基于压缩感知的弱信号提取算法
技术领域
本发明涉及石油地球物理勘探技术领域,特别是涉及到一种基于压缩感知的弱信号提取算法。
背景技术
随着油气勘探开发的不断深入,地震勘探任务由过去单纯的构造勘探发展到寻找复杂、隐蔽的油气藏,其具有面积小、构造复杂、在地震剖面上特征显示不明显的特点,地震资料品质差,有效信号基本湮灭在噪声干扰之中,开展弱信号的提取技术对于获取高质量的中深层地下成像结果具有非常重要的研究意义。
目前,针对弱地震反射信号提取方法包括:层析成像方法、高阶统计量方法、小波变换方法、奇异值分解(SVD)的方法、基于经验模态分解(EMD)的方法、基于F-X域预测去噪技术的随机噪声压制方法等,这些方法都可以从地震数据中提取有效信号,达到压制随机噪声的效果。单独使用一种方法往往不能取得理想的效果,很多学者对不同方法的结合进行弱信号的提取,也取得了一些成果。如宋维琪等将高阶统计量方法与小波变换结合,对薄层砂体弱反射信息进行了识别。如申请号为CN201410318284.9的专利申请公开了一种基于曲波变换和奇异值分解的地震资料联合去噪方法,该方法利用曲波变换去噪进行方向控制并降低噪声方差,利用改进的奇异值分解局部拉平同相轴,依次对每一个数据点处理,对整个地震剖面的噪声进行有效压制,并利用四叉树分解将曲波变换和奇异值分解进行结合,在压制随机噪声的同时有效保护信号。由于深部的有效弱信号和噪声干扰频带差异较小且难以区分,传统的去噪滤波方法的应用受到限制。
CEEMD(Complementary Ensemble Empirical Mode Decomposition,集合经验模态分解)作为一种时频分析方法,是希尔伯特黄变换的核心思想EMD(经验模态分解)方法的改进,克服EMD分解中存在的模态混叠现象,将含噪地震数据分解为一系列固定模态函数(IMF),对其进行不同尺度的描述,从而压制面波和随机噪声。各尺度具有正交性、完备性和自适应性,对地震信号的非平稳行分析有很大的优势。但单纯的CEEMD分解无法将频率特性相近的有效信号与噪声分离,因此会在去除噪声的同时压制有效信息。
压缩感知(Compressed Sensing,CS)是Candès等人在2006年的国际数学家大会上报告的一种有别于传统的Nyquist采样定理的新型的信号采样理论。CS是一种信号信息提取与恢复的过程,在采样过程中利用较少的数据有效提取信号信息,然后通过重建算法从采样信息中恢复原信号。信号提取过程是指对带噪信号进行处理,消除或者降低噪声的干扰,恢复出原来纯净的信号,所以,CS过程与有效信号提取的本质是类似的。因此,可以利用有效信号与干扰噪声在压缩过程中的不同特性,实现有效信号的提取。但经典CS去噪方法没有利用信号的先验知识(如信号的特征信息等),不具有自适应性,对于弱信号的提取也不能得到满意的结果。
由此可见,CEEMD分解去噪会在去除噪声的同时将部分有效信息也去掉,而经典CS去噪方法因为没有利用信号的先验知识(如信号的特征信息等)也不具有自适应性,对于弱信号的提取也不能得到满意的结果。为此我们发明了一种新的基于压缩感知的弱信号提取算法,解决了以上技术问题。
发明内容
本发明的目的是提供一种采用CEEMD与CS理论结合进行联合去噪的方法,通过互补的方式解决弱信号提取中存在的问题。
本发明的目的可通过如下技术措施来实现:基于压缩感知的弱信号提取算法,该基于压缩感知的弱信号提取算法包括:步骤1,输入含噪地震数据dobs,测量矩阵Ф,字典基矩阵Ψ;步骤2,集合经验模态分解,即CEEMD分解,将dobs分解为K个固定模态函数IMF分量;步骤3,进行IMF分量自相关分析;步骤4,分别对IMFk应用压缩感知CS去噪方法进行处理;步骤5,对CS去噪后的IMF分量及其余分量进行重构,得到去噪后的地震信号。
