CN103837892B - 微地震自适应独立分量分析弱信号提取方法 - Google Patents
微地震自适应独立分量分析弱信号提取方法 Download PDFInfo
- Publication number
- CN103837892B CN103837892B CN201410116291.0A CN201410116291A CN103837892B CN 103837892 B CN103837892 B CN 103837892B CN 201410116291 A CN201410116291 A CN 201410116291A CN 103837892 B CN103837892 B CN 103837892B
- Authority
- CN
- China
- Prior art keywords
- microseism
- independent
- matrix
- independent component
- result
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Expired - Fee Related
Links
- 238000012880 independent component analysis Methods 0.000 title claims abstract description 14
- 238000000605 extraction Methods 0.000 title claims abstract description 9
- 230000006978 adaptation Effects 0.000 title abstract 2
- 238000000034 method Methods 0.000 claims abstract description 31
- 238000001914 filtration Methods 0.000 claims abstract description 19
- 230000003044 adaptive effect Effects 0.000 claims abstract description 11
- 238000004458 analytical method Methods 0.000 claims abstract description 10
- 239000011159 matrix material Substances 0.000 claims description 25
- 238000000354 decomposition reaction Methods 0.000 claims description 6
- 230000008030 elimination Effects 0.000 claims description 3
- 238000003379 elimination reaction Methods 0.000 claims description 3
- 230000004927 fusion Effects 0.000 claims description 3
- 230000002087 whitening effect Effects 0.000 claims 1
- 230000009514 concussion Effects 0.000 abstract 1
- 238000013277 forecasting method Methods 0.000 abstract 1
- 238000001514 detection method Methods 0.000 description 3
- 238000002156 mixing Methods 0.000 description 3
- 238000012544 monitoring process Methods 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 2
- 239000006185 dispersion Substances 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 230000010355 oscillation Effects 0.000 description 2
- 230000000737 periodic effect Effects 0.000 description 2
- 238000005070 sampling Methods 0.000 description 2
- 230000002238 attenuated effect Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000004672 jump response Effects 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 230000003252 repetitive effect Effects 0.000 description 1
- 238000000926 separation method Methods 0.000 description 1
Landscapes
- Filters That Use Time-Delay Elements (AREA)
- Geophysics And Detection Of Objects (AREA)
Abstract
本发明公开了一种微地震自适应独立分量分析弱信号提取方法，包括以下步骤：对每道微地震记录进行预处理，然后进行特征值分析确定独立分量的个数；采用基于峰度的ICA算法对观测信号进行分离得到源信号初始估计值；对每个独立分量的估计值利用改进的自适应预测方法进行滤波，得到各独立分量的自适应预测滤波结果；计算过程中，对一个循环迭代误差和权系数，利用曲线拟合的方法进行拟合，再将拟合结果再代入原来的公式中进行下一个循环的计算；最后对各独立分量的自适应预测滤波结果进行加权融合，得到最佳预测结果。本发明，既减小了误差的剧烈震荡，又能使算法结果向着稳定的期望方向进行，可以有效地提取出微地震记录中的弱信号，并改善其信噪比。
Description
技术领域
