CN115877453A - 一种三维地震信号提取方法、装置、终端及存储介质 - Google Patents
一种三维地震信号提取方法、装置、终端及存储介质 Download PDFInfo
- Publication number
- CN115877453A CN115877453A CN202211658919.0A CN202211658919A CN115877453A CN 115877453 A CN115877453 A CN 115877453A CN 202211658919 A CN202211658919 A CN 202211658919A CN 115877453 A CN115877453 A CN 115877453A
- Authority
- CN
- China
- Prior art keywords
- seismic data
- dimensional seismic
- singular value
- dimensional
- singular
- 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
Images
Landscapes
- Geophysics And Detection Of Objects (AREA)
Abstract
本申请提供一种三维地震信号提取方法、装置、终端及存储介质。该方法包括:获取待预测的三维地震数据,其中,三维地震数据为三阶张量;基于张量奇异值分解算法,对三维地震数据进行奇异值分解,得到三维地震数据的奇异值;基于Semi‑Soft GoDec算法,对奇异值收缩,得到目标奇异值;根据Frobenius范数和预设期望值,对目标奇异值进行调参,并根据调参后的目标奇异值,确定三维有效地震数据。本申请能够通过三维地震数据进行分解、收缩和调参,确定三维有效地震数据,有效避免了噪声对三维地震数据的严重干扰,提高地震信号的识别有效性。
Description
技术领域
本申请涉及地震勘探技术领域,尤其涉及一种三维地震信号提取方法、装置、终端及存储介质。
背景技术
地震勘探是利用低下介质弹性和密度差异,通过观测和分析大地对人工激发地震波的响应,推断地下岩层的性质和形态的地球物理勘探方法。它利用人工方法激发的弹性波来定位矿藏,获取工程地质信息。野外采集地震数据时,接收检波器通常收到外界干扰,接收到的外界数据往往混杂着噪声,严重影响地震资料的反演和解释。野外采集地震数据中通常充斥着大量噪声信号,严重降低了地震资料的质量,提高地震资料信噪比是地震信号处理的首要任务。
目前,针对不同噪声类型,对地震数据进行压制随机噪声的方法主要有:中值滤波、f-x域预测滤波、独立成分分析、小波变换、经验模态分解等方法,但是,在复杂环境下,由于采集的地震数据中包含着大量强干扰噪声,上述方法对采集的地震数据并不能识别,且识别速度也相对较慢,因此,针对地震勘探过程中,如何快速压制强干扰噪声是目前继续解决的技术问题。
发明内容
本申请提供了一种三维地震信号提取方法、装置、终端及存储介质,以解决在地震勘探过程中地震信号的识别有效性差的问题。
第一方面,本申请提供了一种三维地震信号提取方法,包括:
获取待预测的三维地震数据,其中,所述三维地震数据为三阶张量;
基于张量奇异值分解算法,对所述三维地震数据进行奇异值分解,得到所述三维地震数据的奇异值;
基于Semi-Soft GoDec算法,对所述奇异值收缩,得到目标奇异值;
根据Frobenius范数和预设期望值,对所述目标奇异值进行调参,并根据调参后的目标奇异值,确定三维有效地震数据。
第二方面,本申请提供了一种三维地震信号提取装置,包括:
获取装置,用于获取待预测的三维地震数据,其中,所述三维地震数据为三阶张量;
分解模块,用于基于张量奇异值分解算法,对所述三维地震数据进行奇异值分解,得到所述三维地震数据的奇异值;
收缩模块,用于基于Semi-Soft GoDec算法,对所述奇异值收缩,得到目标奇异值;
确定模块,用于根据Frobenius范数和预设期望值,对所述目标奇异值进行调参,并根据调参后的目标奇异值,确定三维有效地震数据。
第三方面,本申请提供了一种终端,包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序,所述处理器执行所述计算机程序时实现如上第一方面或第一方面的任一种可能的实现方式所述三维地震信号提取方法的步骤。
