CN112305586A - 非稳态地震资料时频分析方法、计算机存储介质及系统 - Google Patents

非稳态地震资料时频分析方法、计算机存储介质及系统 Download PDF

Info

Publication number
CN112305586A
CN112305586A CN201910689120.XA CN201910689120A CN112305586A CN 112305586 A CN112305586 A CN 112305586A CN 201910689120 A CN201910689120 A CN 201910689120A CN 112305586 A CN112305586 A CN 112305586A
Authority
CN
China
Prior art keywords
time
varying
wavelet
frequency analysis
varying wavelet
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
Application number
CN201910689120.XA
Other languages
English (en)
Inventor
纪永祯
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
China Petroleum and Chemical Corp
Sinopec Geophysical Research Institute
Original Assignee
China Petroleum and Chemical Corp
Sinopec Geophysical Research Institute
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by China Petroleum and Chemical Corp, Sinopec Geophysical Research Institute filed Critical China Petroleum and Chemical Corp
Priority to CN201910689120.XA priority Critical patent/CN112305586A/zh
Publication of CN112305586A publication Critical patent/CN112305586A/zh
Pending legal-status Critical Current

Links

Images

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
    • G01V1/282—Application of seismic models, synthetic seismograms
    • 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
    • G01V1/30—Analysis
    • G01V1/306—Analysis for determining physical properties of the subsurface, e.g. impedance, porosity or attenuation profiles

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

本发明公开了一种非稳态地震资料时频分析方法、计算机存储介质及系统，该方法包括：根据时变子波库和时变子波分解系数，确定时变地震记录；根据时变子波库，基于核稀疏回归方法估计时变子波分解系数的取值后，构建时变子波子集；基于魏格纳威利分布算法确定时变地震记录的时频分布，该计算机存储介质中存储有计算机程序，当计算机程序被处理器执行时执行该方法，该系统包括处理器和存储器，处理器在执行存储器中存储的计算机程序时执行该方法。本发明引入稀疏核回归方法，将时变子波作为学习样本，结合魏格纳威利分布算法，获取地震数据的时频域分布特征，避免了魏格纳威利分布算法的交叉项干扰，提高了时频分析的精确度。