本发明涉及微地震检测技术，具体涉及微地震自适应独立分量分析弱信号提取方法。
背景技术
微地震信号的时空多变性决定了信号处理方法的多变性。基于维纳理论的滤波虽然不要求输入先验信息，但是滤波过程中滤波器是固定的；卡尔曼滤波理论的滤波方法要求期望输出的先验信息，但是实际的微地震信号由于变化的多样性，很难统计求证一个固定的期望输出，因此实际应用中受到了一定的限制，资料的处理效果不尽人意。自适应滤波自动调节和更新期望输出，并通过多次迭代最后获得最佳的期望输出估计，克服了这种限制。但是，自适应滤波方法本身也具有很多限定条件，方法讨论中得出的一些特性结论，如收敛条件、稳定条件等都是在假定数据变量是统计独立条件下得出的。而实际的微地震信号由于噪声等因素的干扰，信号不可能是独立的。因此，以往的自适应滤波方法，实际应用效果不理想。
独立分量分析逼近估计是通过个分解分量的迭代逼近计算，使各分量满足相互独立的条件作为终止迭代的条件。由于源数、混合矩阵的维数难以准确确定，尽管输出的各分量虽然相互独立了，但是各分量不一定是真实的源信号的信息。目前，独立分量分析大都考虑分解诸分量满足独立条件作为算法终止条件。几乎很少考虑从观测信号中，来确定源信号个数问题。从独立分解的基本原理看出，源的个数准确确定（混合矩阵维数）关系到分解结果优劣。独立分量的个数不确定，进而混合矩阵维数是不确定的。固定维数混合矩阵分析方法，不能满足独立分量分析弱信号提取的最佳维数分析。
微地震记录的有效信号在时间采样方面具有局部脉冲的特点，该信号根据频带宽度的不同呈现的地震波形可以是单相位波形也可是多相位波形，并且波形振幅在其初跳响应达到最大值之后迅速衰减；信号分离的难易程度由信噪比决定。大部分地面微地震信号的信噪比较低，特别是当有效信号较弱时，会被完全淹没在噪音中。目前，讨论研究的弱信号监测问题，大都是针对具有周期或准周期重复性信号的有效信号的监测问题讨论的。而对于微地震信号，在时间方向类似随机脉冲的这种弱信号的监测问题，就变得更加困难。现有利用信号周期性变化特征进行弱信号提取的方法受到限制。
总之，急需一种方法，提高微地震弱有用信号的检测能力。
发明内容
本发明所要解决的技术问题是如何提高微地震信号的检测能力的问题。
为了解决上述技术问题，本发明所采用的技术方案是提供一种微地震自适应独立分量分析弱信号提取方法，包括以下步骤：
步骤10：针对微地震事件信号脉冲特点，对每道微地震记录，进行随机噪音剔除处理及相关的预处理；
步骤20：特征值分析方法确定独立分量的个数；
步骤30、采用基于峰度的ICA算法对观测信号进行分离，得到源信号的初始估计值，即独立分量；
步骤40：利用改进自适应预测方法对每个独立分量的初始估计值进行滤波，得到各独立分量的自适应预测滤波结果；对各独立分量的自适应预测滤波结果进行加权融合，得到最佳预测结果。
在上述方法中，步骤20包括以下步骤：
步骤21：利用多个滑动时窗将相应的微地震记录组成混合矩阵，求得该混合矩阵的协方差矩阵，并计算特征值和特征向量；
步骤22：把特征值相近的特征向量进行合并，再通过矩阵分析方法，把奇异矩阵转化为非奇异矩阵，把非奇异矩阵的维数作为独立分量的个数。
在上述方法中，独立分量通过各分解分量的迭代逼近计算，并使各分量满足相互独立的条件作为终止迭代的条件而得到。
在上述方法中，步骤40中，自适应预测过程中，加入约束条件，使迭代过程向着期望的方向进行，同时，利用拟合残差对加权系数进行归一化；
对归一化的加权系数再进行调节；
对一个循环的迭代误差和权系数，利用曲线拟合的方法进行拟合，再将拟合结果再代入原来的公式中进行下一个循环的计算。
本发明，自适应预测过程中对一个循环的迭代误差和权系数，利用曲线拟合的方法进行拟合，再将拟合结果再代入原来的公式中进行下一个循环的计算，既减小了误差的剧烈震荡，又能使算法结果向着稳定的期望方向进行，从而可以有效地提取微地震记录中的弱信号，同时信噪比也得到了明显的改善。
附图说明
图1为地面微地震事件中一条测线的微地震记录的原始数据；
图2为采用本发明提供的方法对图1处理后的数据。
具体实施方式
本发明提供了一种微地震自适应独立分量分析信号提取方法，可以有效地提取微地震记录中的弱信号。下面结合说明书附图和具体实施例对本发明做出详细的说明。
本发明提供的微地震自适应独立分量分析弱信号提取方法，包括以下步骤：
步骤10：针对微地震事件信号特点，对每道微地震记录，进行随机噪音剔除处理及相关的预处理；
步骤20：采用特征值分析方法确定独立分量的个数。具体方法是：利用多个滑动时窗将相应的微地震记录组成混合矩阵，求得该混合矩阵的协方差矩阵，并计算特征值和特征向量；把特征值相近的特征向量进行合并，再通过矩阵分析方法，把奇异矩阵转化为非奇异矩阵，非奇异矩阵的维数就是要确定的独立分量的个数。滑动时窗的窗口的长度（独立变量的样点数）依据微地震事件（子波）的延续长度来确定。
步骤30：采用基于峰度的ICA算法对观测信号进行分离，得到源信号的初始估计值，即独立分量。
步骤40：利用自适应预测方法对每个独立分量的初始估计值进行滤波，得到各独立分量的自适应预测滤波结果，对各独立分量的预测滤波结果进行加权融合，得到最佳预测结果，权系数为特征值。
设线性组合的M个独立分量的输入为x(1)，…，x（n-M）,其输出y(n)是这些输入加权后的线性组合（n为采样点数），即：
式中：wi为每个独立分量的加权系数。
定义加权向量W＝[w1,w2,L,wM]T，且X(k)＝[x(k-1),x(k-2),Lx(k-m)]T，
w(n+1)＝w(n)+2μe(n)x(n) (2)
设置约束条件，使迭代结果向着期望收敛方向进行。
独立信号统计的数学描述为：E[X]＝0 （3）
对于实际的有用微地震信号不是完全正交独立，如果随着迭代次数的增加，E[X]→min，则是说明约束条件合理。即：
E(XK+1)＜E(XK) （4）
K为迭代次数序号。
同时还要求：
E(WXT)＝0 （5）
如果预测变量独立，则：
E(eWeT)＝0 （6）
其中，
We＝WK+1-WK （7）
e＝d-y （8）
e是残差，d是期望值。
对加权系数进行归一化，然后再对归一化的加权系数再进行调节。
加权系数的残差离差为：
D(j)＝w(j)-E(w(j)) （9）
用残差离差对加权系数进行归一化：
其中，WD(j)为调节后的加权系数。
