摘要：结合改进的自适应噪声完备集合经验模态分解(ICEEMDAN)与分布熵(DistEn),提出一种无需自定义算法参数、去噪效果较好的伸缩仪信号随机噪声压制方法。首先将伸缩仪信号进行ICEEMDAN处理,得到若干个本征模态函数(IMF);然后计算各IMF分量的分布熵值,根据不同分布熵值的大小和表征的分量信号混乱程度,有针对性地对各IMF进行取舍;最后进行线性重构。设计仿真信号去噪实验和SS-Y伸缩仪信号去噪实验,结果表明,基于ICEEMDAN-DistEn去噪模型的伸缩仪信号重构还原度较好,去噪效果显著,明显优于CEEMDAN-DistEn、小波去噪和卡尔曼滤波等去噪模型。

摘要：地震资料的质量对于地质解释起着至关重要的作用。实际地震数据通常会携带大量噪声,使地层模糊,断层构造不清晰。非局部均值滤波方法(NLM)可以有效地压制随机噪声,但其计算效率较低,因此在大型地震数据处理应用中具有局限性。本文给出了一种快速自适应NLM算法,该方法利用中心对称数据积分算法提高NLM方法的计算效率,并利用相似度标准差估计均匀性来自适应地调整滤波参数,进一步提高去噪效果。因此,改进后的非局部均值滤波方法可以有效地提高计算效率,同时可以增强噪声压制效果。最后,通过模型数据和实际数据验证了该方法的可行性、有效性。

摘要：针对地震勘探随机噪声的压制,本文应用拉伸厄米特高斯函数设计出方向可控滤波器.根据时空域上随机噪声的无方向性与有效信号的有向性的区别,通过局部数字特征,对数据进行选择后重组信号.方向选择性的增加,使得滤波过程能与不同方向的轴进行匹配,噪声被压制的同时保持信号的幅度;方向可调性,使得计算效率提高,且所需存储空间减少.仿真实验表明,采用此方法,信号保幅性和去噪效果均比传统的小波算法以及Curvelet变换好,在-5db信噪比下,本文方法保幅度为92.99%,信噪比提升221.774%,在实际地震信号处理中有明显的抑制噪声、保持有用信号的效果.

摘要：随机噪声是影响地震资料信噪比的主要噪声之一,在地震资料处理中,随机噪声的压制效果直接影响地震勘探成果的可靠性。分析认为,目前最常用的f-x域随机噪声压制方法会损失部分有效信号,特别是存在断层时,f-x域随机噪声压制方法的应用会使断层成像模糊。通常只能采取人工解释断层位置后,再进行非断层区噪声压制以保证断层信息不受损失,工作效率低,效果受人工解释的精度影响较大。为此,提出了一种智能化断层保护的随机噪声压制方法,该方法基于断层与连续介质的基本差异,设计双向预测算子和断层位置自动识别方法,然后在压制随机噪声的同时自动进行断层的加权保护,从而大大减少了传统f-x域随机噪声压制方法的断层模糊效应,并且无需人工解释断层位置,实现了智能化的断层保护机制和随机噪声压制效果。模型数据和实际地震资料测试结果表明:所提方法能够在压制随机噪声的同时自动保护有效信号,使断层清晰成像,从而提高了成果资料的可靠性。

摘要：应用深度学习方法压制地震噪声的训练集和测试集均来自同一数据集,使得模型的泛化性受限。为解决泛化性问题,提出一种基于卷积神经网络(CNN)的残差U型网络(RUnet)压制随机噪声的方法。方法的设计思想是在基于卷积神经网络的U型网络(Unet)基础上加入残差块,以增强网络对随机噪声的捕获能力。该方法建立在端到端的编码解码网络结构上,将含噪声地震数据作为输入,由多个卷积层和残差块提取随机噪声的本质特征,构成编码;再由多个反卷积层和残差块构成解码,网络的输出即为噪声压制后的地震数据。在残差块之后加入批规范化层,采用带泄露整流函数作为非线性因子,提高网络模型对地震资料随机噪声的泛化性和敏感性。在叠后和叠前地震数据实验中将RUnet卷积神经网络方法与小波变换、离散余弦变换、三维块匹配(BM3D)算法和Unet卷积神经网络算法进行去噪效果对比,结果表明,RUnet卷积神经网络方法相比其它4种方法,对随机噪声的压制更有效,并且在一定程度上保护了有效信号。

摘要：地质雷达数据的质量对于数据处理以及后续地质解释工作起着至关重要的作用。当雷达数据受到随机噪声严重污染时,有效信号将被大量掩盖。常规非局部均值滤波方法可以有效地压制随机噪声,该方法数据计算复杂度大,因此在大型地质雷达数据处理应用中具有局限性。本文给出了一种基于非局部均值滤波的自适应数据压缩并行去噪算法,该方法基于数据积分,利用数据中心对称性,构成了数据压缩算法,降低了计算复杂度。通过计算相似度标准差,实现了自适应滤波参数估计算法,进一步提高去噪效果。通过引入并行算法,进一步提高了计算效率。在简单模型数据和复杂模型数据测试中,通过对比平均均方根误差与平均信噪比,本文方法去噪效果优于其他方法,在阿拉巴马州多芬岛的实际数据的测试中,本文方法计算时间为9.7 s,计算效率明显优于常规非局部均值滤波算法,验证了该方法的可行性、有效性。