第四方面,本申请提供了一种计算机可读存储介质,所述计算机可读存储介质存储有计算机程序,所述计算机程序被处理器执行时实现如上第一方面或第一方面的任一种可能的实现方式所述三维地震信号提取方法的步骤。
本申请提供一种三维地震信号提取方法、装置、终端及存储介质,通过获取待预测的三维地震数据;基于张量奇异值分解算法,对三维地震数据进行奇异值分解,得到三维地震数据的奇异值;基于Semi-Soft GoDec算法,对奇异值收缩,得到目标奇异值;根据Frobenius范数和预设期望值,对目标奇异值进行调参,并根据调参后的目标奇异值,确定三维有效地震数据。本申请可以根据张量奇异值分解算法对三维地震数据进行分解,并根据Semi-Soft GoDec算法对三维地震数据中奇异值进行收缩,再根据Frobenius范数确定三维有效地震数据,有效避免了噪声对三维地震数据的严重干扰,并且提高了三维地震数据的识别有效性。
附图说明
为了更清楚地说明本申请实施例中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本申请的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动性的前提下,还可以根据这些附图获得其他的附图。
图1是本申请实施例提供的三维地震信号提取方法的实现流程图;
图2是本申请实施例提供的张量奇异值分解算法的分解示意图;
图3是本申请实施例提供的三维地震信号提取方法的流程框图;
图4是本申请实施例提供的标准的三维地震数据模型图;
图5是本申请实施例提供的含噪的三维地震数据模型图;
图6是本申请实施例提供的降噪的三维地震数据模型图;
图7是本申请实施例提供的三维地震信号提取装置的结构示意图;
图8是本申请实施例提供的终端的示意图。
具体实施方式
以下描述中,为了说明而不是为了限定,提出了诸如特定系统结构、技术之类的具体细节,以便透彻理解本申请实施例。然而,本领域的技术人员应当清楚,在没有这些具体细节的其它实施例中也可以实现本申请。在其它情况中,省略对众所周知的系统、装置、电路以及方法的详细说明,以免不必要的细节妨碍本申请的描述。
为使本申请的目的、技术方案和优点更加清楚,下面将结合附图通过具体实施例来进行说明。
图1为本申请实施例提供的三维地震信号提取方法的实现流程图,详述如下:
在S101中,获取待预测的三维地震数据,其中,三维地震数据为三阶张量。
由于从实际环境中获取的三维地震数据的信噪比通常比较低,因此将所获取的三维地震数据体现为一个n1×n2×n3的三阶张量,参照图2,获取的三维地震数据为图2中的含有噪声的观测张量。
在S102中,基于张量奇异值分解算法,对三维地震数据进行奇异值分解,得到三维地震数据的奇异值。
张量奇异值分解算法(Truncated Singular Value Decomposition,T-SVD)是一种矩阵因式分解(factorization)技术,将矩阵X分为U、A、V,其中,参照图3,U和V分别表示图2中的n1×n3×n1和n3×n3×n2的矩阵,A表示n1×n2×n3的矩阵,具体的:
在一种可能的实现方式中,在S101之后,该方法还可以包括:
对待预测的三维地震数据进行傅里叶变换,得到频域下的三维地震数据;
相应的,基于张量奇异值分解算法,对三维地震数据进行奇异值分解,得到三维地震数据的奇异值包括:
基于张量奇异值分解算法,对频域下的三维地震数据进行奇异值分解,得到频域下的三维地震数据的奇异值。
由于本申请实施例获取的待检测的三维地震数据是预设周期内的三阶张量,是时域内的三维数据体,而且进行张量奇异值分解时的数据需要是频域内的数据,因此,本申请需要先将三维地震数据进行傅里叶变换,将时域数据变换为频域数据,再进行奇异值分解。
在一种可能的实现方式中,S102可以包括:
通过第一公式对频域下的三维地震数据进行奇异值分解计算,得到三维地震数据的奇异值;
第一公式为:
利用张量奇异值分解算法,对待预测的三维地震数据的傅里叶变换后的频域下的三维地震数据的振幅谱,进行奇异值分解计算,得到奇异值A(i)。
在S103中,基于Semi-Soft GoDec算法,对奇异值收缩,得到目标奇异值。
其中,Semi-Soft GoDec算法的优势是分解速度快,该算法是基于最优化问题将矩阵X分解为3个分量,最优化问题的计算公式为公式(1):
X=L+S+R s.t.rank(L)≤p & card(S)≤q (2)