采用基于最小二乘方法的自适应滤波方法进行变量估计，算法是随机梯度搜索方法，估计误差矢量和权矢量是随机的，因此估计误差矢量和权矢量是严重震荡的，这自然加大了算法的不稳定性，同时带来估计结果的不稳定。本发明中：对一个循环迭代误差和权系数，利用曲线拟合的方法进行拟合，将拟合结果再代入原来的公式中进行下一个循环的计算。这样既减小了误差的剧烈震荡，又能使算法结果向着稳定的期望方向进行。
本发明可以有效地提取微地震记录中的弱信号，同时明显改善信噪比。图1为地面微地震事件中一条测线的微地震记录，图1中的微地震记录进行处理后的结果如图2所示，不但检测出了弱信号，同时资料的信噪比也得到了明显改善。
本发明不局限于上述最佳实施方式，任何人应该得知在本发明的启示下作出的结构变化，凡是与本发明具有相同或相近的技术方案，均落入本发明的保护范围之内。
Claims (2)
1.微地震自适应独立分量分析弱信号提取方法，其特征在于，包括以下步骤：
步骤10：针对微地震事件信号特点，对每道微地震记录，进行随机噪音剔除处理，然后进行白化和正交处理，去除其相关性；
步骤20：采用特征值分析方法确定独立分量的个数；
步骤30、采用基于峰度的ICA算法对观测信号进行分离，得到源信号的初始估计值，即独立分量；
步骤40：利用改进自适应预测方法对每个独立分量的初始估计值进行滤波，得到各独立分量的自适应预测滤波结果，对各独立分量的自适应预测滤波结果进行加权融合，得到最佳预测结果；
步骤20包括以下步骤：
步骤21：利用多个滑动时窗将相应的微地震记录组成混合矩阵，求得该混合矩阵的协方差矩阵，并计算特征值和特征向量；
步骤22：把特征值相近的特征向量进行合并，再通过矩阵分析方法，把奇异矩阵转化为非奇异矩阵，把非奇异矩阵的维数作为独立分量的个数；
步骤40中：
自适应预测过程中，加入约束条件，使迭代过程向着期望的方向进行，同时，利用拟合残差对加权系数进行归一化；
对归一化的加权系数再进行调节；
对一个循环的迭代误差和加权系数，利用曲线拟合的方法进行拟合，再将拟合结果再代入原来的公式中进行下一个循环的计算。
2.如权利要求1所述的方法，其特征在于，步骤30中，独立分量通过各分解分量的迭代逼近计算，并使各分解分量满足相互独立的条件作为终止迭代的条件而得到。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201410116291.0A CN103837892B (zh) | 2014-03-26 | 2014-03-26 | 微地震自适应独立分量分析弱信号提取方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201410116291.0A CN103837892B (zh) | 2014-03-26 | 2014-03-26 | 微地震自适应独立分量分析弱信号提取方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN103837892A CN103837892A (zh) | 2014-06-04 |
| CN103837892B true CN103837892B (zh) | 2016-10-05 |
Family
ID=50801591
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201410116291.0A Expired - Fee Related CN103837892B (zh) | 2014-03-26 | 2014-03-26 | 微地震自适应独立分量分析弱信号提取方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN103837892B (zh) |
Families Citing this family (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105319592B (zh) * | 2014-07-04 | 2018-06-05 | 中国石油化工股份有限公司 | 微地震数据中地面有源噪音的自适应压制方法 |
| CN107870354B (zh) * | 2016-09-28 | 2019-06-18 | 中国石油化工股份有限公司 | 微地震监测资料预处理方法及装置 |
| CN108734224A (zh) * | 2018-06-05 | 2018-11-02 | 重庆科技学院 | 基于独立分量贡献度加权分析的天然气净化过程异常监测方法 |
| CN114089360A (zh) * | 2021-11-16 | 2022-02-25 | 中国航空工业集团公司北京长城计量测试技术研究所 | 一种基于双光梳飞秒激光测距系统的高精度滤波方法 |
| CN118177869A (zh) * | 2021-12-07 | 2024-06-14 | 深圳北芯生命科技股份有限公司 | 血管内成像系统 |
-
2014
- 2014-03-26 CN CN201410116291.0A patent/CN103837892B/zh not_active Expired - Fee Related
Also Published As
| Publication number | Publication date |
|---|---|
| CN103837892A (zh) | 2014-06-04 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN103837892B (zh) | 微地震自适应独立分量分析弱信号提取方法 | |
| Chen et al. | Multiple-reflection noise attenuation using adaptive randomized-order empirical mode decomposition | |
| Zhou et al. | Spike-like blending noise attenuation using structural low-rank decomposition | |
| Sacchi | FX singular spectrum analysis | |
