CN108732624A - 一种基于pca-emd的并行震源地震数据随机噪声压制方法 - Google Patents
一种基于pca-emd的并行震源地震数据随机噪声压制方法 Download PDFInfo
- Publication number
- CN108732624A CN108732624A CN201810529954.XA CN201810529954A CN108732624A CN 108732624 A CN108732624 A CN 108732624A CN 201810529954 A CN201810529954 A CN 201810529954A CN 108732624 A CN108732624 A CN 108732624A
- Authority
- CN
- China
- Prior art keywords
- imf
- matrix
- emd
- useful signal
- noise
- 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.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 38
- 230000001629 suppression Effects 0.000 title claims abstract description 8
- 238000001228 spectrum Methods 0.000 claims abstract description 17
- 238000010183 spectrum analysis Methods 0.000 claims abstract description 7
- 230000003595 spectral effect Effects 0.000 claims abstract description 4
- 239000011159 matrix material Substances 0.000 claims description 39
- 238000000354 decomposition reaction Methods 0.000 claims description 10
- 238000010276 construction Methods 0.000 claims description 3
- 238000013507 mapping Methods 0.000 claims description 3
- 238000005070 sampling Methods 0.000 claims 1
- 238000012545 processing Methods 0.000 abstract description 8
- 238000001914 filtration Methods 0.000 description 2
- 238000003384 imaging method Methods 0.000 description 2
- 239000004615 ingredient Substances 0.000 description 2
- 238000013508 migration Methods 0.000 description 2
- 230000005012 migration Effects 0.000 description 2
- 230000000052 comparative effect Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000011084 recovery Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01V—GEOPHYSICS; GRAVITATIONAL MEASUREMENTS; DETECTING MASSES OR OBJECTS; TAGS
- G01V1/00—Seismology; Seismic or acoustic prospecting or detecting
- G01V1/28—Processing seismic data, e.g. for interpretation or for event detection
- G01V1/36—Effecting static or dynamic corrections on records, e.g. correcting spread; Correlating seismic signals; Eliminating effects of unwanted energy
- G01V1/364—Seismic filtering
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01V—GEOPHYSICS; GRAVITATIONAL MEASUREMENTS; DETECTING MASSES OR OBJECTS; TAGS
- G01V2210/00—Details of seismic processing or analysis
- G01V2210/30—Noise handling
- G01V2210/32—Noise reduction
Landscapes