Description

非稳态地震资料时频分析方法、计算机存储介质及系统
技术领域
本发明涉及地震勘探技术领域，尤其涉及一种非稳态地震资料时频分析方法，还涉及应用该时频分析方法的存储介质及系统。
背景技术
地震波在地下传播时往往受到吸收衰减等因素的影响，使得地震记录表现为非稳态的特征。时频分析方法是地震数据处理、解释中常用的技术方法。将时间域地震信号变换到时频域，通过对非稳态地震信号时频域特征的分析可以获得衰减特征或储层相关的各种属性，有利于储层评价、含气性预测等油藏描述环节。
现有技术中的时频分析方法主要包括短时傅里叶变换、S变换、广义S变换、魏格纳威利分布和匹配追踪，其中短时傅里叶变换、S变换、广义S变换等属于时窗类分析方法，它们无法兼顾时间域和频率域的分辨率，导致分辨率不足以满足储层描述需求；魏格纳威利分布方法受到交叉项的干扰严重，时频分析结果分辨率受到严重影响；匹配追踪时频分析方法属于子波分解类时频分析方法，有利于提高时频分析结果的分辨率，并可以改善其交叉项干扰，但由于其对信号的分解需要人工控制参数的介入，容易引起人为误差，并且分辨率不足以识别薄层。
发明内容
本发明要解决的技术问题是：现有技术中由于时频分析方法的分辨率较低而导致的不能满足储层描述需求、不能识别薄层等问题。
为解决上述技术问题，本发明提供了一种非稳态地震资料时频分析方法、计算机存储介质及系统。
根据本发明的第一个方面，提供了一种非稳态地震资料时频分析方法，其包括：
构建时变子波库；
根据所述时变子波库以及时变子波分解系数，确定时变地震记录，所述时变子波分解系数为合成所述时变地震记录的时变地震褶积模型的反射系数；
根据所述时变子波库，基于核稀疏回归方法估计所述时变子波分解系数的取值；
基于估计的时变子波分解系数的取值，构建时变子波子集；
根据所述时变子波分解系数和时变子波子集，基于魏格纳威利分布算法确定所述时变地震记录的时频分布，以对非稳态地震资料进行时频分析，并基于时频分析结果获得利于油藏描述的衰减特征属性及储层属性。
优选的是，所述时变子波库由多个雷克子波构成。
优选的是，构建所述时变子波库包括：
选取相同主频、相同相位和不同中心时差的雷克子波为构建所述时变子波库的样本；
保存多个所述样本，以构建所述时变子波库。
优选的是，基于核稀疏回归方法估计所述时变子波分解系数的取值，包括：
确定假设参数，并根据该假设参数确定所述时变地震记录的似然函数；
基于每一个待估计子波分解系数的先验分布对待估计时变子波分解系数进行稀疏约束；
根据所述似然函数和所述先验分布，确定待估计时变子波分解系数的后验概率；
基于所述后验概率，估计所述假设参数；
根据估计的假设参数，估计所述时变子波分解系数的取值。
优选的是，根据所述后验概率，基于边缘似然函数估计所述假设参数。
优选的是，根据所述边缘似然函数，基于最大期望算法估计所述假设参数。
优选的是，构建所述时变子波子集，包括：
根据估计的时变子波分解系数的取值，确定非零的时变子波分解系数的位置坐标；
针对确定的每个位置坐标，在所述时变子波库中获取与该位置坐标对应的子波；
保存确定的所有子波，以构建所述时变子波子集。
优选的是，基于魏格纳威利分布算法确定所述时变地震记录的时频分布，包括：
针对与所述时变子波库中的子波对应的每一个非零的时变子波分解系数，确定与该时变子波分解系数对应的地震子波的L2范数；
针对所述时变子波子集，确定该时变子波子集的魏格纳威利分布结果；
根据所述L2范数、魏格纳威利分布结果和时变子波分解系数，确定所述时变地震记录的时频分布。
根据本发明的第二个方面，提供了一种计算机存储介质，所述计算机存储介质中存储有计算机程序，当所述计算机程序被一个或多个处理器执行时，执行如上所述的时频分析方法。
根据本发明的第三个方面，提供了一种计算机系统，其包括处理器和存储器，所述存储器中存储有计算机程序，所述处理器在执行所述计算机程序时，执行如上所述的时频分析方法。
与现有技术相比，上述方案中的一个或多个实施例可以具有如下优点或有益效果：
本发明通过引入机器学习中的稀疏核回归方法，并将时变子波作为学习样本，结合魏格纳威利分布算法，获取地震数据的时频域分布特征，避免了魏格纳威利分布算法的交叉项干扰，减少了子波分解类时频分析方法的计算时间，同时提高了时频分析的精确度和对薄层的识别能力，且获得的高分辨率时频分析成果和单频时频分析剖面有助于地震资料属性的提取和后续的储层描述、解释研究。
