基于组稀疏BPFA-TV算法的地震勘探噪声压制
发布时间：2021-07-12 21:57
地震勘探数据经常受到严重的随机噪声干扰,低信噪比数据严重妨碍了对有效信号的辨识和提取,进一步影响地下结构成像和地震资料的解释。在处理地震勘探数据时,往往面临非平稳地震勘探噪声的压制问题,随机噪声的强度随着时间和空间的变化而变化,局部区域噪声强度大,部分反射同相轴在强噪声干扰下发生衰减和失真。因此,寻找合适的算法压制地震勘探非平稳随机噪声,恢复地震信号,具有重要意义。基于Beta-Bernoulli过程因子分子（BPFA）算法是一种非参数贝叶斯字典学习算法,Beta-Bernoulli过程作为非参数字典学习先验,能够实现字典元素的稀疏表示,同时该算法从高斯后验分布中更新字典权重和噪声方差。但在强噪声的影响下,算法得到的全局噪声方差是不准确的,影响对特征字典的估计,进一步影响噪声的压制和信号的恢复。为克服强随机噪声对在线字典学习的影响,本文提出基于全变分约束的Beta-Bernoulli过程因子分析（BPFA-TV）算法。该算法在BPFA和全变分的双约束下,实现地震勘探随机噪声压制和信号恢复。BPFA-TV算法利用BPFA字典学习地震勘探数据中信号的复杂结构特征,提升了地震信号结构特征的精...
【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】：53 页
【学位级别】：硕士
【部分图文】：
不同信
吉林大学硕士学位论文12的衰减程度降低，这表明BPFA算法在去噪时同相轴斜轴部分相比平轴部分更容易发生信号衰减，因为斜轴部分的信号值跃变程度较大，在强噪声的作用下，斜轴部分的地震信号可能被噪声所淹没，BPFA算法无法很好的从被噪声淹没的数据中学习信号的结构特征，因此发生了信号丢失、衰减和畸变。进一步，通过时频图对比无噪信号和去噪结果，观察去噪前后波形的拟合程度，分别如图2.3(a)和图2.3(b)所示。(a)时域图(b)频域图图2.3BPFA算法的时频对比图从这两幅图中可以看到，去噪后信号的波形和无噪信号的波形并不完全拟合，时域图中可以明显看到信号波峰和波谷发生的信号幅值衰减现象，同时在频域对比图中可以看到，BPFA算法的去噪结果在高频部分相比无噪信号有所下降，说明了部分高频信号在去噪过程中发生了信号丢失，被噪声淹没的信号无法恢复。对-5dB的高斯白噪声含噪地震数据进行去噪，通过控制变量法改变以下参数：信号块的大小，字典列数，吉布斯抽样的最大迭代次数，K维概率向量π的分布函数参数a和b，分析去噪结果并确定BPFA算法的最优去噪参数。①改变信号块大小：信号块的大小决定了学习字典每个特征中元素的个数，从图2.4中可以看到，当信号块大小逐渐增加时，字典中学习到的结构特征更加清晰、细节更加丰富，但不意味着去噪后的信噪比更高。(a)块大小8ⅹ8的字典(b)块大小16ⅹ16的字典(c)块大小32ⅹ32的字典图2.4不同信号块大小的字典
第3章基于全变分约束的BPFA算法21差值图分别如图3.2(c)和图3.2(d)所示，从去噪结果中可见噪声压制得更彻底，背景部分没有噪声的抖动，同时从差值图中可以看到，全变分正则项的引入可以有效改善同相轴的恢复，斜轴部分的衰减程度降低，信号的波形恢复得更好。(a)BPFA去噪结果(b)BPFA算法差值(c)BPFA-TV去噪结果(d)BPFA-TV算法差值图3.2模拟地震数据去噪结果对比为了进一步观察去噪后的幅值衰减情况和波形拟合情况，画出无噪信号、BPFA算法去噪结果和BPFA-TV算法去噪结果的单道对比图，如图3.3所示。图3.3BPFA-TV算法去噪结果的单道对比图
【参考文献】：
期刊论文
[1]基于空间分数阶复扩散的地震勘探噪声压制[J]. 林红波,邢诣婧,马骏驰. 吉林大学学报(信息科学版). 2019(06)
[2]自适应结构方向复扩散压制沙漠地震随机噪声[J]. 林红波,张丹丹. 吉林大学学报(信息科学版). 2019(05)
[3]f-x域共偏移距道集的EEMD随机噪声压制方法[J]. 石战战,夏艳晴,周怀来,池跃龙,庞溯. 煤田地质与勘探. 2019(01)
[4]改进的Beta过程因子分析图像修复算法[J]. 苑焕朝,马杰,樊金光. 河北工业大学学报. 2017(02)
[5]基于组结构字典稀疏表示的地震数据随机噪声压制[J]. 徐小红,张洋,屈光中,毕云云. 合肥工业大学学报(自然科学版). 2017(02)
[6]基于结构信息和稀疏贝叶斯学习的图像去噪[J]. 刘帅. 火控雷达技术. 2015(04)
[7]心电压缩感知恢复先验块稀疏贝叶斯学习算法[J]. 罗堪,李建清,王志刚,蔡志鹏. 仪器仪表学报. 2014(08)
博士论文
[1]陆地地震勘探随机噪声建模与分析[D]. 李光辉.吉林大学 2016
[2]非线性二维时频峰值滤波算法在地震勘探随机噪声压制中的应用[D]. 田雅男.吉林大学 2013