- Engineering & Computer Science (AREA)
- Remote Sensing (AREA)
- Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Acoustics & Sound (AREA)
- Environmental & Geological Engineering (AREA)
- Geology (AREA)
- General Life Sciences & Earth Sciences (AREA)
- General Physics & Mathematics (AREA)
- Geophysics (AREA)
- Geophysics And Detection Of Objects (AREA)
Abstract
本发明涉及一种基于PCA‑EMD的并行震源地震数据随机噪声压制方法,首先根据频谱分析估计有用信号频谱范围,然后依据有用信号频谱范围选择出经EMD分解得到的模态分量中有用信号主导的模态分量,其次将有用信号主导的模态分量和余项进行重构得到重构结果,最后根据相空间理论对重构结果构造Hankel矩阵,并对其进行PCA分解与恢复有用信号。经验证,该方法处理数据速度快,相比于EMD压制随机噪声方法,本方法能够在全频带范围压制随机噪声,并且在信噪频带混叠时,不仅能够压制噪声能量,还能有效保护信号细节。其良好的信噪比改善能力,使得处理后的目标数据定位误差更小,降低了数据处理成本,能够有效改善并行震源数据质量。在强噪声条件下本方法更具优势。
Description
技术领域:
本发明涉及一种地球物理勘探中的地震数据处理方法,尤其是基于PCA-EMD的并行震源地震数据随机噪声压制方法。
背景技术:
为了提高效率和降低成本,现在的地震勘探技术正在从单震源地震勘探方式向并行地震勘探方式发展。但并行震源地震勘探在采集过程中往往受到随机噪声的影响,采集到的并行地震数据中常伴有随机噪声,因此得到的地震数质量不高,进而影响了后期地震数据处理解释和偏移成像质量。并行震源地震数据涉及空间范围广,时间跨度大,造成不同地震道的随机噪声在能量强弱和稳定性方面差异性大,同时这种空间范围广的特点导致随机噪声的频率分布特性随着坏境的不同而发生变化,而常规单震源勘探方式受到的随机噪声在能量强弱、平稳性和噪声频率分布方面相对稳定,这两种勘探方式受到的随机噪声显著的差异使得常规单震源地震数据压噪方法无法适用于并行震源地震数据噪声压制。目前针对并行震源采集方式一般只能通过增加覆盖次数提高信噪比,但该方法会显著增加采集成本。而专门研究并行震源数据随机噪声压制方法的文献尚少见,在其它领域对随机噪声压制的方法主要有频域法和时域法两大类,频域法如小波滤波,维纳滤波等都在频率域进行噪声压制,虽然该类方法简单,但当有用信号频带与噪声频带混叠时,这类方法易损害有用信号细节。时域法如SVD、K-L等方法虽然可有效保护有用信号细节,但该类方法只适应于随机噪声能量较弱条件。可见,上述方法都不适应于并行震源数据随机噪声的压制。
发明内容:
本发明的目的就在于针对上述现有技术的不足,提供一种基于PCA-EMD的并行震源地震数据随机噪声压制方法。
本发明的思想是:并行震源地震勘探技术提高了工作效率和降低了生产成本,但采集得到的地震数据往往受到随机噪声的影响,这样获得的地震数据经常影响了后期地震数据处理解释和偏移成像质量,本发明首先通过信噪间频谱特征确定经EMD分解得到的有用信号占主导地位的模态分量并进行重构,将重构结果根据相空间理论构造Hankel矩阵,并对其进行主成分分解与有效信号的恢复,从而实现了并行震源地震勘探数据随机噪声的压制。
本发明的目的是通过以下技术方案实现的:
一种基于PCA-EMD的并行震源地震数据随机噪声压制方法,包括以下步骤:
a、对并行震源数据单道信号x(l)进行频谱分析,估计有用信号频谱范围,其中l为采样序列,l=1,2,…,N,N为最大采样点;
b、对x(l)进行EMD分解,得到若干模态分量及余项,x(l)通过下式进行EMD分解:
其中IMFk为模态分量中第k个模态分量,k=1,2,…,K,K为模态分量总数,r为余项;
c、按IMF1~IMFK的顺序分别进行频谱分析得到对应的频谱,若首次出现第s个模态分量(IMFs)的频谱主要位于有用信号频谱范围内,则IMFs~IMFK为有用信号占主导地位的模态分量,其中s≤K;
d、将IMFs~IMFK及余项进行重构得到重构结果x'(l),如公式
x'(l)=IMFs+IMFs+1+…+IMFK+r (2)
e、据相空间重构理论,对x'(l)构造Hankel矩阵
该矩阵的行数记为m,列数记为n,记m=N-n+1,若N为偶数,则令m=N/2+1,n=N/2,若N为奇数,则令m=(N+1)/2,n=(N+1)/2;
f、计算H的协方差矩阵Γ,如公式
其中HT为H的转置矩阵,“·”表示矩阵乘法;
g、用奇异值分解法,计算协方差矩阵Γ的特征值矩阵Λ和特征向量矩阵R,则存在公式
Γ=R·Λ·RT (5)
其中Λ为特征值由大到小排列的对角矩阵,Λ=diag[λ1,λ2,…,λn],λ1,λ2,…,λn为特征值,R为各个特征值对应的特征向量矩阵,RT为R的转置矩阵,且满足RT·R=R·RT=E,其中E为单位矩阵;
h、H经线性映射,得到主成分矩阵Φ,如公式
Φ=RT·H (6)
i、计算前p个特征值累计贡献率:
其中λj为特征值,p为所取特征值个数,1≤p≤n,j=1,2,…,n;
j、若满足则保留Φ的前p行主成分,其余各行置零得到Φ',并进行主成分重构,则得到重构矩阵:
Y=R·Φ' (8)
则Y为压制随机噪声后Hankel重构矩阵,其具体形式记为
h、令x”(l)=[y(1),y(2),···,y(N)],则x”(l)即为对应x(l)的压制随机噪声后的压噪信号。
有益效果:经试验,本发明公开的一种基于PCA-EMD的并行震源地震数据随机噪声压制方法能够实现在并行震源地震勘探数据中压制随机噪声,该算法处理数据快,相比于EMD压制随机噪声方法,本方法能够在全频带范围压制随机噪声,并且在信噪频带混叠时,不仅能够压制噪声能量,还能有效保护信号细节。由于其良好的信噪比改善能力,使得处理后的目标数据定位误差更小,降低了数据处理成本,此外在强噪声条件下本方法更具优势。
附图说明:
图1单道信号及频谱,(a)为单道信号,(b)为单道信号频谱
图2部分模态分量及对应频谱,(a)为IMF1,(b)为IMF1频谱,(c)为IMF2,(d)为IMF2频谱
图3压噪处理前后结果对比,(a)压噪前,(b)为压噪后
具体实施方式:
下面结合附图和实施例对本发明做进一步的详细说明:
在本实施例中使用2个震源为一组的方法进行激发,记录时间为3s,采样率1000Hz。
一种基于PCA-EMD的并行震源地震数据随机噪声压制方法,包括以下步骤:
a、对并行震源数据单道信号x(l)进行频谱分析,估计有用信号频谱范围,其中l为采样序列,l=1,2,…,N,N为最大采样点,本例中l=1,2,…,3001,N=3001,有用信号频谱范围为0~100Hz;
b、对x(l)进行EMD分解,得到若干模态分量及余项,x(l)通过下式进行EMD分解:
其中IMFk为模态分量中第k个模态分量,k=1,2,…,K,K为模态分量总数,r为余项,本例中k=1,2,…,10,K=10,r为余项;
c、按IMF1~IMFK的顺序分别进行频谱分析得到对应的频谱,若首次出现第s个模态分量(IMFs)的频谱主要位于有用信号频谱范围内,则IMFs~IMFK为有用信号占主导地位的模态分量,其中s≤K,本例中有用信号占主导地位的模态分量为IMF2~IMF10;
d、将IMFs~IMFK及余项进行重构得到重构结果x'(l),如公式
x'(l)=IMFs+IMFs+1+…+IMFK+r (2)
本例中x'(l)=IMF2+IMF3+…+IMF10+r;
e、据相空间重构理论,对x'(l)构造Hankel矩阵
该矩阵的行数记为m,列数记为n,记m=N-n+1,若N为偶数,则令m=N/2+1,n=N/2,若N为奇数,则令m=(N+1)/2,n=(N+1)/2,本例中m=1501,n=1501;
f、计算H的协方差矩阵Γ,如公式
其中HT为H的转置矩阵,“·”表示矩阵乘法,本例中n=1501;
g、用奇异值分解法,计算协方差矩阵Γ的特征值矩阵Λ和特征向量矩阵R,则存在公式
Γ=R·Λ·RT (5)
其中Λ为特征值由大到小排列的对角矩阵,Λ=diag[λ1,λ2,…,λn],λ1,λ2,…,λn为特征值,R为各个特征值对应的特征向量矩阵,RT为R的转置矩阵,且满足RT·R=R·RT=E,其中E为单位矩阵;
h、H经线性映射,得到主成分矩阵Φ,如公式
Φ=RT·H (6)
i、计算前p个特征值累计贡献率:
其中λj为特征值,p为所取特征值个数,1≤p≤n,j=1,2,…,n;
j、若满足则保留Φ的前p行主成分,其余各行置零得到Φ',并进行主成分重构,则得到重构矩阵:
Y=R·Φ' (8)
则Y为压制随机噪声后Hankel重构矩阵,其具体形式可记为
本例中p=300,保留Φ的前300行主成分;
h、令x”(l)=[y(1),y(2),···,y(N)],则x”(l)即为对应x(l)的压制随机噪声后的压噪信号。本例中x”(l)=[y(1),y(2),···,y(3001)]。
Claims (1)
1.一种基于PCA-EMD的并行震源地震数据随机噪声压制方法,其特征在于,包括以下步骤:
a、对并行震源数据单道信号x(l)进行频谱分析,估计有用信号频谱范围,其中l为采样序列,l=1,2,…,N,N为最大采样点;
b、对x(l)进行EMD分解,得到若干模态分量及余项,x(l)通过下式进行EMD分解:
其中IMFk为模态分量中第k个模态分量,k=1,2,…,K,K为模态分量总数,r为余项;
c、按IMF1~IMFK的顺序分别进行频谱分析得到对应的频谱,若首次出现第s个模态分量(IMFs)的频谱主要位于有用信号频谱范围内,则IMFs~IMFK为有用信号占主导地位的模态分量,其中s≤K;
d、将IMFs~IMFK及余项进行重构得到重构结果x'(l),如公式
x'(l)=IMFs+IMFs+1+…+IMFK+r (2)
e、据相空间重构理论,对x'(l)构造Hankel矩阵
该矩阵的行数记为m,列数记为n,记m=N-n+1,若N为偶数,则令m=N/2+1,n=N/2,若N为奇数,则令m=(N+1)/2,n=(N+1)/2;
f、计算H的协方差矩阵Γ,如公式
其中HT为H的转置矩阵,“·”表示矩阵乘法;
g、用奇异值分解法,计算协方差矩阵Γ的特征值矩阵Λ和特征向量矩阵R,则存在公式
Γ=R·Λ·RT (5)
其中Λ为特征值由大到小排列的对角矩阵,Λ=diag[λ1,λ2,…,λn],λ1,λ2,…,λn为特征值,R为各个特征值对应的特征向量矩阵,RT为R的转置矩阵,且满足RT·R=R·RT=E,其中E为单位矩阵;
