Knowledge Resource Center for Ecological Environment in Arid Area
| DOI | 10.27162/d.cnki.gjlin.2021.001878 |
| 基于时频域内低秩分解的卷积神经网络在沙漠地震信号处理中的应用 | |
| 王玉琢 | |
| 出版年 | 2021 |
| 学位类型 | 硕士 |
| 学位授予单位 | 吉林大学 |
| 中文摘要 | 地震勘探是探索地下能源与资源的重要手段,通过地震勘探,能够获得可以比较准确地反映地层构造的勘探资料。随着国家的发展,常规采区的油气藏的开采已步入后期,油气资源开发逐渐向地质情况复杂、开采难度大的地区发展。位于西北地区的塔里木盆地具有丰富的油气矿藏,开发这些油气藏的首要工作就是对其地质结构进行准确分析并探明油气储量。然而,由于塔里木地区地表多为沙层且植被稀疏,受大风影响地表情况易发生变化。这使沙漠地震勘探资料中包含大量随机噪声,这些噪声具有非平稳性、非线性、低频、非高斯性等特性,严重降低了勘探资料的信噪比,阻碍了有效反射波的呈现,给勘探资料的处理和解释带来了困难。因此,噪声消减至关重要,对油气资源的勘探与开发有着深远的意义。卷积神经网络(CNN)可通过对待处理数据的样本学习来获得具有强噪声压制能力的去噪模型。除此之外,得到的模型还具备很强的泛化能力,避免了在处理不同噪声水平数据时的参数调整问题。低秩分解是矩阵分解的重要方法,能够根据矩阵中内部元素的性质对矩阵进行分解,可用来实现对信号的特征提取。本论文基于卷积神经网络与低秩分解来开展对沙漠地震勘探资料噪声压制算法的研究。将含噪沙漠地震记录视为二维矩阵,其中噪声成分具有低秩性,信号成分具有稀疏性。根据这一特点,本文利用低秩分解提取先验信息,然后使用卷积神经网络对所提取的信号先验信息进行更深层次的学习,提出了一种新的去噪方法:基于交替方向乘子法的卷积神经网络(ADMM-CNN)。由于本文所提出的算法为有监督神经网络,故本文根据沙漠地震资料中信号与噪声的特点,采用地震子波与实际采集到的噪声分别构建了信号集与噪声集用于模型训练。在训练时,首先采用交替方向乘子法(ADMM)将输入数据分解为低秩、稀疏、扰动三层,然后将分解后的三层信号通过三通道输入进卷积神经网络进行模型训练。训练完成后可得到对沙漠噪声具有强压制能力的去噪模型,通过该去噪模型即可实现对沙漠噪声的压制。本文将所提出ADMM-CNN算法应用于合成和实际沙漠地震数据去噪来验证本文方法的有效性、优越性以及泛化能力,并采用信噪比、均方误差等量化指标以及时域分析、频域分析等定性分析方法来评估本文方法的去噪性能。通过合成地震数据和实际地震数据的测试,可以看到本文所提方法的去噪性能要明显优于传统方法,不仅能够去除沙漠随机噪声、面波、沙丘鸣震等干扰波,还能较好地保证有效反射波的连续性与完整性。合成记录测试中,本文方法对于不同噪声水平下的含噪记录的信噪比提升均可以达到20d B左右,对于有效信号的保幅度在95%以上,充分表明本文方法具有对沙漠噪声的较强的压制能力与泛化能力。 |
| 中文关键词 | 深度学习 ; 沙漠地震信号 ; 卷积神经网络 ; 低秩分解 ; 随机噪声压制 |
| 语种 | 中文 |
| 国家 | 中国 |
| 中图法分类号 | TP183;P631.443 |
| 资源类型 | 学位论文 |
| 条目标识符 | http://119.78.100.177/qdio/handle/2XILL650/373352 |
| 作者单位 | 吉林大学 |
| 推荐引用方式 GB/T 7714 | 王玉琢. 基于时频域内低秩分解的卷积神经网络在沙漠地震信号处理中的应用[D]. 吉林大学,2021. |
| 条目包含的文件 | 条目无相关文件。 | |||||
| 个性服务 |
| 推荐该条目 |
| 保存到收藏夹 |
| 导出为Endnote文件 |
| 谷歌学术 |
| 谷歌学术中相似的文章 |
| [王玉琢]的文章 |
| 百度学术 |
| 百度学术中相似的文章 |
| [王玉琢]的文章 |
| 必应学术 |
| 必应学术中相似的文章 |
| [王玉琢]的文章 |
| 相关权益政策 |
| 暂无数据 |
| 收藏/分享 |
除非特别说明，本系统中所有内容都受版权保护，并保留所有权利。
