公开/公告号CN108345033A
专利类型发明专利
公开/公告日2018-07-31
原文格式PDF
申请/专利权人 中国石油大学(华东);
申请/专利号CN201810076278.5
申请日2018-01-26
分类号G01V1/28(20060101);G01V1/36(20060101);
代理机构37201 青岛海昊知识产权事务所有限公司;
代理人刘艳青
地址 266580 山东省青岛市长江西路66号
入库时间 2023-06-19 06:00:45
法律状态公告日
法律状态信息
法律状态
2019-07-26
授权
授权
2018-08-24
实质审查的生效 IPC(主分类):G01V1/28 申请日:20180126
实质审查的生效
2018-07-31
公开
公开
技术领域
本发明涉及勘探地球物理领域,特别是涉及到地震资料处理中的一种基于总体平均经验模态分解ICEEMDAN与去趋势波动分析法(DFA)联合的微地震信号检测方法。
背景技术
微地震事件信号通常能量较弱,加之传播过程中存在能量损失,这就导致地面接收的地震数据有效信号存在能量弱、信噪比低的缺点,因此提高微地震资料的信噪比是微地震数据处理和解释的首要任务。随着提高定位精度和震源机制全矩张量反演需求的增加,对去噪技术的要求也逐步提高。传统压制随机噪音的方法有很多,可分为空间域及变换域的方法,前者主要包括均值滤波、中值滤波及各向异性扩散滤波等,后者主要包括傅里叶变换域滤波方法、基于小波变换、曲波变换等的阈值去噪方法等。地面微地震资料具有强噪声、弱有效信号的特点,常规的去噪方法往往难以获得较好的去噪效果,因此研究专门针对地面微地震资料的去噪方法是十分重要的。针对经验模态分解(EMD)方法不稳定和产生模态混叠现象(Huang,1998),总体经验模态分解(EEMD)利用高斯白噪声频谱均匀分布的统计特性,向原始信号中加入不同的白噪声,使得信号在不同尺度上具有连续性,但是该方法计算效率不高(Wu,2009);完备总体经验模态分解方法(CEEMD)通过加入正、负成对的辅助噪声形式,能够有效消除重构信号中的残余辅助噪声,而且计算效率也能够得到提高(Yeh,2009),但是重构时精度会有所欠缺;Torres(2011,2014)采用改进的完备总体经验模态分解方法(ICEEMDAN)能够精确重构原始信号,有效减少虚假模态和模态中的噪音,同时计算成本也有所降低。
但是,上述方法尚未能够有效去除噪声,达到精确检测微地震信号的目的。
发明内容
本发明的目的是提供一种基于ICEEMDAN与DFA联合的微地震信号时频域初至检测方法,用以有效去除噪声,以弥补现有技术的不足。
由于ICEEMDAN分解的IMF分量中含有噪音,通过消除波动趋势分析方法(DFA)分离出有效信号和噪音,从而达到消除噪音的目的。因此本发明的目的可通过如下技术措施来实现:
一种基于ICEEMDAN与DFA联合的微地震信号时频域初至检测方法,包括以下步骤:
(1)在利用ICEEMDAN进行数据处理时,将微地震信号作为初始数据,在分解的每一阶段添加一个特定白噪声,并计算一个唯一残差以得到每个IMF,ICEEMDAN能自适应地将一个复杂信号分解为一系列本征模态函数(IMF)分量,且IMF分量满足从高频到低频系列分布;
(2)将(1)处理获得的一系列本征模态函数(IMF)分量作为输入,对噪声主导的模态直接去除,对其他的模态进行DFA去噪;
(3)将去噪后的数据重构获得联合去噪后的结果:将步骤(2)中不同尺度去噪后的结果进行融合重构获得去噪后的地震记录,即为有效信号;
(4)通过高精度时频分析检测步骤(3)得到的有效信号的初至信息。
进一步的,所述步骤(1)中,ICEEDAN的步骤如下描述:
101:通过EMD实现加入不同噪音后信号的计算xi=x+ε0E1(ωi),之后获得一级残差
102:计算第一个IMF分量IMF1=x-r1;
103:EMD实现r1+ε1E2(ωi),计算二级残
