地震勘探數(shù)據(jù)經(jīng)常受到嚴(yán)重的隨機(jī)噪聲干擾,低信噪比數(shù)據(jù)嚴(yán)重妨礙了對(duì)有效信號(hào)的辨識(shí)和提取,進(jìn)一步影響地下結(jié)構(gòu)成像和地震資料的解釋。在處理地震勘探數(shù)據(jù)時(shí),往往面臨非平穩(wěn)地震勘探噪聲的壓制問(wèn)題,隨機(jī)噪聲的強(qiáng)度隨著時(shí)間和空間的變化而變化,局部區(qū)域噪聲強(qiáng)度大,部分反射同相軸在強(qiáng)噪聲干擾下發(fā)生衰減和失真。因此,尋找合適的算法壓制地震勘探非平穩(wěn)隨機(jī)噪聲,恢復(fù)地震信號(hào),具有重要意義�；贐eta-Bernoulli過(guò)程因子分子（BPFA）算法是一種非參數(shù)貝葉斯字典學(xué)習(xí)算法,Beta-Bernoulli過(guò)程作為非參數(shù)字典學(xué)習(xí)先驗(yàn),能夠?qū)崿F(xiàn)字典元素的稀疏表示,同時(shí)該算法從高斯后驗(yàn)分布中更新字典權(quán)重和噪聲方差。但在強(qiáng)噪聲的影響下,算法得到的全局噪聲方差是不準(zhǔn)確的,影響對(duì)特征字典的估計(jì),進(jìn)一步影響噪聲的壓制和信號(hào)的恢復(fù)。為克服強(qiáng)隨機(jī)噪聲對(duì)在線字典學(xué)習(xí)的影響,本文提出基于全變分約束的Beta-Bernoulli過(guò)程因子分析（BPFA-TV）算法。該算法在BPFA和全變分的雙約束下,實(shí)現(xiàn)地震勘探隨機(jī)噪聲壓制和信號(hào)恢復(fù)。BPFA-TV算法利用BPFA字典學(xué)習(xí)地震勘探數(shù)據(jù)中信號(hào)的復(fù)雜結(jié)構(gòu)特征,提升了地震信號(hào)結(jié)構(gòu)特征的精... 

【文章來(lái)源】：吉林大學(xué)吉林省 211工程院校 985工程院校 教育部直屬院校

【文章頁(yè)數(shù)】：53 頁(yè)

【學(xué)位級(jí)別】：碩士

【部分圖文】：

不同信

吉林大學(xué)碩士學(xué)位論文12的衰減程度降低，這表明BPFA算法在去噪時(shí)同相軸斜軸部分相比平軸部分更容易發(fā)生信號(hào)衰減，因?yàn)樾陛S部分的信號(hào)值躍變程度較大，在強(qiáng)噪聲的作用下，斜軸部分的地震信號(hào)可能被噪聲所淹沒(méi)，BPFA算法無(wú)法很好的從被噪聲淹沒(méi)的數(shù)據(jù)中學(xué)習(xí)信號(hào)的結(jié)構(gòu)特征，因此發(fā)生了信號(hào)丟失、衰減和畸變。進(jìn)一步，通過(guò)時(shí)頻圖對(duì)比無(wú)噪信號(hào)和去噪結(jié)果，觀察去噪前后波形的擬合程度，分別如圖2.3(a)和圖2.3(b)所示。(a)時(shí)域圖(b)頻域圖圖2.3BPFA算法的時(shí)頻對(duì)比圖從這兩幅圖中可以看到，去噪后信號(hào)的波形和無(wú)噪信號(hào)的波形并不完全擬合，時(shí)域圖中可以明顯看到信號(hào)波峰和波谷發(fā)生的信號(hào)幅值衰減現(xiàn)象，同時(shí)在頻域?qū)Ρ葓D中可以看到，BPFA算法的去噪結(jié)果在高頻部分相比無(wú)噪信號(hào)有所下降，說(shuō)明了部分高頻信號(hào)在去噪過(guò)程中發(fā)生了信號(hào)丟失，被噪聲淹沒(méi)的信號(hào)無(wú)法恢復(fù)。對(duì)-5dB的高斯白噪聲含噪地震數(shù)據(jù)進(jìn)行去噪，通過(guò)控制變量法改變以下參數(shù)：信號(hào)塊的大小，字典列數(shù)，吉布斯抽樣的最大迭代次數(shù)，K維概率向量π的分布函數(shù)參數(shù)a和b，分析去噪結(jié)果并確定BPFA算法的最優(yōu)去噪?yún)?shù)。①改變信號(hào)塊大�。盒盘�(hào)塊的大小決定了學(xué)習(xí)字典每個(gè)特征中元素的個(gè)數(shù)，從圖2.4中可以看到，當(dāng)信號(hào)塊大小逐漸增加時(shí)，字典中學(xué)習(xí)到的結(jié)構(gòu)特征更加清晰、細(xì)節(jié)更加豐富，但不意味著去噪后的信噪比更高。(a)塊大小8ⅹ8的字典(b)塊大小16ⅹ16的字典(c)塊大小32ⅹ32的字典圖2.4不同信號(hào)塊大小的字典