h、H经线性映射,得到主成分矩阵Φ,如公式
Φ=RT·H (6)
i、计算前p个特征值累计贡献率:
其中λj为特征值,p为所取特征值个数,1≤p≤n,j=1,2,…,n;
j、若满足则保留Φ的前p行主成分,其余各行置零得到Φ',并进行主成分重构,则得到重构矩阵:
Y=R·Φ' (8)
则Y为压制随机噪声后Hankel重构矩阵,其具体形式可记为
h、令x″(l)=[y(1),y(2),···,y(N)],则x″(l)即为对应x(l)的压制随机噪声后的压噪信号。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810529954.XA CN108732624A (zh) | 2018-05-29 | 2018-05-29 | 一种基于pca-emd的并行震源地震数据随机噪声压制方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810529954.XA CN108732624A (zh) | 2018-05-29 | 2018-05-29 | 一种基于pca-emd的并行震源地震数据随机噪声压制方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN108732624A true CN108732624A (zh) | 2018-11-02 |
Family
ID=63936715
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810529954.XA Pending CN108732624A (zh) | 2018-05-29 | 2018-05-29 | 一种基于pca-emd的并行震源地震数据随机噪声压制方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108732624A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111290024A (zh) * | 2020-03-05 | 2020-06-16 | 吉林大学 | 一种svd自适应地震数据噪声压制方法 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2007138544A2 (en) * | 2006-05-25 | 2007-12-06 | Ikelle Luc T | Coding and decoding: seismic data modeling, acquisition and processing |
US20090323470A1 (en) * | 2008-06-30 | 2009-12-31 | Edward James Ferris | Method for attenuation of multiple reflections in seismic data |
CN105549076A (zh) * | 2015-12-08 | 2016-05-04 | 中国石油天然气股份有限公司 | 一种基于交替方向法和全变分理论的地震数据处理方法 |
CN106908840A (zh) * | 2017-05-09 | 2017-06-30 | 吉林大学 | 基于主成分分析的地震资料工频干扰自动识别与压制方法 |
CN107219555A (zh) * | 2017-05-31 | 2017-09-29 | 吉林大学 | 基于主成分分析的并行震源地震勘探资料强工频噪声压制方法 |
-
2018
- 2018-05-29 CN CN201810529954.XA patent/CN108732624A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2007138544A2 (en) * | 2006-05-25 | 2007-12-06 | Ikelle Luc T | Coding and decoding: seismic data modeling, acquisition and processing |
US20090323470A1 (en) * | 2008-06-30 | 2009-12-31 | Edward James Ferris | Method for attenuation of multiple reflections in seismic data |
CN105549076A (zh) * | 2015-12-08 | 2016-05-04 | 中国石油天然气股份有限公司 | 一种基于交替方向法和全变分理论的地震数据处理方法 |
CN106908840A (zh) * | 2017-05-09 | 2017-06-30 | 吉林大学 | 基于主成分分析的地震资料工频干扰自动识别与压制方法 |
CN107219555A (zh) * | 2017-05-31 | 2017-09-29 | 吉林大学 | 基于主成分分析的并行震源地震勘探资料强工频噪声压制方法 |
Non-Patent Citations (3)
Title |
---|
姜弢 等: "基于PCA最优阶数的并行震源工频噪声压制", 《仪器仪表学报》 * |
王文波 等: "基于主成分分析的经验模态分解消噪方法", 《电子学报》 * |
