【技术实现步骤摘要】
本专利技术涉及到地球物理勘探，尤其涉及τ-p域稀疏表征重构与变分模态分解联合的去噪方法。
技术介绍
1、由于地震信号中往往包含大量噪声，因此提高地震信号的信噪比一直是地震数据处理中的一项重要工作。国内外针对地震信号去噪已经发展了许多种方法。f-x域反褶积滤波是一种局部变换的方法，假设反射波同相轴为线性分布来处理，而这往往是比较理想的情况(abma，lateral prediction techniques:fx-decon versus two-d deconvolution，1997)。小波阈值去噪则是将地震信号转换到稀疏域，通过对不同分解系数的阈值处理来达到去除随机噪声的目的(y gao,q zhang.a wavelet packet and residual analysisbased method for hydraulic pump health diagnosis，2006)。
2、curvelet变换通过在小波变换中引入方向性参数从而能较好地表示曲线的奇异性特征，且很好地保留了小波变换多分辨率和多尺度的特点，但curvelet变换中阈值参数的确定仍然是一个难点(candès and donoho，new tight frames of curvelets andoptimal representations of objects with piecewise\${rm c}^{2}\$singularities，2010)。张华(基于曲波变换的三维地震数据同时重建和噪声压制，张华，陈小红，张落毅，20
3、基于字典学习的稀疏变换方法是一种基于数据本身驱动的自适应性去噪方法，它最大的特点就是没有固定的基函数，可通过数据自身特征训练字典模型，然后将地震信号在字典上进行稀疏变换，根据有效信号和噪声在字典上的特征差异来达到去噪的目的(chen，fast dictionary learning for noise attenuation of multidimensionalseismic data，2017)。唐刚等(基于学习型超完备字典的地震数据去噪，唐刚，马坚伟，杨慧珠，2012)对含噪地震数据进行学习和训练构造出了超完备冗余字典。yu et al.(montecarlo data-driven tight frame for seismic data recovery，s yu，j ma，s osher，2016)基于稀疏字典学习提出一种紧框架ddtf方法。奇异值分解基于地震数据的部分特征值对hankel矩阵进行稀疏重构对地震信号进行去噪，但该方法的一个明显缺点是计算量非常巨大。
4、经验模态分解及其改进的集合经验模态分解、互补集合经验模态分解和自适应噪声互补集合经验模态分解、变分模态分解等方法通过对地震信号的分解，将信号表示为噪声分量和有效信号分量，从而达到地震信号去噪的目的，常常被用于多维地震资料的去噪中。唐贵基和王晓龙(参数优化变分模态分解方法在滚动轴承早期故障诊断中的应用，2015)首先将变分模态分解应用于故障检测中，马增强等(基于变分模态分解和teager能量算子的滚动轴承故障特征提取，马增强，李亚超，刘政，谷朝健，2016)将变分模态分解与teager算子进行结合并用于故障诊断中。王晶(基于变分模态分解的信号去噪方法研究，2018)将变分模态分解应用于信号去噪。
5、地震数据去噪也可通过信号域去噪方法，低秩去噪方法等，其中信号域去噪方法又可分为空间域去噪方法和变换域去噪方法。空间域去噪方法包括中值滤波，维纳滤波等，但其有效信号真实性较差，对于地震非平稳信号效果欠佳。变换域去噪包括傅里叶变换去噪、小波变换去噪等，但这些方法或多或少存在一定的局限性，在处理地震信号这种非平稳信号时，获得的是处理后信号大体上的效果，而无法得到其中某些信号状态发生改变时的时间信息或者频率信息。在对实际地震资料的处理中无法做到在变换域内有效剥离开有效信号和噪声信号。虽然地震数据去噪方法已经研究了多年并且大量的方法观点已应用在实际数据处理中，但是这些方法或多或少都存在着一些问题。比如，当处理的数据量较大时，会导致算法迭代次数较多，时间复杂度较高，或局部化问题采用不适当的方法，使得处理后的有效信号发生畸变，从而掩盖了真实的地震信号信息，降低信号真实度。
技术实现思路
