储的地震数据进行压缩,压缩的过程一般是变换、量化和编码,解压的过程是压缩过程的逆运算。这种压缩方法需要对完整的地震数据进行压缩,耗时长且占用资源多,数据压缩和传输的实时性差。针对传统数据压缩方法面临的问题,本文基于压缩感知(CS)理论,提出了一种基于压缩感知的地震数据压缩方法,该方法能够直接对采集到的地震数据进行压缩,无需对存储后的完整地震数据进行操作,数据压缩的实时性更好。针对压缩感知理论下的地震数据压缩重构方法,本文展开了以下三个方面的研究:稀疏表示方法的选择、测量矩阵的构造和重构算法的设计。首先利用小波变换对地震数据进行稀疏表示,得到稀疏表示系数;然后使用混沌序列构造混沌伯努利测量矩阵,利用该测量矩阵对地震数据稀疏表示系数进行压缩测量,得到测量值;最后将测量值,即压缩数据,实时传输至数据中心进行存储,当需要原始地震数据时,再通过正交匹配追踪(OMP)算法将测量值进行重构恢复。本文选用XILINX公司的XC6SLX45 FPGA芯片对原有的地震仪进行改进并搭建外围电路,提出了基于FPGA的地震数据压缩总体结构。此外,进一步对地震数据载入、数据运算、稀疏表示等子模块进行设计,并通过仿真实验验证各个模块的有效性,从而保证能够在下位机(地震仪)上实现地震数据的稀疏表示和压缩测量过程。通过对10组长度为1000个采样点的不同地震数据进行压缩重构实验,并对实验结果进行分析,结果表明,本文提出的地震数据压缩方法,在不同的压缩比下,重构数据的峰值信噪比在60dB以上,均方根误差在0.12以下,硬件压缩时间约为1.2ms,既在FPGA硬件平台上实现了地震数据压缩算法,又保证了数据压缩的实时性。面对海量的地震勘探数据,使用本文的数据压缩方法在下位机中对采集的地震数据进行压缩,从数据传输的源头缩减数据量,无需优化传输网络就可以改善传输效率,从而解决地震勘探数据传输网络出现网络拥堵甚至网络断开而造成的数据丢失问题,同时,使用正交匹配追踪算法重构出原始地震数据,保证了地震数据的完整性,具有重要的实用意义。
【学位单位】：吉林大学
【学位级别】：硕士
【学位年份】：2019
【中图分类】：P631.44
【部分图文】：

地震数据与图像数据不同，地震数据通常表现为动态范围大，幅度变化大，无直流分量，分频带特性强，在二维空间上常表现出很强的条带性、相关性高等特点[48]。但地震信号容易受到各种因素的影响，使得地震信号变得非常复杂。在接收到的地震数据中，除了有用的地震信号外，还包含了大量的干扰信息，比如由检波器产生的热噪声以及地杂波等构成的随机噪声等。严格地讲，这些噪声中不但有白噪声，而且包含有色噪声，为了简化分析，我们假设这些噪声在一定频带内是均值为零的平稳高斯噪声。图 3.1 给出了一段实测地震信号的时域波形图，这段地震信号的采样率为1KHz，图中是 1000 个采样点。图 3.2 是这段信号的频域波形图。从图 3.1 中可以看出，地震信号在时域内并不稀疏，而且幅值变化很大。从图 3.2 中可以看出，地震信号在频域内的能量比较分散，分频带特性强。表明地震信号在时频域内都不具有稀疏性，需要寻找一个合适的变换域，将其稀疏化。

第 3 章 地震数据压缩算法研究16图 3.2 实测地震信号频谱波形图3.2 地震数据稀疏表示压缩感知理论的一个非常重要的前提条件就是信号需要是稀疏的或可压缩的，但是大多数信号并不能满足这个条件，所以需要将信号稀疏化，即对信号在某个变换域内稀疏表示，增加信号的稀疏性或可压缩性。稀疏表示是压缩感知理论的重要组成部分，变换域中的数据越稀疏，需要的采样个数就越少，重构效果也就越好。地震数据处理中，常用的稀疏变换有：Fourier 变换、Radon 变换、Wavelet（小波）变换、Coverlet 变换以及 Gabor 变换等。而地震数据通常具有非平稳性和非线性的特点，而且地震数据在二维空间上相关性很强，幅值变换也很明显，而小波基也具有这些特性[49]，将地震数据做小波变换后，得到的小波变换稀疏系数比原来的地震数据更稀疏，因此可压缩性更强。对单道地震数据进行离散小波变换，之后进行多分辨率分析，Mallet 提出的离散小波算法描述公式为：( )( )jkmjkjkmjkDgmkCChmkC,1,,1,22 ……………………（3.1）式中，j ,kC 和j ,kD 分别是地震数据在尺度 2 j下分解得到的低频分量和

