摘要：Radon变换是常用多次波压制方法之一,然而有限、离散的采样空间导致一次波和多次波在Radon域混叠,并且混叠程度随频率降低愈加严重.高分辨率Radon变换可以改善一次波和多次波分离效果,但分辨率的提高会降低保幅性,导致多次波残留或一次波损伤.为此,本文在最小二乘反演基础上,提出一种随混叠程度自适应分离多次波的频变滤波方法.根据Radon变换褶积模型,分析一次波和多次波频变混叠机制;建立随频率调整的修正柯西函数混叠模型;依据一次波和多次波的混叠比例设计多次波滤波器,该滤波器能够根据一次波和多次波的混叠程度自适应调整滤波函数,提高多次波估计精度.合成数据和实际数据的多次波压制实验表明,这种频变滤波方法既可以改善多次波压制效果,又可避免高分辨率反演方法计算量大的问题.

摘要：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。