本发明的目的还可通过如下技术措施来实现:
在步骤1中,输入的字典基矩阵为能够对地震数据进行稀疏描述的过完备字典基矩阵。
在步骤2中,将dobs分解为K个IMF分量IMF1,…,IMFK,分解步骤如下:
(a)向原始信号dobs[n]中加入I组辅助白噪声wi[n](i=1,…,I),辅助噪声是以正、负对的方式加入,生成2I个分量:
dobs+为加入正辅助噪声的信号,dobs为加入负辅助噪声的信号;
(b)分别对集合中的每个信号dobs i[n](i=1,…,2I)做经验模态分解,即EMD分解,每个信号得到一组模态分量计算第1个本征固有函数:
第1个余量为
r1[n]=dobs[n]-IMF1[n] (3)
(c)计算第k(k=2,…,K)个余量:
rk[n]=rk-1[n]-IMFk[n] (4)
之后的分解函数变为rk[n]+ξkEk(wi[n]),第k+1个分量为
式中,系数ξk为信噪比,这里取常数,Ek(·)为EMD分解的第k个函数;重复步骤(c)直到筛选终止,得
经过一系列运算后,得到一组IMF函数。
在步骤3中,分别对K个IMF分量做自相关,并计算其主瓣宽度bk(k=1,…,K)及含噪地震数据自相关主瓣宽度b。
步骤4包括:
(A)判断bk≤b是否成立,如果成立继续步骤(B),如果不成立则 为最后得到的IMF分量,这里的这个IMF分量没有经过CS去噪,只有bk≤b时需要通过CS去噪处理;
(B)初始化:残余向量r(0)=IMFk,L=ρδN(ρ,δ∈[0,1])为最大迭代次数,N为向量长度,噪声水平σk,索引集合原子集合矩阵Θ=[]为空矩阵,迭代序号i=0;
(C)计算残差r(i)与模型矩阵的列向量φj内积,也即相似度cj=〈r(i),φj〉,1≤j≤N;
(D)对残差r(i)进行自适应阈值估计,设定稀疏硬阈值λ,通过筛选,记录稀疏值所在位置Ji={j:|ci(j)>λi|};
(E)更新硬阈值筛选后的索引集合Λi=Λi-1∪Ji,扩充原子集合矩阵Θ=[Θ,ΘI],ΘI为索引Ji所指的向量φ的集合;
(F)求解信号的最小二乘估计:同时更新残差r(i)=dk-Θci,dk为初始的IMFk;
(G)更新迭代次数i=i+1,判断是否满足迭代停止条件及是否i≤L,若不满足则转至步骤b继续迭代,否则迭代终止;
(H)求解C为稀疏变换系数矩阵,为采用CS去噪后的IMF分量。
在步骤(B)中,噪声水平σk采用中值估计方法估计,计算公式为:
式中:MAD表示绝对偏差的中值,为由最精细尺度的小波或曲波系数构成的含噪地震信号。
在步骤(D)中,硬阈值λ计算方法为:
首先,把各尺度、各方向的曲波系数平方后按照从小到大的顺序进行排序,得到向量A=[A1,…,AN],其中N为曲波系数的个数;
其次,根据向量A计算风险向量R=[R1,…,RN],其中
在风险向量R中找到最小的Ri作为风险值;
最后,由风险值Ri对应的曲波系数平方Ai求出阈值为其中σ=MAD(w1)/0.6745=median(|w1-median(w1)|)/0.6745,MAD为绝对偏差的中值,w1为IMF分量在最细尺度下的小波或曲波系数。
在步骤4中,对CS去噪后的IMF分量及其余分量进行重构的公式为:
式中:为CS去噪后的IMF分量及其余分量,r为残差余量。
