微地震监测是非常规油气藏勘探领域的一项重要技术,在水力压裂裂缝监测、CO_(2)封存等方面都有着广泛的应用。然而,微地震信号能量弱,容易被噪声污染,其信噪比低的特点使得在后续的处理过程中往往不能得到好的结果。因此微地震数据去噪...微地震监测是非常规油气藏勘探领域的一项重要技术,在水力压裂裂缝监测、CO_(2)封存等方面都有着广泛的应用。然而,微地震信号能量弱,容易被噪声污染,其信噪比低的特点使得在后续的处理过程中往往不能得到好的结果。因此微地震数据去噪是一项十分重要的处理步骤,去噪效果对后续震源定位的准确性和震源机制反演结果的可靠性有关键的影响。文中提出一种蒙特卡洛非负字典学习(Monte Carlo non-negative dictionary learning,MCNDL)微地震去噪方法。蒙特卡洛分块能利用少量的时间获得包含相对较多有效信号特征的初始字典,在字典更新的过程中,利用非负性约束来保证数据变换的稀疏性,缩小解的空间,从而降低计算成本并提高去噪精度。利用合成和实际微地震数据对该方法的应用效果进行了测试,并与带通(Band-Pass,BP)滤波、FK滤波和KSVD方法进行对比,展示出该方法针对微地震数据较好的去噪效果与较高的去噪效率。展开更多
针对大多数基于字典学习的无监督特征选择模型没有充分挖掘数据间的本质关联,进而降低了特征重要性判断的准确性这一问题,提出一种字典学习与样本关联保持结合的无监督特征选择模型(DLSCP)。首先,从数据中学习字典基以完成对原始数据的...针对大多数基于字典学习的无监督特征选择模型没有充分挖掘数据间的本质关联,进而降低了特征重要性判断的准确性这一问题,提出一种字典学习与样本关联保持结合的无监督特征选择模型(DLSCP)。首先,从数据中学习字典基以完成对原始数据的编码,并在字典空间中获得能够反映数据分布的隐表示;其次,进一步在字典空间中自适应地学习数据间的本质关联,以消除冗余特征和噪声特征的影响,从而获得准确的数据间的局部几何结构;最后,利用数据间的本质关联评估数据特征的关联性和重要性。在TOX数据集上的实验结果表明,当选择50个特征时,DLSCP在归一化互信息(NMI)和聚类准确度(Acc)这2个评价指标上,相较于非负谱分析模型NDFS(Nonnegative Discriminative Feature Selection)分别提升了13.33和7.95个百分点,相较于隐空间嵌入无监督特征选择模型LSEUFS(Latent Space Embedding for Unsupervised Feature Selection via joint dictionary learning)分别提升了15.74和7.31个百分点,验证了DLSCP的有效性。展开更多
文摘微地震监测是非常规油气藏勘探领域的一项重要技术,在水力压裂裂缝监测、CO_(2)封存等方面都有着广泛的应用。然而,微地震信号能量弱,容易被噪声污染,其信噪比低的特点使得在后续的处理过程中往往不能得到好的结果。因此微地震数据去噪是一项十分重要的处理步骤,去噪效果对后续震源定位的准确性和震源机制反演结果的可靠性有关键的影响。文中提出一种蒙特卡洛非负字典学习(Monte Carlo non-negative dictionary learning,MCNDL)微地震去噪方法。蒙特卡洛分块能利用少量的时间获得包含相对较多有效信号特征的初始字典,在字典更新的过程中,利用非负性约束来保证数据变换的稀疏性,缩小解的空间,从而降低计算成本并提高去噪精度。利用合成和实际微地震数据对该方法的应用效果进行了测试,并与带通(Band-Pass,BP)滤波、FK滤波和KSVD方法进行对比,展示出该方法针对微地震数据较好的去噪效果与较高的去噪效率。
文摘地震数据去噪在地震资料处理中扮演着关键的角色,提升地震数据的信噪比将为后续高质量处理和精确解释奠定坚实基础。目前,地震数据去噪的方法已经得到了广泛发展,其中字典学习方法具有独特的优势。当前经典的K-奇异值分解(K-singular value decomposition,K-SVD)字典学习算法存在去噪结果损失了部分原始信号和计算效率不太理想等问题,为了将这些问题进一步优化,提出了一种基于顺序广义K-均值算法(sequential generalized K-means,SGK)的字典学习方法用于地震数据去噪。首先,从样本数据中提取随机位置的块,并移除空白块,以初始化字典。接着,在字典学习阶段,通过地震数据本身的特征自适应地构造出最新的稀疏表示字典。随后,利用学得的字典对包含噪声的地震数据分块进行去噪处理,将去噪后的块进行平均处理,并重新构建图像块,最终实现地震数据的去噪。通过合成数据和实际数据的实验,从信噪比、计算效率以及对有效信号的保护方面验证本文方法的去噪性能。
文摘针对大多数基于字典学习的无监督特征选择模型没有充分挖掘数据间的本质关联,进而降低了特征重要性判断的准确性这一问题,提出一种字典学习与样本关联保持结合的无监督特征选择模型(DLSCP)。首先,从数据中学习字典基以完成对原始数据的编码,并在字典空间中获得能够反映数据分布的隐表示;其次,进一步在字典空间中自适应地学习数据间的本质关联,以消除冗余特征和噪声特征的影响,从而获得准确的数据间的局部几何结构;最后,利用数据间的本质关联评估数据特征的关联性和重要性。在TOX数据集上的实验结果表明,当选择50个特征时,DLSCP在归一化互信息(NMI)和聚类准确度(Acc)这2个评价指标上,相较于非负谱分析模型NDFS(Nonnegative Discriminative Feature Selection)分别提升了13.33和7.95个百分点,相较于隐空间嵌入无监督特征选择模型LSEUFS(Latent Space Embedding for Unsupervised Feature Selection via joint dictionary learning)分别提升了15.74和7.31个百分点,验证了DLSCP的有效性。