第3章基于全變分約束的BPFA算法21差值圖分別如圖3.2(c)和圖3.2(d)所示，從去噪結(jié)果中可見(jiàn)噪聲壓制得更徹底，背景部分沒(méi)有噪聲的抖動(dòng)，同時(shí)從差值圖中可以看到，全變分正則項(xiàng)的引入可以有效改善同相軸的恢復(fù)，斜軸部分的衰減程度降低，信號(hào)的波形恢復(fù)得更好。(a)BPFA去噪結(jié)果(b)BPFA算法差值(c)BPFA-TV去噪結(jié)果(d)BPFA-TV算法差值圖3.2模擬地震數(shù)據(jù)去噪結(jié)果對(duì)比為了進(jìn)一步觀察去噪后的幅值衰減情況和波形擬合情況，畫(huà)出無(wú)噪信號(hào)、BPFA算法去噪結(jié)果和BPFA-TV算法去噪結(jié)果的單道對(duì)比圖，如圖3.3所示。圖3.3BPFA-TV算法去噪結(jié)果的單道對(duì)比圖

【參考文獻(xiàn)】：
期刊論文
[1]基于空間分?jǐn)?shù)階復(fù)擴(kuò)散的地震勘探噪聲壓制[J]. 林紅波,邢詣婧,馬駿馳.  吉林大學(xué)學(xué)報(bào)(信息科學(xué)版). 2019(06)
[2]自適應(yīng)結(jié)構(gòu)方向復(fù)擴(kuò)散壓制沙漠地震隨機(jī)噪聲[J]. 林紅波,張丹丹.  吉林大學(xué)學(xué)報(bào)(信息科學(xué)版). 2019(05)
[3]f-x域共偏移距道集的EEMD隨機(jī)噪聲壓制方法[J]. 石戰(zhàn)戰(zhàn),夏艷晴,周懷來(lái),池躍龍,龐溯.  煤田地質(zhì)與勘探. 2019(01)
[4]改進(jìn)的Beta過(guò)程因子分析圖像修復(fù)算法[J]. 苑煥朝,馬杰,樊金光.  河北工業(yè)大學(xué)學(xué)報(bào). 2017(02)
[5]基于組結(jié)構(gòu)字典稀疏表示的地震數(shù)據(jù)隨機(jī)噪聲壓制[J]. 徐小紅,張洋,屈光中,畢云云.  合肥工業(yè)大學(xué)學(xué)報(bào)(自然科學(xué)版). 2017(02)
[6]基于結(jié)構(gòu)信息和稀疏貝葉斯學(xué)習(xí)的圖像去噪[J]. 劉帥.  火控雷達(dá)技術(shù). 2015(04)
[7]心電壓縮感知恢復(fù)先驗(yàn)塊稀疏貝葉斯學(xué)習(xí)算法[J]. 羅堪,李建清,王志剛,蔡志鵬.  儀器儀表學(xué)報(bào). 2014(08)

博士論文
[1]陸地地震勘探隨機(jī)噪聲建模與分析[D]. 李光輝.吉林大學(xué) 2016
[2]非線性二維時(shí)頻峰值濾波算法在地震勘探隨機(jī)噪聲壓制中的應(yīng)用[D]. 田雅男.吉林大學(xué) 2013
[3]基于壓縮感知和稀疏表示的地震數(shù)據(jù)重建與去噪[D]. 唐剛.清華大學(xué) 2010

碩士論文
[1]基于字典學(xué)習(xí)的聯(lián)合塊稀疏分解算法研究[D]. 軒啟運(yùn).哈爾濱工業(yè)大學(xué) 2019
[2]基于加權(quán)高斯混合模型的EPLL算法在非平穩(wěn)地震勘探隨機(jī)噪聲壓制中的應(yīng)用[D]. 席浩然.吉林大學(xué) 2019
[3]基于聯(lián)合雙變量收縮Shearlet變換的微地震勘探噪聲壓制算法[D]. 蔣小忠.吉林大學(xué) 2018
[4]基于稀疏貝葉斯學(xué)習(xí)的圖像修復(fù)方法[D]. 苑煥朝.河北工業(yè)大學(xué) 2017



本文編號(hào)：3280734