附图说明
通过结合附图阅读下文示例性实施例的详细描述可更好地理解本公开的范围。其中所包括的附图是：
图1为本发明实施例的方法流程图；
图2为本发明实施例估计时变子波分解系数的取值的方法流程图；
图3为本发明实施例构建时变子波子集的方法流程图；
图4为本发明实施例确定时变地震记录的时频分布的方法流程图；
图5a为本发明实施例合成模拟记录所用雷克子波示意图；
图5b为本发明实施例的加噪音模拟地震记录示意图；
图5c为本发明实施例获得的时频谱示意图；
图6a为本发明实施例获得的分解子波示意图；
图6b为基于正交匹配追踪方法获得的分解子波示意图；
图7a为本发明实施例获得的加噪音地震记录的时频分布示意图；
图7b为本发明实施例获得的加噪音地震记录的时频分布示意图；
图7c为基于Gabor变换获得的时频谱示意图；
图8a为基于Gabor变换获得的井旁地震道实际资料时频谱示意图；
图8b为本发明实施例获得的时频谱示意图；
图8c为基于正交匹配追踪方法获得的时频谱示意图；
图9a为基于Gabor变换获得的实际地震资料的30Hz单频时频切片示意图；
图9b为基于正交匹配追踪方法获得的30Hz单频时频切片示意图；
图9c为本发明实施例获得的30Hz单频时频切片示意图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚，以下将结合附图及实施例来详细说明本发明的实施方法，借此对本发明如何应用技术手段来解决技术问题，并达成技术效果的实现过程能充分理解并据以实施。
现有技术中由于时频分析方法的分辨率较低而导致的不能满足储层描述需求、不能识别薄层等问题。
实施例一
本实施例提供一种非稳态地震资料时频分析方法，图1示出了本发明实施例的方法流程图，如图1所示，其主要包括以下步骤S101至步骤S105。
在步骤S101中，由于非稳态地震记录具有时变特征，构建子波库时需要考虑时变特点，因而构建时变子波库，进一步的，时变子波库由多个雷克子波构成，雷克子波与真实地震子波的相似性最高，其也是地震勘探中最常用的子波之一，因而选取雷克子波构建时变子波库，构建时变子波库主要包括以下步骤S1011至步骤S1012。
在步骤S1011中，选取相同主频、相同相位和不同中心时差的雷克子波为构建时变子波库的样本。
在步骤S1012中，保存多个样本，以构建时变子波库。
在步骤S102中，若想将时变子波库与时变地震记录联系起来，需要在一般的地震褶积模型的基础上进行修改，将反射系数的定义拓展为时变子波分解系数，即根据时变子波库以及时变子波分解系数，确定时变地震记录，时变子波分解系数为合成时变地震记录的时变地震褶积模型的反射系数。
图2示出了本发明实施例估计时变子波分解系数的取值的方法流程图，如图2所示，在步骤S103中，根据时变子波库，将时变子波库看成是稀疏核，基于核稀疏回归方法估计时变子波分解系数的取值。
具体的，基于核稀疏回归方法估计时变子波分解系数的取值，主要包括以下步骤S1031至步骤S1035。
在步骤S1031中，确定假设参数，并根据该假设参数确定时变地震记录的似然函数。
在步骤S1032中，基于每一个待估计子波分解系数的先验分布对待估计时变子波分解系数进行稀疏约束。
这种先验分布对待估计子波分解系数的稀疏程度起控制作用，当估计出的方差趋近于正无穷时，相应的子波分解系数为零；当大部分子波分解系数为零时，代表结果更稀疏，所以这种分布可以控制稀疏的程度，而稀疏度高的优势能够有效提高分辨率。
在步骤S1033中，在贝叶斯框架下，待估计的子波分解系数的后验概率可以写成先验信息和似然函数的乘积，则根据似然函数和先验分布，确定待估计时变子波分解系数的后验概率。
在步骤S1034中，基于后验概率，估计假设参数。
进一步的，根据后验概率，基于边缘似然函数估计假设参数，该方法通过将边缘似然函数最大化获得参数估计。
根据边缘似然函数，基于最大期望算法估计假设参数，最大期望算法可以在算法进行中，自适应的改变估计时的中间参数，有利于算法收敛并提高估计结果在含噪时的准确性，有效减少了人为误差的引入，提高了时频分析方法的精度，并同时提高了计算效率。
在步骤S1035中，根据估计的假设参数，估计时变子波分解系数的取值。
至此，即通过稀疏核回归方法训练了地震褶积模型并获得了子波分解系数的估计，并且基于该稀疏核回归方法的时频分析方法提高了时频分析的分辨率，进而有效提高了薄层识别能力。