[3]基于压缩感知和稀疏表示的地震数据重建与去噪[D]. 唐刚.清华大学 2010
硕士论文
[1]基于字典学习的联合块稀疏分解算法研究[D]. 轩启运.哈尔滨工业大学 2019
[2]基于加权高斯混合模型的EPLL算法在非平稳地震勘探随机噪声压制中的应用[D]. 席浩然.吉林大学 2019
[3]基于联合双变量收缩Shearlet变换的微地震勘探噪声压制算法[D]. 蒋小忠.吉林大学 2018
[4]基于稀疏贝叶斯学习的图像修复方法[D]. 苑焕朝.河北工业大学 2017
本文编号：3280734
【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】：53 页
【学位级别】：硕士
【部分图文】：
不同信
吉林大学硕士学位论文12的衰减程度降低，这表明BPFA算法在去噪时同相轴斜轴部分相比平轴部分更容易发生信号衰减，因为斜轴部分的信号值跃变程度较大，在强噪声的作用下，斜轴部分的地震信号可能被噪声所淹没，BPFA算法无法很好的从被噪声淹没的数据中学习信号的结构特征，因此发生了信号丢失、衰减和畸变。进一步，通过时频图对比无噪信号和去噪结果，观察去噪前后波形的拟合程度，分别如图2.3(a)和图2.3(b)所示。(a)时域图(b)频域图图2.3BPFA算法的时频对比图从这两幅图中可以看到，去噪后信号的波形和无噪信号的波形并不完全拟合，时域图中可以明显看到信号波峰和波谷发生的信号幅值衰减现象，同时在频域对比图中可以看到，BPFA算法的去噪结果在高频部分相比无噪信号有所下降，说明了部分高频信号在去噪过程中发生了信号丢失，被噪声淹没的信号无法恢复。对-5dB的高斯白噪声含噪地震数据进行去噪，通过控制变量法改变以下参数：信号块的大小，字典列数，吉布斯抽样的最大迭代次数，K维概率向量π的分布函数参数a和b，分析去噪结果并确定BPFA算法的最优去噪参数。①改变信号块大小：信号块的大小决定了学习字典每个特征中元素的个数，从图2.4中可以看到，当信号块大小逐渐增加时，字典中学习到的结构特征更加清晰、细节更加丰富，但不意味着去噪后的信噪比更高。(a)块大小8ⅹ8的字典(b)块大小16ⅹ16的字典(c)块大小32ⅹ32的字典图2.4不同信号块大小的字典
第3章基于全变分约束的BPFA算法21差值图分别如图3.2(c)和图3.2(d)所示，从去噪结果中可见噪声压制得更彻底，背景部分没有噪声的抖动，同时从差值图中可以看到，全变分正则项的引入可以有效改善同相轴的恢复，斜轴部分的衰减程度降低，信号的波形恢复得更好。(a)BPFA去噪结果(b)BPFA算法差值(c)BPFA-TV去噪结果(d)BPFA-TV算法差值图3.2模拟地震数据去噪结果对比为了进一步观察去噪后的幅值衰减情况和波形拟合情况，画出无噪信号、BPFA算法去噪结果和BPFA-TV算法去噪结果的单道对比图，如图3.3所示。图3.3BPFA-TV算法去噪结果的单道对比图
【参考文献】：
期刊论文
[1]基于空间分数阶复扩散的地震勘探噪声压制[J]. 林红波,邢诣婧,马骏驰. 吉林大学学报(信息科学版). 2019(06)
[2]自适应结构方向复扩散压制沙漠地震随机噪声[J]. 林红波,张丹丹. 吉林大学学报(信息科学版). 2019(05)
[3]f-x域共偏移距道集的EEMD随机噪声压制方法[J]. 石战战,夏艳晴,周怀来,池跃龙,庞溯. 煤田地质与勘探. 2019(01)
[4]改进的Beta过程因子分析图像修复算法[J]. 苑焕朝,马杰,樊金光. 河北工业大学学报. 2017(02)
[5]基于组结构字典稀疏表示的地震数据随机噪声压制[J]. 徐小红,张洋,屈光中,毕云云. 合肥工业大学学报(自然科学版). 2017(02)
[6]基于结构信息和稀疏贝叶斯学习的图像去噪[J]. 刘帅. 火控雷达技术. 2015(04)
[7]心电压缩感知恢复先验块稀疏贝叶斯学习算法[J]. 罗堪,李建清,王志刚,蔡志鹏. 仪器仪表学报. 2014(08)
博士论文
[1]陆地地震勘探随机噪声建模与分析[D]. 李光辉.吉林大学 2016
[2]非线性二维时频峰值滤波算法在地震勘探随机噪声压制中的应用[D]. 田雅男.吉林大学 2013
[3]基于压缩感知和稀疏表示的地震数据重建与去噪[D]. 唐刚.清华大学 2010
硕士论文
[1]基于字典学习的联合块稀疏分解算法研究[D]. 轩启运.哈尔滨工业大学 2019
[2]基于加权高斯混合模型的EPLL算法在非平稳地震勘探随机噪声压制中的应用[D]. 席浩然.吉林大学 2019
[3]基于联合双变量收缩Shearlet变换的微地震勘探噪声压制算法[D]. 蒋小忠.吉林大学 2018
[4]基于稀疏贝叶斯学习的图像修复方法[D]. 苑焕朝.河北工业大学 2017
本文编号：3280734
本文链接：https://www.wllwen.com/shoufeilunwen/benkebiyelunwen/3280734.html