其中,X为含噪声信号经过MSST分解后的振幅谱,其维度为M×N,L为振幅谱的低秩分量,其维度为M×N,S为振幅谱的稀疏分量,其维度为M×N,p和q分别为低秩分量L的最大秩和稀疏分量S中非零元素的最大数目,R为近似误差,其维度为M×N,λ为正则化参数,作用为均衡稀疏条件和低秩约束,其中,λ值越小,噪声压制越彻底,λ值越大,越易损伤有效信号。
在公式(1)中,代价函数包含Frobenius范数和L1范数,Frobenius范数的作用是最小化近似误差R,L1范数的作用是增加稀疏约束。
在迭代Semi-Soft GoDec算法中,第k次迭代的低秩分量Lk由公式(3)计算得到:
其中,Y1=XA1,其维度为M×p;Y2=XTA2,其维度为N×p;A1∈RN×p和A2∈RM×p是两个随机矩阵。
第k次迭代的稀疏分量Sk由公式(4)计算得到,其物理意义对λ事假软阈值操作,公式(4)为:
Sk=Soft-thresholdingλ(X-Lk) (4)
在本申请实施例中,利用Semi-Soft GoDec算法对奇异值进行收缩。
在一种可能的实现方式中,基S103可以包括:
通过第二公式对奇异值进行计算,得到目标奇异值;
第二公式为:
A(i)′=Semi-Soft GoDec(A(i))
其中,A(i)′为目标奇异值,Semi-Soft GoDec()为Semi-Soft GoDec算法公式,A(i)为奇异值。
根据S102的奇异值分解后得到的三维地震数据,对分解后的三维地震数据中的奇异值A(i)进行Semi-Soft GoDec算法求解,得到收缩后的目标奇异值A(i)′。
在一种可能的实现方式中,在S103之后,该方法还可以包括:
将目标奇异值进行反傅里叶变换,得到分解收缩后的目标奇异值。
对S102和S103步骤后的频域下的三维地震数据进行反傅里叶变换,得到分解收缩后的三维地震数据,其中,分解收缩后的三维地震数据中包括目标奇异值,即:U←ifft(U(i),[],3);A←ifft(A(i)′,[],3);V←ifft(V(i),[],3)。
在S104中,根据Frobenius范数和预设期望值,对目标奇异值进行调参,并根据调参后的目标奇异值,确定三维有效地震数据。
其中,Frobenius范数是一种矩阵范数,简称F-范数,记为||·||F。Frobenius范数可以利用低秩矩阵来近似单一数据矩阵。
具体的,对于矩阵T,矩阵T的Frobenius范数定义为矩阵T各项元素的绝对值平方的总和,公式(5)为:
在一种可能的实现方式中,相应地,根据Frobenius范数和预设期望值,对目标奇异值进行调参可以包括:
基于Frobenius范数,计算当前计算周期内的分解收缩后的目标奇异值之和与分解收缩后的第一目标奇异值的差值的第一范数值,同时计算分解收缩后的第一目标奇异值的第二范数值,并计算第一范数值与第二范数值的比值,第一目标奇异值为当前计算周期内分解收缩后的目标奇异值中的任一个;
判断比值是否大于预设期望值;
若比值大于预设期望值,则将分解收缩后的三维地震数据返回至基于张量奇异值分解算法,对三维地震数据进行奇异值分解,得到三维地震数据的奇异值步骤继续执行,直至比值不大于预设期望值;分解收缩后的三维地震数据包括分解收缩后的目标奇异值。
具体的,根据S103中得到的分解收缩后的目标奇异值A,得到周期内的分解收缩后的目标奇异值之和An,即An←A。基于Frobenius范数,计算An和分解收缩后的第一目标奇异值A的差值的第一范数值,即第一范数值为||An-A||F,计算分解收缩后的第一目标奇异值A的第二范数值,即第二范数值为||A||F,根据第一范数值||An-A||F与第二范数值||A||F的比值与预设期望值ε进行比较,判断比值是否大于预设期望值:
若||An-A||F/||A||F>ε,则将收缩分解后的三维地震数据返回至S102步骤继续执行,直至||An-A||F/||A||F≤ε停止调参。
在一种可能的实现方式中,根据调参后的目标奇异值,确定三维有效地震数据,可以包括:
将比值不大于预设期望值的目标奇异值对应的分解收缩后的三维地震数据确定为三维有效地震数据。
若||An-A||F/||A||F≤ε,则将目标奇异值对应的分解收缩后的三维地震数据确定为三维有效地震数据,具体的,根据S102中得到的分解收缩后的三维地震数据,即:U←ifft(U(i),[],3);A←ifft(A(i)′,[],3);V←ifft(V(i),[],3),根据U、A、V得到Un←U;An←A;Vn←V,根据Un、An、Vn确定三维有效地震数据,即Xp=(Un×An×Vn)T。
下面通过一个实施例对上述三维地震信号提取方法进行说明。