图 3.3 地震数据与其稀疏系数的可压缩性比较3.3 测量矩阵测量矩阵主要分为随机性测量矩阵和确定性测量矩阵两大类。常用的随机性测量矩阵有：高斯随机测量矩阵、部分正交测量矩阵、傅里叶随机测量矩阵和伯努利随机测量矩阵等，随机性测量矩阵的优点是容易满足对测量矩阵的 RIP 条件，获得的测量值最少且包含了原信号中的所有有用信息，但其缺点同样明显，随机性测量矩阵因为其随机性，因此在构造过程中会出现不确定性，而这种不确定性会对实验结果的鲁棒性产生影响，如果要消除这个不确定性，必须进行后续的处理，而且随机性测量矩阵很难用硬件电路实现，对压缩感知算法的硬件实现带来极大的困难[51]。常用的确定性测量矩阵有：拓普利兹和循环矩阵、轮换矩阵、哈达玛矩阵和混沌序列构造矩阵等，确定性测量矩阵有利于内存的降低，设计快
【相似文献】

相关期刊论文 前10条

1 宗家冰;;基于Java的大数据压缩研究[J];数码世界;2017年01期

2 孙轲;;计算机网络传输中有效压缩数据的发放分析[J];数码世界;2017年07期

3 刁力力,黄厚宽;用人工智能和神经网络的方法组建数据压缩系统[J];北方交通大学学报;1998年02期

4 王兵;;无失真离散信源编码理论与数据压缩[J];情报学刊;1987年04期

5 梁秉岑;程锦松;;谈数据压缩[J];微电子学与计算机;1988年04期

6 虞孝麒;数据获取系统中的数据压缩[J];核电子学与探测技术;1988年05期

7 武法正;;新闻报纸传真信号的一维概率统计特性[J];北京邮电学院学报;1988年03期

8 毕强;王慧生;;情报存贮中的数据压缩处理技术[J];情报知识;1988年02期

9 申省梅;谢维信;保铮;;心电图的数据压缩及其高速硬件实现[J];信号处理;1988年03期

10 谢震文,高海阳;心电图数据压缩的研究[J];中国生物医学工程学报;1989年03期

相关博士学位论文 前10条

1 毕研秋;电力系统数据压缩的算法研究及通信网络仿真[D];山东大学;2007年

2 史操;基于计算机视觉的三维人体运动数据压缩[D];中南大学;2011年

3 鲍跃全;结构健康监测的数据压缩采样与损伤识别融合方法[D];哈尔滨工业大学;2009年

4 杜金榜;基于语音编码的旋转机械振动数据压缩关键技术与系统研究[D];国防科学技术大学;2011年

5 应蓓华;用于无线传感网的低能耗数据压缩[D];清华大学;2010年

6 郎广名;粗糙集理论在属性约简和数据压缩中的应用[D];湖南大学;2013年

7 汪林;多通道语音信号处理中的关键技术研究[D];大连理工大学;2010年

8 欧阳一鸣;片上网络测试关键问题研究[D];合肥工业大学;2013年

9 苏盛;数字化电力系统若干问题研究[D];华中科技大学;2009年

10 张建明;无线传感器网络中的数据压缩与数据认证研究[D];湖南大学;2010年

相关硕士学位论文 前10条

1 崔忠林;基于压缩感知的地震数据压缩FPGA设计与实现[D];吉林大学;2019年

2 王嘉伟;应用数据压缩和即时通信技术的电磁探伤数据分析系统研制[D];北京交通大学;2019年

3 白振;基于Hadoop的工业设备维保平台的设计与实现[D];北京邮电大学;2019年

4 王丽芝;基于贝叶斯压缩感知的小波域地震数据压缩与重构[D];吉林大学;2018年

5 朱丽;基于预测类算法的WSN数据压缩研究[D];太原理工大学;2018年

6 蔺璐;面向煤矿井下人员的红外技术研究[D];太原理工大学;2017年

7 崔磊;基于移动网络数据压缩的交通应急系统设计与原型实现[D];石家庄铁道大学;2017年

8 鲁玉江;深度学习在数据压缩中的应用研究[D];华北电力大学(北京);2017年

9 闫磊;基于数据压缩的图形OSD方案设计[D];中国海洋大学;2006年

10 刘爱龙;地图数据网络分发中数据压缩与加密技术的研究[D];中国人民解放军信息工程大学;2005年

本文编号：2841723