| Takahata et al. | Unsupervised processing of geophysical signals: A review of some key aspects of blind deconvolution and blind source separation | |
| CN102879766B (zh) | 一种高频地波雷达弱目标检测跟踪方法和装置 | |
| Zhang et al. | Multicomponent microseismic data denoising by 3D shearlet transform | |
| CN102819043B (zh) | 阵列信号随机噪声自适应模型去噪方法 | |
| Sun et al. | Cross-correlation analysis and time delay estimation of a homologous micro-seismic signal based on the Hilbert–Huang transform | |
| Nose-Filho et al. | A fast algorithm for sparse multichannel blind deconvolution | |
| CN106094046A (zh) | 基于奇异值分解和小波分析的时间域航空电磁数据去噪方法 | |
| Mattsson et al. | Noise reduction and error analysis for a Towed EM System | |
| CN108710150A (zh) | 一种基于稳健奇异谱分析的地震不规则噪声去除方法 | |
| CN103926623A (zh) | 一种压制逆时偏移低频噪音的方法 | |
| CN109885903A (zh) | 一种基于模型的地面核磁共振信号尖峰噪声去除方法 | |
| Prasadh et al. | Efficiency analysis of noise reduction algorithms: Analysis of the best algorithm of noise reduction from a set of algorithms | |
| Zhou et al. | Fast independent component analysis denoising for magnetotelluric data based on a correlation coefficient and fast iterative shrinkage threshold algorithm | |
| CN103558636B (zh) | 一种从叠后地震数据采集脚印衰减的方法 | |
| Han et al. | Firefly algorithm with disturbance-factor-based particle filter for seismic random noise attenuation | |
| CN109143341A (zh) | 基于Hampel范数的降秩滤波方法 | |
| Nose-Filho et al. | Algorithms for sparse multichannel blind deconvolution | |
| Palahin et al. | Modeling of joint signal detection and parameter estimation on the background of non-Gaussian noise | |
| Deng et al. | Seismic random noise attenuation based on adaptive time–frequency peak filtering | |
| Yang et al. | Nonstationary signal inversion based on shaping regularization for random noise attenuation | |
| Nagarajappa | Coherent noise estimation by adaptive Hankel matrix rank reduction |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| C06 | Publication | ||
| PB01 | Publication | ||
| C10 | Entry into substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| C14 | Grant of patent or utility model | ||
| GR01 | Patent grant | ||
| TR01 | Transfer of patent right | ||
| TR01 | Transfer of patent right |
Effective date of registration: 20161223 Address after: 266000 Qingdao economic and Technological Development Zone, Changjiang Road, No. 66, Shandong Patentee after: China University of Petroleum Address before: 266000 Shandong economic and Technological Development Zone, the Yangtze River West Road, No. 66 Petroleum University (Hua Dong) earth science and Technology Institute Patentee before: Song Weiqi |
|
| CF01 | Termination of patent right due to non-payment of annual fee | ||
| CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20161005 Termination date: 20180326 |