参照图4,获取预设周期内的待预测的含噪声的三维地震数据X;对该三维地震数据X进行傅里叶变换得到频域下的三维地震数据基于张量奇异值分解算法,对频域下的三维地震数据/>进行奇异值分解,得到三维地震数据的奇异值,即/>基于Semi-Soft GoDec算法,对三维地震数据的奇异值进行收缩,得到目标奇异值,即A(i)′=Semi-Soft GoDec(A(i));根据经过分解收缩后的三维地震数据进行反傅里叶变换,得到分解收缩后的三维地震数据,分解收缩后的三维地震数据包括矩阵U、分解收缩后的目标奇异值A和矩阵V,即
U←ifft(U(i),[],3);A←ifft(A(i)′,[],3);V←ifft(V(i),[],3);基于Frobenius范数,计算周期内的分解收缩后的目标奇异值之和An和分解收缩后的第一目标奇异值A的差值的第一范数值,即第一范数值为||An-A||F,计算分解收缩后的第一目标奇异值A的第二范数值,即第二范数值为||A||F,根据第一范数值||An-A||F与第二范数值||A||F的比值与预设期望值ε进行比较,判断比值是否大于预设期望值:
若||An-A||F/||A||F>ε,则将收缩分解后的三维地震数据返回至S102步骤继续执行,直至||An-A||F/||A||F≤ε,停止调参;
若||An-A||F/||A||F≤ε,则将分解收缩后的目标奇异值对应的分解收缩后的三维地震数据确定为三维有效地震数据,即根据分解收缩后的三维地震数据包括矩阵U、分解收缩后的目标奇异值A和矩阵V,得到周期内的分解收缩后的矩阵U之和、目标奇异值之和和矩阵V之和,即Un←U;An←A;Vn←V,根据Un、An、Vn确定三维有效地震数据,其中,该三维有效地震数据为降噪后的三维地震数据。
具体的,可以参照图4、图5和图6三个三维地震数据模型的对比图,图4表示标准的三维地震数据模型,图5表示含有噪声数据的三维地震数据模型,图6表示经过本申请处理的降噪后的三维地震数据模型,经过对比可以看出,本申请处理后的三维地震数据模型达到明显的去噪效果。
本申请提供一种三维地震信号提取方法,通过获取待预测的三维地震数据;基于张量奇异值分解算法,对三维地震数据进行奇异值分解,得到三维地震数据的奇异值;基于Semi-Soft GoDec算法,对奇异值收缩,得到目标奇异值;根据Frobenius范数和预设期望值,对目标奇异值进行调参,并根据调参后的目标奇异值,确定三维有效地震数据。本申请可以根据张量奇异值分解算法对三维地震数据进行分解,并根据Semi-Soft GoDec算法对三维地震数据中奇异值进行收缩,再根据Frobenius范数确定三维有效地震数据,有效避免了噪声对三维地震数据的严重干扰,并且提高了三维地震数据的识别有效性。
应理解,上述实施例中各步骤的序号的大小并不意味着执行顺序的先后,各过程的执行顺序应以其功能和内在逻辑确定,而不应对本申请实施例的实施过程构成任何限定。
以下为本申请的装置实施例,对于其中未详尽描述的细节,可以参考上述对应的方法实施例。
图7示出了本申请实施例提供的三维地震信号提取装置的结构示意图,为了便于说明,仅示出了与本申请实施例相关的部分,详述如下:
如图7所示,三维地震信号提取装置7包括:
获取装置71,用于获取待预测的三维地震数据,其中,三维地震数据为三阶张量;
分解模块72,用于基于张量奇异值分解算法,对三维地震数据进行奇异值分解,得到三维地震数据的奇异值;
收缩模块73,用于基于Semi-Soft GoDec算法,对奇异值收缩,得到目标奇异值;
确定模块74,用于根据Frobenius范数和预设期望值,对目标奇异值进行调参,并根据调参后的目标奇异值,确定三维有效地震数据。
本申请提供一种三维地震信号提取装置,通过获取待预测的三维地震数据;基于张量奇异值分解算法,对三维地震数据进行奇异值分解,得到三维地震数据的奇异值;基于Semi-Soft GoDec算法,对奇异值收缩,得到目标奇异值;根据Frobenius范数和预设期望值,对目标奇异值进行调参,并根据调参后的目标奇异值,确定三维有效地震数据。本申请可以根据张量奇异值分解算法对三维地震数据进行分解,并根据Semi-Soft GoDec算法对三维地震数据中奇异值进行收缩,再根据Frobenius范数确定三维有效地震数据,有效避免了噪声对三维地震数据的严重干扰,并且提高了三维地震数据的识别有效性。
在一种可能的实现方式中,在获取装置之后,该装置还可以包括变换模块,变换模块用于:
对待预测的三维地震数据进行傅里叶变换,得到频域下的三维地震数据;
相应的,分解模块可以用于:
基于张量奇异值分解算法,对频域下的三维地震数据进行奇异值分解,得到频域下的三维地震数据的奇异值。
在一种可能的实现方式中,分解模块可以具体用于:
通过第一公式对频域下的三维地震数据进行奇异值分解计算,得到三维地震数据的奇异值;
第一公式为:
在一种可能的实现方式中,收缩模块可以具体用于:
通过第二公式对奇异值进行计算,得到目标奇异值;
第二公式为:
A(i)′=Semi-Soft GoDec(A(i))
其中,A(i)′为目标奇异值,Semi-Soft GoDec()为Semi-Soft GoDec算法公式,A(i)为奇异值。
在一种可能的实现方式中,在收缩模块之后,该装置还可以包括反变换模块,反变换模块用于:
将目标奇异值进行反傅里叶变换,得到分解收缩后的目标奇异值;
相应的,确定模块可以用于:
基于Frobenius范数,计算当前计算周期内的分解收缩后的目标奇异值之和与分解收缩后的第一目标奇异值的差值的第一范数值,同时计算分解收缩后的第一目标奇异值的第二范数值,并计算第一范数值与第二范数值的比值,第一目标奇异值为当前计算周期内分解收缩后的目标奇异值中的任一个;
判断比值是否大于预设期望值;
若比值大于预设期望值,则将分解收缩后的三维地震数据返回至基于张量奇异值分解算法,对三维地震数据进行奇异值分解,得到三维地震数据的奇异值步骤继续执行,直至比值不大于预设期望值;分解收缩后的三维地震数据包括分解收缩后的目标奇异值。
在一种可能的实现方式中,确定模块还可以用于:
将比值不大于预设期望值的目标奇异值对应的分解收缩后的三维地震数据确定为三维有效地震数据。
图8是本申请实施例提供的终端的示意图。如图8所示,该实施例的终端8包括:处理器80、存储器81以及存储在所述存储器81中并可在所述处理器80上运行的计算机程序82。所述处理器80执行所述计算机程序82时实现上述各个三维地震信号提取方法实施例中的步骤,例如图1所示的S101至S104。或者,所述处理器80执行所述计算机程序82时实现上述各装置实施例中各模块/单元的功能,例如图7所示模块71至74的功能。
示例性的,所述计算机程序82可以被分割成一个或多个模块/单元,所述一个或者多个模块/单元被存储在所述存储器81中,并由所述处理器80执行,以完成本申请。所述一个或多个模块/单元可以是能够完成特定功能的一系列计算机程序指令段,该指令段用于描述所述计算机程序82在所述终端8中的执行过程。例如,所述计算机程序82可以被分割成图7所示的模块71至74。
所述终端8可以是桌上型计算机、笔记本、掌上电脑及云端服务器等计算设备。所述终端8可包括,但不仅限于,处理器80、存储器81。本领域技术人员可以理解,图8仅仅是终端8的示例,并不构成对终端8的限定,可以包括比图示更多或更少的部件,或者组合某些部件,或者不同的部件,例如所述终端还可以包括输入输出设备、网络接入设备、总线等。
所称处理器80可以是中央处理单元(Central Processing Unit,CPU),还可以是其他通用处理器、数字信号处理器(Digital Signal Processor,DSP)、专用集成电路(Application Specific Integrated Circuit,ASIC)、现场可编程门阵列(Field-Programmable Gate Array,FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
所述存储器81可以是所述终端8的内部存储单元,例如终端8的硬盘或内存。所述存储器81也可以是所述终端8的外部存储设备,例如所述终端8上配备的插接式硬盘,智能存储卡(Smart Media Card,SMC),安全数字(Secure Digital,SD)卡,闪存卡(Flash Card)等。进一步地,所述存储器81还可以既包括所述终端8的内部存储单元也包括外部存储设备。所述存储器81用于存储所述计算机程序以及所述终端所需的其他程序和数据。所述存储器81还可以用于暂时地存储已经输出或者将要输出的数据。
所属领域的技术人员可以清楚地了解到,为了描述的方便和简洁,仅以上述各功能单元、模块的划分进行举例说明,实际应用中,可以根据需要而将上述功能分配由不同的功能单元、模块完成,即将所述装置的内部结构划分成不同的功能单元或模块,以完成以上描述的全部或者部分功能。实施例中的各功能单元、模块可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中,上述集成的单元既可以采用硬件的形式实现,也可以采用软件功能单元的形式实现。另外,各功能单元、模块的具体名称也只是为了便于相互区分,并不用于限制本申请的保护范围。上述系统中单元、模块的具体工作过程,可以参考前述方法实施例中的对应过程,在此不再赘述。