在步骤S104中，基于估计的时变子波分解系数的取值，构建时变子波子集。
具体的，图3示出了本发明实施例构建时变子波子集的方法流程图，如图3所示，构建时变子波子集，主要包括以下步骤S1041至步骤S1042。
在步骤S1041中，根据估计的时变子波分解系数的取值，确定非零的时变子波分解系数的位置坐标。
在步骤S1042中，针对确定的每个位置坐标，在时变子波库中获取与该位置坐标对应的子波。
在步骤S1043中，保存确定的所有子波，以构建时变子波子集。
通过时变子波分解系数确定的时变子波子集，能够使时变子波子集中的子波呈现规范化，避免了使用魏格纳威利分布算法时受到交叉项干扰严重的问题。
在步骤S105中，根据时变子波分解系数和时变子波子集，基于魏格纳威利分布算法确定时变地震记录的时频分布，以对非稳态地震资料进行时频分析，并基于时频分析结果获得利于油藏描述的衰减特征属性及储层属性，优选的，本发明的时频分析方法同样可以应用到各种地震资料的时频分析、时频属性提取和分频处理等方面。
具体的，图4示出了本发明实施例确定时变地震记录的时频分布的方法流程图，如图4所示，基于魏格纳威利分布算法确定时变地震记录的时频分布，主要包括以下步骤S1051至步骤S1053。
在步骤S1051中，针对与时变子波库中的子波对应的每一个非零的时变子波分解系数，确定与该时变子波分解系数对应的地震子波的L2范数，解决地震褶积模型训练中的过拟合现象。
在步骤S1052中，针对时变子波子集，确定该时变子波子集的魏格纳威利分布结果。
在步骤S1053中，根据L2范数、魏格纳威利分布结果和时变子波分解系数，确定时变地震记录的时频分布。
基于稀疏核回归方法所得的子波分解系数使得时频分析时的时频谱具有更高的时频聚焦性。
以下为本实施例的具体演算过程。
首先，相同主频、相同相位的不同中心时差的雷克子波可以写成以下褶积矩阵的形式：
Figure BDA0002147312810000071
其中，W为(n+m-1)×n的矩阵，n代表子波采样点数，m代表反射系数采样点数，wn代表子波在第n采样点的值。
将不同主频、不同相位的不同中心时差的雷克子波褶积矩阵组成如下子波库：
Figure BDA0002147312810000072
其中Wij(i＝1，…，I；j＝1，…，J)代表主频为i，相位为j的子波褶积矩阵，I为选取的子波主频总数，J为选取的相位总数，
Figure BDA0002147312810000073
为(n+m-1)×(n×I×J)的矩阵。
其次，将时变地震记录写成以下由不同主频、不同相位的不同中心时差的雷克子波组成的时变子波库与时变子波分解系数的线性矩阵形式：
Figure BDA0002147312810000074
其中，S为时变地震记录，采样点数为n+m-1，
Figure BDA0002147312810000075
代表对应于Wij子波的子波分解系数，n代表地震记录采样点数，
Figure BDA0002147312810000081
为(n×I×J)×1的向量，该系数具有稀疏性。
然后，采用常用假设，即假设时变地震记录中含有噪音n，符合零均值高斯分布，方差为σ2，那么时变地震记录的似然函数可以写成：
Figure BDA0002147312810000082
其中，E＝σ-2I，|·|代表矩阵的行列式，d＝S，
Figure BDA0002147312810000083
通过引入层状高斯分布作为每一个待估计子波分解系数的先验分布，对待估计子波分解系数进行稀疏约束，该先验信息如下：
Figure BDA0002147312810000084
其中，h＝[h1 ... hK]T包含了K个独立的参数，K＝n×I×J，这代表着每一个子波分解系数都服从零均值高斯分布，方差为
Figure BDA0002147312810000085
在贝叶斯框架下，待估计的子波分解系数的后验概率可以写成先验信息和似然函数的乘积，即待估计的子波分解系数的后验概率可以：
Figure BDA0002147312810000086
其中，
Figure BDA0002147312810000087
Σ代表协方差矩阵，μ代表待估计参数的后验概率的均值，也就是待估计的子波分解系数，H＝diag(h1 ... hk)是一个对角矩阵。待估计子波分解系数的均值μ由参数h和噪音方差σ2。