本发明中的基于压缩感知的弱信号提取算法,利用CEEMD方法自适应地将复杂地震信号分解成一系列的固有模态分量(IMF),再通过自相关分析选择需要进行信噪分离的分量,利用CS去噪方法对其随机噪声进行压制,在保护有效信号(尤其是深部的有效弱信号)的同时精确地压制噪声干扰。本发明提出的方法,通过互补的方式解决弱信号提取中存在的问题,去噪后剖面信噪比较高,高频信息得到了有效压制,中低频的噪音与弱有效信号也得到了有效分离。
附图说明
图1为本发明的基于压缩感知的弱信号提取算法的一具体实施例的流程图;
图2为含噪地震记录的示意图;
图3为CEEMD去噪结果示意图;
图4为CS去噪结果示意图;
图5为本发明的一具体实施例中去噪结果示意图;
图6为分别采用CEEMD、CS、本发明去噪结果的频谱图对比图;
图7为图6频谱图的局部放大图。
具体实施方式
为使本发明的上述和其他目的、特征和优点能更明显易懂,下文特举出较佳实施例,并配合附图所示,作详细说明如下。
如图1所示,图1为本发明的基于压缩感知的弱信号提取算法的流程图。
步骤101:输入含噪地震数据dobs,测量矩阵Ф,字典基矩阵Ψ。
在CS去噪的过程中,需要首先确定字典基矩阵Ψ,只有字典基能对信号进行稀疏描述,才可以实现对信号的准确重构。Curvelet变换是Candès和Donoho于1999年提出的,采取具有高度方向灵敏性和各向异性的基函数形式,克服了可分离小波变换对于信号中简单构造(如直线、曲线和边缘)的稀疏表征能力不足。近几年,曲波在地震勘探领域取得了非常成功的应用,如去噪、规则化、地震成像等。因此,本发明选择曲波域的过完备字典基矩阵。
步骤102:CEEMD分解,将dobs分解为K个IMF分量(IMF1,…,IMFK),分解步骤如下:
(1)向原始信号dobs[n]中加入I组辅助白噪声wi[n](i=1,…,I),辅助噪声是以正、负对的方式加入,生成2I个分量:
(2)分别对集合中的每个信号dobs i[n](i=1,…,2I)做EMD分解,每个信号得到一组模态分量计算第1个本征固有函数:
第1个余量为
r1[n]=dobs[n]-IMF1[n] (3)
(3)计算第k(k=2,…,K)个余量:
rk[n]=rk-1[n]-IMFk[n] (4)
之后的分解函数变为rk[n]+ξkEk(wi[n]),第k+1个分量为
式中,系数ξk为信噪比,这里取常数,Ek(·)为EMD分解的第k个函数。重复步骤(3)直到筛选终止,得
经过一系列运算后,得到一组IMF函数。
步骤103:IMF分量自相关分析:分别对K个IMF分量做自相关,并计算其主瓣宽度bk(k=1,…,K)及含噪地震数据自相关主瓣宽度b;
步骤104:分别对IMFk应用CS去噪方法进行处理,具体步骤如下:
(1)判断bk≤b是否成立,如果成立继续步骤(2),如果不成立则
(2)初始化:残余向量r(0)=IMFk,L=ρδN(ρ,δ∈[0,1])为最大迭代次数,N为向量长度,噪声水平σk,索引集合原子集合矩阵Θ=[]为空矩阵,迭代序号i=0;
(3)计算残差r(i)与模型矩阵的列向量φj内积,也即相似度cj=〈r(i),φj〉,1≤j≤N;
(4)对残差r(i)进行自适应阈值估计,设定稀疏硬阈值λ,通过筛选,记录稀疏值所在位置Ji={j:|ci(j)>λi|};
(5)更新硬阈值筛选后的索引集合Λi=Λi-1∪Ji,扩充原子集合矩阵Θ=[Θ,ΘI],ΘI为索引Ji所指的向量φ的集合;
(6)求解信号的最小二乘估计:同时更新残差r(i)=dk-Θci;
(7)更新迭代次数i=i+1,判断是否满足迭代停止条件及是否i≤L,若不满足则转至步骤b继续迭代,否则迭代终止;