在上述实施例中,对各个实施例的描述都各有侧重,某个实施例中没有详述或记载的部分,可以参见其它实施例的相关描述。
本领域普通技术人员可以意识到,结合本文中所公开的实施例描述的各示例的单元及算法步骤,能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行,取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能,但是这种实现不应认为超出本申请的范围。
在本申请所提供的实施例中,应该理解到,所揭露的装置/终端和方法,可以通过其它的方式实现。例如,以上所描述的装置/终端实施例仅仅是示意性的,例如,所述模块或单元的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式,例如多个单元或组件可以结合或者可以集成到另一个系统,或一些特征可以忽略,或不执行。另一点,所显示或讨论的相互之间的耦合或直接耦合或通讯连接可以是通过一些接口,装置或单元的间接耦合或通讯连接,可以是电性,机械或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外,在本申请各个实施例中的各功能单元可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现,也可以采用软件功能单元的形式实现。
所述集成的模块/单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本申请实现上述实施例方法中的全部或部分流程,也可以通过计算机程序来指令相关的硬件来完成,所述的计算机程序可存储于一计算机可读存储介质中,该计算机程序在被处理器执行时,可实现上述各个三维地震信号提取方法实施例的步骤。其中,所述计算机程序包括计算机程序代码,所述计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。所述计算机可读介质可以包括:能够携带所述计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(Read-Only Memory,ROM)、随机存取存储器(Random Access Memory,RAM)、电载波信号、电信信号以及软件分发介质等。需要说明的是,所述计算机可读介质包含的内容可以根据司法管辖区内立法和专利实践的要求进行适当的增减,例如在某些司法管辖区,根据立法和专利实践,计算机可读介质不包括是电载波信号和电信信号。
以上所述实施例仅用以说明本申请的技术方案,而非对其限制;尽管参照前述实施例对本申请进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本申请各实施例技术方案的精神和范围,均应包含在本申请的保护范围之内。
Claims (10)
1.一种三维地震信号提取方法,其特征在于,包括:
获取待预测的三维地震数据,其中,所述三维地震数据为三阶张量;
基于张量奇异值分解算法,对所述三维地震数据进行奇异值分解,得到所述三维地震数据的奇异值;
基于Semi-Soft GoDec算法,对所述奇异值收缩,得到目标奇异值;
根据Frobenius范数和预设期望值,对所述目标奇异值进行调参,并根据调参后的目标奇异值,确定三维有效地震数据。
2.根据权利要求1所述的三维地震信号提取方法,其特征在于,在所述获取待预测的三维地震数据之后,所述方法还包括:
对所述待预测的三维地震数据进行傅里叶变换,得到频域下的三维地震数据;
相应的,所述基于张量奇异值分解算法,对所述三维地震数据进行奇异值分解,得到所述三维地震数据的奇异值包括:
基于张量奇异值分解算法,对所述频域下的三维地震数据进行奇异值分解,得到所述频域下的三维地震数据的奇异值。
4.根据权利要求1所述的三维地震信号提取方法,其特征在于,所述基于Semi-SoftGoDec算法,对所述奇异值收缩,得到目标奇异值包括:
通过第二公式对所述奇异值进行计算,得到所述目标奇异值;
所述第二公式为:
A(i)'=Semi-Soft GoDec(A(i))
其中,A(i)′为所述目标奇异值,Semi-Soft GoDec()为所述Semi-Soft GoDec算法公式,A(i)为所述奇异值。
5.根据权利要求2所述的三维地震信号提取方法,其特征在于,在所述基于Semi-SoftGoDec算法,对所述奇异值收缩,得到目标奇异值之后,所述方法还包括:
将所述目标奇异值进行反傅里叶变换,得到分解收缩后的目标奇异值;
相应地,所述根据Frobenius范数和预设期望值,对所述目标奇异值进行调参包括:
基于Frobenius范数,计算当前计算周期内的所述分解收缩后的目标奇异值之和与所述分解收缩后的第一目标奇异值的差值的第一范数值,同时计算所述分解收缩后的所述第一目标奇异值的第二范数值,并计算所述第一范数值与第二范数值的比值,所述第一目标奇异值为当前计算周期内所述分解收缩后的目标奇异值中的任一个;
判断所述比值是否大于所述预设期望值;
若所述比值大于所述预设期望值,则将分解收缩后的三维地震数据返回至所述基于张量奇异值分解算法,对所述三维地震数据进行奇异值分解,得到所述三维地震数据的奇异值步骤继续执行,直至所述比值不大于所述预设期望值;所述分解收缩后的三维地震数据包括所述分解收缩后的目标奇异值。
6.根据权利要求5所述的三维地震信号提取方法,其特征在于,所述根据调参后的目标奇异值,确定三维有效地震数据,包括:
将所述比值不大于所述预设期望值的目标奇异值对应的分解收缩后的三维地震数据确定为所述三维有效地震数据。
7.一种三维地震信号提取装置,其特征在于,包括:
获取装置,用于获取待预测的三维地震数据,其中,所述三维地震数据为三阶张量;
分解模块,用于基于张量奇异值分解算法,对所述三维地震数据进行奇异值分解,得到所述三维地震数据的奇异值;
收缩模块,用于基于Semi-Soft GoDec算法,对所述奇异值收缩,得到目标奇异值;
确定模块,用于根据Frobenius范数和预设期望值,对所述目标奇异值进行调参,并根据调参后的目标奇异值,确定三维有效地震数据。
9.一种终端,包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序,其特征在于,所述处理器执行所述计算机程序时实现如上的权利要求1至6中任一项所述三维地震信号提取方法的步骤。
10.一种计算机可读存储介质,所述计算机可读存储介质存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现如上的权利要求1至6中任一项所述三维地震信号提取方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211658919.0A CN115877453A (zh) | 2022-12-22 | 2022-12-22 | 一种三维地震信号提取方法、装置、终端及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211658919.0A CN115877453A (zh) | 2022-12-22 | 2022-12-22 | 一种三维地震信号提取方法、装置、终端及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115877453A true CN115877453A (zh) | 2023-03-31 |
Family
ID=85755444
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211658919.0A Pending CN115877453A (zh) | 2022-12-22 | 2022-12-22 | 一种三维地震信号提取方法、装置、终端及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115877453A (zh) |
-
2022
- 2022-12-22 CN CN202211658919.0A patent/CN115877453A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Zhou et al. | Spike-like blending noise attenuation using structural low-rank decomposition | |