谭帅: "关于海洋电磁信号消噪的EMD算法研究", 《中国优秀硕士学位论文全文数据库 基础科学辑》 * |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111290024A (zh) * | 2020-03-05 | 2020-06-16 | 吉林大学 | 一种svd自适应地震数据噪声压制方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107144879B (zh) | 一种基于自适应滤波与小波变换结合的地震波降噪方法 | |
CN107179550B (zh) | 一种数据驱动的地震信号零相位反褶积方法 | |
CN107219555B (zh) | 基于主成分分析的并行震源地震勘探资料强工频噪声压制方法 | |
CA2599958A1 (en) | Removal of noise from seismic data using radon transformations | |
WO2008112036A1 (en) | Imaging of multishot seismic data | |
CN108828670B (zh) | 一种地震数据降噪方法 | |
CN112882099B (zh) | 一种地震频带拓宽方法、装置、介质及电子设备 | |
Özbek | Adaptive beamforming with generalized linear constraints | |
Wu et al. | Fast principal component analysis for stacking seismic data | |
Rekapalli et al. | A short note on the application of Singular Spectrum Analysis for Geophysical Data processing | |
Li | A principal component analysis approach to noise removal for speech denoising | |
CN112183407B (zh) | 一种基于时频域谱减法的隧道地震波数据去噪方法及系统 | |
CN108732624A (zh) | 一种基于pca-emd的并行震源地震数据随机噪声压制方法 | |
CN104765069B (zh) | 一种压制同步激发采集邻炮干扰的方法 | |
US11372122B2 (en) | High-resolution processing method for seismic data based on inverse multi-resolution singular value decomposition | |
Jiang et al. | Seismic wavefield information extraction method based on adaptive local singular value decomposition | |
Bing et al. | A robust random noise suppression method for seismic data using sparse low-rank estimation in the time-frequency domain | |
CN107678065B (zh) | 提高地震分辨率的保构造井控空间反褶积方法和装置 | |
Zhang et al. | The adaptive complex shock diffusion for seismic random noise attenuation | |
CN112285793B (zh) | 一种大地电磁去噪方法及系统 | |
Fang et al. | Seismic random noise suppression model based on downsampling and superresolution | |
CN112764108B (zh) | 一种基于改进经验小波变换的新型地震资料噪声压制算法 | |
LU et al. | A High‐Resolution Processing Technique for 3‐D Seismic Data Based on Signal Sub‐Space Decomposition | |
CN113640891A (zh) | 一种基于奇异谱分析的瞬变电磁探测数据噪声滤除方法 | |
Nakayama et al. | Machine-learning based data recovery and its benefit to seismic acquisition: Deblending, data reconstruction, and low-frequency extrapolation in a simultaneous fashion |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20181102 |
|
RJ01 | Rejection of invention patent application after publication |