为了获得子波分解系数的估计，需要先计算参数h和噪音方差σ2。上述两个参数通过第二型最大似然估计方法获得，该方法通过将边缘似然函数最大化获得参数估计，边缘似然函数可以写成：
Figure BDA0002147312810000088
其中Q＝σ2I+GH-1GH，那么通过上式进行h估计，进而带入上式获得μ的估计，然后反复迭代获得最终的参数估计结果，反复迭代的判断依据人为给出，可为迭代次数、误差范围等。
通过上式估计h，需采用基于最大期望算法的估计方法，该最大期望算法通过如下公式求解h和σ2的估计：
Figure BDA0002147312810000091
其中M是当前非零反射系数的个数，即h与待估计参数的均值和方差有关，参数σ2与资料匹配程度和稀疏度有关，至此，即通过稀疏核回归方法训练模型并获得了子波分解系数的估计。
最后，获得了子波分解系数μ(即
Figure BDA0002147312810000093
的稀疏约束估计结果)后，假设非零子波分解系数的个数为N，通过非零子波分解系数的位置坐标，在时变子波库中找到对应的某一确定主频和相位的子波，并将这些子波提取出来形成子波子集Φn(n＝1，…，N)。通过下面公式求取时变地震记录的时频分布：
Figure BDA0002147312810000092
其中，Wseismic是时变地震记录的时频谱，n＝1，…，N，||Φn||是与第n个非零系数对应的雷克子波的L2范数，WVD(·)代表常规魏格纳威利分布结果。
为了更好地验证由本发明实施例带来的上述有益效果，以下结合图5a至图9c进行详细地阐述。具体地，通过实际数据的处理验证，来验证本发明实施例方法的的实用性和优势。
首先，本实施例提供一个模拟地震资料的时频分析实例，以体现所提出的时频分析方法的子波自适应分解能力、抗噪音能力和分辨率优势。
具体的，图5a示出了本发明实施例合成模拟记录所用雷克子波示意图，图5b示出了本发明实施例的加噪音模拟地震记录示意图，图5c示出了本发明实施例获得的时频谱示意图，从图5a至图5c可知，即使资料中存在较多的噪音，本发明的时频分析方法也获得了真实时频谱的准确估计。
图6a示出了本发明实施例获得的分解子波示意图，图6b示出了基于正交匹配追踪方法获得的分解子波示意图，从图6a和图6b可知，不同方法获得的分解子波上，本发明的时频分析方法更好的获得了分解时变子波，而匹配追踪算法获得的分解时变子波更加冗余。
图7a示出了本发明实施例获得的加噪音地震记录的时频分布示意图，图7b示出了本发明实施例获得的加噪音地震记录的时频分布示意图，图7c示出了基于Gabor变换获得的时频谱示意图，从图7a至图7c可知，本发明的时频分析方法在时频分析的准确度和分辨率上具有实在的优势。
其次，本实施例提供一个实际地震资料的井旁道地震资料时频分析实例和二维剖面的应用实例，以体现本发明的时频分析方法的实际应用能力和优势。
图8a示出了基于Gabor变换获得的井旁地震道实际资料时频谱示意图；图8b示出了本发明实施例获得的时频谱示意图；图8c示出了基于正交匹配追踪方法获得的时频谱示意图；图9a示出了基于Gabor变换获得的实际地震资料的30Hz单频时频切片示意图；图9b示出了基于正交匹配追踪方法获得的30Hz单频时频切片示意图；图9c示出了本发明实施例获得的30Hz单频时频切片示意图。可以看出，在图8a至图8c中360ms-560ms的时间段、780ms-920ms以及图9a至图9c中420ms-610ms的时间段内，无论是井旁道地震资料还是二维剖面上的应用，本发明的时频分析方法都展现了更高的时频分析精度和时频聚焦性。
实施例二
本实施例提供一种计算机存储介质，该计算机存储介质中存储有计算机程序，当计算机程序被一个或多个处理器执行时，执行如实施例一中所述的时频分析方法。
实施例三
本实施例提供一种计算机系统，其包括处理器和存储器，存储器中存储有计算机程序，处理器在执行计算机程序时，执行如实施例一中所述的时频分析方法。
虽然本发明所公开的实施方式如上，但的内容只是为了便于理解本发明而采用的实施方式，并非用以限定本发明。任何本发明所属技术领域内的技术人员，在不脱离本发明所公开的精神和范围的前提下，可以在实施的形式上及细节上作任何的修改与变化，但本发明的保护范围，仍须以所附的权利要求书所界定的范围为准。