Qiu et al. | Deep learning prior model for unsupervised seismic data random noise attenuation | |
CN102945548A (zh) | 一种基于方向金字塔滤波的图像处理方法及装置 | |
Ghanati et al. | Filtering and parameter estimation of surface-NMR data using singular spectrum analysis | |
CN107179550B (zh) | 一种数据驱动的地震信号零相位反褶积方法 | |
CN108961181B (zh) | 一种基于shearlet变换的探地雷达图像去噪方法 | |
Meng et al. | Self-supervised learning for seismic data reconstruction and denoising | |
CN108710851B (zh) | 地震信号随机噪声衰减方法、终端设备及存储介质 | |
Li et al. | Contourlet based seismic reflection data non-local noise suppression | |
Zhou et al. | A hybrid method for noise suppression using variational mode decomposition and singular spectrum analysis | |
Zhang et al. | Microseismic denoising and reconstruction by unsupervised machine learning | |
Wang et al. | Denoising with weak signal preservation by group-sparsity transform learning | |
CN113204051B (zh) | 一种基于变分模态分解的低秩张量地震数据去噪方法 | |
CN113935246A (zh) | 一种信号鲁棒稀疏时频分析方法、终端设备及存储介质 | |
CN106772573B (zh) | 基于最大相关熵的地震子波信号提取方法 | |
CN115877453A (zh) | 一种三维地震信号提取方法、装置、终端及存储介质 | |
Shao et al. | Seismic random noise attenuation using nonlocal-means via smooth patch ordering | |
CN112363217A (zh) | 一种地震数据随机噪声压制方法及系统 | |
CN110008633B (zh) | 基于人工智能深度神经网络的公路噪音压制方法及系统 | |
Chouai et al. | Dual-energy x-ray images enhancement based on a discrete wavelet transform fusion technique for luggage inspection at airport | |
Cai et al. | De-noising for NMR oil well logging signals based on empirical mode decomposition and independent component analysis | |
Shuaiqi et al. | SAR image de-noising based on generalized non-local means in non-subsample Shearlet domain | |
CN113009564A (zh) | 地震数据处理方法和装置 | |
Wang et al. | A Joint Framework for Seismic Signal Denoising Using Total Generalized Variation and Shearlet Transform | |
Nose-Filho et al. | Algorithms for sparse multichannel blind deconvolution |
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 |