(8)求解
步骤(2)中的噪声水平σk采用中值估计方法估计,其主要思想是在最精细尺度下含噪信号的曲波系数主要由噪声构成,而真实信号在最细尺度上的系数是非常稀疏的,可以被看做异常值。本发明采用下面的估计:
式中:MAD表示绝对偏差的中值,为由最精细尺度的曲波系数构成的含噪地震信号。
步骤(4)中的硬阈值λ计算方法为:
首先,把各尺度、各方向的曲波系数平方后按照从小到大的顺序进行排序,得到向量A=[A1,…,AN],其中N为曲波系数的个数;
其次,根据向量A计算风险向量R=[R1,…,RN],其中
在风险向量R中找到最小的Ri作为风险值。
最后,由风险值Ri对应的曲波系数平方Ai求出阈值为其中σ=MAD(w1)/0.6745=median(|w1-median(w1)|)/0.6745,MAD为绝对偏差的中值,w1为IMF分量在最细尺度下的曲波系数。
步骤105:对CS去噪后的IMF分量及其余分量进行重构如式(8),得到去噪后的地震信号
式中:为CS去噪后的IMF分量及其余分量,r为残差余量。
图2为加入均方差为0.5倍有效信号振幅的高斯白噪声的复杂构造合成地震记录,图3-5为分别采用CEEMD分解小波去噪、CS去噪和本发明方法进行去噪处理的结果,
综合考虑去噪后剖面的质量,可以看出:①采用CEEMD小波去噪方法只能压制高频信息,即对0.22s、0.46s、0.52s处的能量较强的有效信号进行比较好的识别,对于能量与有效信息相当的中低频信息无法进行压制,信噪比较低;②CS去噪方法能够对中低频信息进行有效压制,但是对于部分能量较高的高频信息无法进行压制,信噪比也较低;③本发明方法去噪后剖面信噪比较高,高频信息得到了有效压制,中低频的噪音与弱有效信号也得到了有效分离。综合分析对比可见,本发明算法具有较好的噪声压制效果。
三种方法去噪后数据按式(9)计算SNR和MSE分别为1.5、1.9、2.4和1.321×105、6.302×104、3.915×103,
式中:SNR为信噪比;表示模的平方,即能量;M为去噪后地震数据;S为含噪地震数据;MSE为均方误差;xk为含噪地震数据;为去噪后地震数据;p为采样点数。
本文发明得到的SNR值高于其他两种方法得到的值,MSE值明显小于其他两种方法得到的数值,因此本文方法的降噪效果更好。
为了更好地说明本发明方法的有效性,对加噪合成地震记录进行频谱分析,图6-7为含噪信号使用不同方法去噪后的信号的振幅谱比较图及降噪结果的局部放大对比图,可以看出CEEMD小波去噪方法只能压制部分高频噪音,且在低频还引入了部分噪音,CS去噪方法能够对低频噪声进行有效压制,高频噪音不能很好的压制,本文提出的方法可以对全频率的噪声进行有效压制。
综合计算的SNR、MSE及图2-图7可以看出,本发明方法在信噪比上较其他两种方法有一定的提高,淹没在强噪声背景中的有效弱信号能够得到的有效识别。此外,降噪得到的地震信号与原地震信号具有更小的差异,在压制随机噪声的同时较好地保留了地震信号的大部分细节信息。
本发明将压缩感知理论引入地震数据弱信号去噪中,提出了面向复杂地质构造的地震数据去噪方法。本发明针对含弱信号的地震资料和叠加剖面数据,采用CEEMD方法与CS理论结合进行联合去噪的方法,通过CEEMD方法自适应地将复杂地震信号分解成一系列的固有模态分量(IMF),再通过自相关分析选择需要进行信噪分离的分量,利用CS去噪方法对各分量的随机噪声进行压制,在保护有效信号(尤其是深部的有效弱信号)的同时精确地压制噪声干扰。