Claims (10)

1.一种非稳态地震资料时频分析方法，其特征在于，包括：
构建时变子波库；
根据所述时变子波库以及时变子波分解系数，确定时变地震记录，所述时变子波分解系数为合成所述时变地震记录的时变地震褶积模型的反射系数；
根据所述时变子波库，基于核稀疏回归方法估计所述时变子波分解系数的取值；
基于估计的时变子波分解系数的取值，构建时变子波子集；
根据所述时变子波分解系数和时变子波子集，基于魏格纳威利分布算法确定所述时变地震记录的时频分布，以对非稳态地震资料进行时频分析，并基于时频分析结果获得利于油藏描述的衰减特征属性及储层属性。
2.根据权利要求1所述的时频分析方法，其特征在于：所述时变子波库由多个雷克子波构成。
3.根据权利要求2所述的时频分析方法，其特征在于：构建所述时变子波库包括：
选取相同主频、相同相位和不同中心时差的雷克子波为构建所述时变子波库的样本；
保存多个所述样本，以构建所述时变子波库。
4.根据权利要求1所述的时频分析方法，其特征在于：基于核稀疏回归方法估计所述时变子波分解系数的取值，包括：
确定假设参数，并根据该假设参数确定所述时变地震记录的似然函数；
基于每一个待估计子波分解系数的先验分布对待估计时变子波分解系数进行稀疏约束；
根据所述似然函数和所述先验分布，确定待估计时变子波分解系数的后验概率；
基于所述后验概率，估计所述假设参数；
根据估计的假设参数，估计所述时变子波分解系数的取值。
5.根据权利要求4所述的时频分析方法，其特征在于：根据所述后验概率，基于边缘似然函数估计所述假设参数。
6.根据权利要求5所述的时频分析方法，其特征在于：根据所述边缘似然函数，基于最大期望算法估计所述假设参数。
7.根据权利要求1所述的时频分析方法，其特征在于：构建所述时变子波子集，包括：
根据估计的时变子波分解系数的取值，确定非零的时变子波分解系数的位置坐标；
针对确定的每个位置坐标，在所述时变子波库中获取与该位置坐标对应的子波；
保存确定的所有子波，以构建所述时变子波子集。
8.根据权利要求1所述的时频分析方法，其特征在于：基于魏格纳威利分布算法确定所述时变地震记录的时频分布，包括：
针对与所述时变子波库中的子波对应的每一个非零的时变子波分解系数，确定与该时变子波分解系数对应的地震子波的L2范数；
针对所述时变子波子集，确定该时变子波子集的魏格纳威利分布结果；
根据所述L2范数、魏格纳威利分布结果和时变子波分解系数，确定所述时变地震记录的时频分布。
9.一种计算机存储介质，其特征在于：所述计算机存储介质中存储有计算机程序，当所述计算机程序被一个或多个处理器执行时，执行如权利要求1-8任一项所述的时频分析方法。
10.一种计算机系统，其特征在于：包括处理器和存储器，所述存储器中存储有计算机程序，所述处理器在执行所述计算机程序时，执行如权利要求1-8任一项所述的时频分析方法。
CN201910689120.XA 2019-07-29 2019-07-29 非稳态地震资料时频分析方法、计算机存储介质及系统 Pending CN112305586A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910689120.XA CN112305586A (zh) 2019-07-29 2019-07-29 非稳态地震资料时频分析方法、计算机存储介质及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910689120.XA CN112305586A (zh) 2019-07-29 2019-07-29 非稳态地震资料时频分析方法、计算机存储介质及系统