1、本专利技术针对上述现有技术存在的不足，提出一种基于τ-p域稀疏表征重构与变分模态分解联合的去噪方法，该方法在去噪过程中能够保存较高有效信号，减少冗余计算，提高了地震数据信噪比，具有良好的实际运用价值。。
2、本专利技术是通过采用下述技术方案实现的：
3、τ-p域稀疏表征重构与变分模态分解联合的去噪方法，包括以下步骤：
4、s1，将叠后地震t-x数据通过τ-p变换转换到τ-p域，以获得τ-p域叠后地震资料；
5、s2，基于计算机输入τ-p域叠后地震资料；
6、s3，构造随机字典a；
7、s4，使用omp算法确定所述随机字典a中每个原子的稀疏系数，以获得稀疏系数矩阵；
8、s5，基于输入的τ-p域叠后地震资料，利用字典学习算法更新随机字典a；
9、s6，判断更新后的随机字典a是否满足要求；若是，令该随机字典a为最终的新字典a’，若否，则回到步骤s4；
10、s7，使用omp算法确定新字典a’中每个原子的稀疏系数，以获得稀疏系数矩阵x’；
11、s8，基于新字典a’和稀疏系数矩阵x’获得去噪重构信号；
12、s9，将去噪重构信号转换到频率域进行变分模态分解，以获得分解信号；
13、s10，对分解信号进行滤频处理，以获得去噪数据；
14、s11，将去噪数据从τ-p域转换到t-x域，即完成数据去噪。
15、优选的，所述步骤s5中，利用字典学习算法更新随机字典a包括以下步骤：
16、s5-1，对当前的随机字典a进行初始化，并设置迭代初始值k＝1；
17、s5-2，建立寻找支撑索引；
18、s5-3，以输入的τ-p域叠后地震资料作为测试样本x，基于寻找支撑索引在随机字典a中挑选与测试样本x最为匹配的字典原子；
19、s5-4，集合所有挑选出的原子，构成新的随机字典。
20、优选的，所本文档来自技高网...
【技术保护点】
1.T-p域稀疏表征重构与变分模态分解联合的去噪方法，其特征在于，包括以下步骤：
2.如权利要求1所述T-p域稀疏表征重构与变分模态分解联合的去噪方法，其特征在于，所述步骤S5中，利用字典学习算法更新随机字典A包括以下步骤：
3.如权利要求2所述T-p域稀疏表征重构与变分模态分解联合的去噪方法，其特征在于，所述步骤S5-2中，寻找支撑索引为λk＝argmaxi＝1，......，N|<rk-1，ai>|；其中，λk表示原子的位置，rk-1表示残差，ai表示随机字典A中的第i个原子。
4.如权利要求3所述T-p域稀疏表征重构与变分模态分解联合的去噪方法，其特征在于，所述步骤S6中，判断判断更新后的随机字典A是否满足要求的方法为：
5.如权利要求4所述τ-p域稀疏表征重构与变分模态分解联合的去噪方法，其特征在于，所述步骤S6-4中，当rk≤M时，k＝K，K表示当前随机字典的稀疏度。
6.如权利要求4所述τ-p域稀疏表征重构与变分模态分解联合的去噪方法，其特征在于：所述步骤S7中，实施获得稀疏系数矩阵X′的过程中包
7.如权利要求1所述τ-p域稀疏表征重构与变分模态分解联合的去噪方法，其特征在于，所述步骤S8中，是采用新字典A′与稀疏系数矩阵X′相乘的方法获取去噪重构信号。
8.如权利要求1所述τ-p域稀疏表征重构与变分模态分解联合的去噪方法，其特征在于，其特征在于，所述步骤S10中，获得去噪数据包括以下步骤：
...【技术特征摘要】
1.t-p域稀疏表征重构与变分模态分解联合的去噪方法，其特征在于，包括以下步骤：
2.如权利要求1所述t-p域稀疏表征重构与变分模态分解联合的去噪方法，其特征在于，所述步骤s5中，利用字典学习算法更新随机字典a包括以下步骤：
3.如权利要求2所述t-p域稀疏表征重构与变分模态分解联合的去噪方法，其特征在于，所述步骤s5-2中，寻找支撑索引为λk＝argmaxi＝1，......，n|<rk-1，ai>|；其中，λk表示原子的位置，rk-1表示残差，ai表示随机字典a中的第i个原子。
4.如权利要求3所述t-p域稀疏表征重构与变分模态分解联合的去噪方法，其特征在于，所述步骤s6中，判断判断更新后的随机字典a是否满足要求的方法为：
5.如权利要...
【专利技术属性】
技术研发人员：韩翀，徐明华，欧阳诚，彭宇，陈琴，陈明江，胡天文，李开建，李刚毅，童明胜，
申请(专利权)人：中国石油天然气集团有限公司，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。