Publications (1)

Publication Number Publication Date
CN112305586A true CN112305586A (zh) 2021-02-02

Family

ID=74329416

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910689120.XA Pending CN112305586A (zh) 2019-07-29 2019-07-29 非稳态地震资料时频分析方法、计算机存储介质及系统

Country Status (1)

Country Link
CN (1) CN112305586A (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113777650A (zh) * 2021-08-12 2021-12-10 西安交通大学 一种基于混合范数和小波变换的稀疏时频谱分解方法、装置、设备及存储介质
CN114063151A (zh) * 2021-11-16 2022-02-18 成都理工大学 高精度叠前地震数据衰减属性提取方法及系统

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20020183932A1 (en) * 2000-09-29 2002-12-05 West Brian P. Method for mapping seismic attributes using neural networks
US20100186950A1 (en) * 2007-07-16 2010-07-29 Ramesh Neelamani Geologic Features From Curvelet Based Seismic Attributes
CN104297635A (zh) * 2014-10-14 2015-01-21 河南理工大学 基于原子稀疏分解与极限学习机的配电网故障选线方法
CN105572727A (zh) * 2014-10-16 2016-05-11 中国石油化工股份有限公司 基于孔隙流体参数频变反演的储层流体识别方法

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20020183932A1 (en) * 2000-09-29 2002-12-05 West Brian P. Method for mapping seismic attributes using neural networks
US20100186950A1 (en) * 2007-07-16 2010-07-29 Ramesh Neelamani Geologic Features From Curvelet Based Seismic Attributes
CN104297635A (zh) * 2014-10-14 2015-01-21 河南理工大学 基于原子稀疏分解与极限学习机的配电网故障选线方法
CN105572727A (zh) * 2014-10-16 2016-05-11 中国石油化工股份有限公司 基于孔隙流体参数频变反演的储层流体识别方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
SANYI YUAN ET AL.: "Sparse Bayesian Learning-Based Seismic High-Resolution Time-Frequency Analysis", IEEE GEOSCIENCE AND REMOTE SENSING LETTERS, vol. 16, no. 4, pages 623 - 625 *

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113777650A (zh) * 2021-08-12 2021-12-10 西安交通大学 一种基于混合范数和小波变换的稀疏时频谱分解方法、装置、设备及存储介质
CN114063151A (zh) * 2021-11-16 2022-02-18 成都理工大学 高精度叠前地震数据衰减属性提取方法及系统

Similar Documents

Publication Publication Date Title
US10672414B2 (en) Systems, methods, and computer-readable media for improved real-time audio processing
US11481677B2 (en) Machine learning based signal recovery
CN111551992A (zh) 岩石储层构造表征方法、装置、计算机可读存储介质及电子设备
CN112946749B (zh) 基于数据增广训练深度神经网络压制地震多次波的方法
CN103850679B (zh) 一种利用多种测井曲线对声波时差曲线进行重构的方法
Qu et al. Automatic high-resolution microseismic event detection via supervised machine learning
CN109977724B (zh) 一种水下目标分类方法
He et al. Underdetermined BSS based on K-means and AP clustering
CN113777650B (zh) 一种基于混合范数和小波变换的稀疏时频谱分解方法、装置、设备及存储介质
CN114200525B (zh) 一种自适应的多道奇异谱分析地震数据去噪方法
CN112305586A (zh) 非稳态地震资料时频分析方法、计算机存储介质及系统
CN112990139A (zh) 基于变模态分解加权重构信号结合小波阈值去噪方法
CN112215404A (zh) 基于相空间重构和集合经验模态分解的预测方法及装置
Mitianoudis A generalized directional Laplacian distribution: Estimation, mixture models and audio source separation
JP5791081B2 (ja) 音源分離定位装置、方法、及びプログラム
CN112526599A (zh) 基于加权l1范数稀疏准则的子波相位估计方法及系统
Qiao et al. Random noise attenuation of seismic data via self-supervised Bayesian deep learning
CN110992977B (zh) 一种目标声源的提取方法及装置
Hoffmann et al. Using information theoretic distance measures for solving the permutation problem of blind source separation of speech signals
Wan et al. Variational bayesian learning for removal of sparse impulsive noise from speech signals
Albataineh et al. A RobustICA-based algorithmic system for blind separation of convolutive mixtures
CN113722893B (zh) 地震记录反演方法、装置、设备及存储介质
Hao et al. Optimizing the perceptual quality of time-domain speech enhancement with reinforcement learning
CN114114397B (zh) 一种基于深度张量神经网络的无监督地震数据去噪方法
CN115497492A (zh) 一种基于全卷积神经网络的实时语音增强方法

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