104:对k=3,…K,计算k阶残差
105:计算第k个IMF分量IMFk=rk-1-rk;
106:重复步骤104、105直至残差不能被分解;
其中:定义算子Ej(.)为对给定信号通过EMD求得第j个模态;ωi为单位方差的零均值高斯白噪声,i=1,2….I,xi=x+ωi为加入不同噪声后的信号;εk允许在每个阶段选择信噪比;M(.)表示局部均值算子,EMD中E1=x-M(x)。
进一步的,所述步骤(2)中,DFA去噪方法具体为:
对于一个给定的微地震信号的第i个IMF分量信号IMFi(t),计算其累积离差yi(t),首先滤去了该序列的平均值,然后进行序列重构,对yi(t)分别进行等长分割,以长度k将长度为n序列分割成m个不重叠的区间,其中m=[n/k](取整数);由于序列长度并不总是增量k的整数倍,因此,序列尾端有时会出现小部分的数据信息未能被利用;为了充分利用数据,对序列的颠倒顺序进行同样的操作,共得到个等长度的区间;然后对每个区间,用最小二乘法分别对每个区间所包含的k个数据进行一阶线性拟合;计算每个区间滤去趋势后的均方差,此处将顺序和逆序分别公式进行计算;对所有等长度区间求均值并开方,计算得到DFA波动函数。
进一步的,所述步骤(2)中,所述DFA波动函数通过阈值范围去除IMF分量来降低白噪音,阈值范围定义为α=φ±0.5。
本发明的优点和有益效果:
本发明中的总体平均经验模态分解与DFA联合的微地震信号时频域初至检测方法,利用了总体平均经验模态分解具有很好的多尺度的特点以及DFA的有效性,可以压制微地震信号中较强的随机噪声。本发明中的总体平均经验模态分解与DFA联合的微地震信号检测方法,在总体平均经验模态分解的基础上,将其与改进的DFA方法相结合,进一步提高了微地震信号的检测效果。本发明利用总体平均经验模态分解与DFA,得到了高信噪比的微地震处理结果,有利于后续的微地震资料定位与机制分析等,该方法为微地震的反演定位等奠定了基础。
本发明与经验模式分解结果相比,模态混叠现象有了较为明显的降低,能够提供原始信号的精确重构,具有更好的收敛性。去趋势波动分析法(DFA)能够检测含有噪声的微地震信号中哪些内蕴模态是噪声,哪些内蕴模态是纯净信号,进而在保留微地震信号物理意义的前提下,去除微地震中所含有的噪声,提高地震信号的信噪比。
附图说明
图1为本发明的具体流程图;
图2为实施例中微地震信号的波形记录图;
图3是图2中微地震信号经过ICEEMADAN高精度时频分析的结果图;
图4是图2中微地震信号经过ICEEMADAN分解出的本征模态图;
图5是实施例中去噪后的微地震记录和经过ICEEMADAN高精度时频分析的结果图。
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,并配合所附图式,作详细说明如下。
实施例1:选用某地区的微地震数据。
如图1所示,一种基于ICEEMDAN与DFA联合的微地震信号时频域初至检测方法,包括以下步骤:
(1)在利用ICEEMDAN进行数据处理时,将微地震信号作为初始数据,在分解的每一阶段添加一个特定白噪声,并计算一个唯一残差以得到每个IMF,ICEEMDAN能自适应地将一个复杂信号分解为一系列本征模态函数(IMF)分量,且IMF分量满足从高频到低频系列分布;
(2)将(1)处理获得的一系列本征模态函数(IMF)分量作为输入,对噪声主导的模态直接去除,对其他的模态进行DFA去噪;
(3)将去噪后的数据重构获得联合去噪后的结果,将步骤(2)中不同尺度去噪后的结果进行融合重构获得去噪后的地震记录,即为有效信号;
(4)通过高精度时频分析检测步骤(3)得到的有效信号的初至信息。
上述方法具体为:
(1)选定需要进行噪声压制的微地震波形记录,如图2所示。在利用ICEEMDAN进行数据处理时,将微地震信号看做初始数据,对原始信号进行ICEEMDAN分解,分解出的IMF分量满足从高频到低频的系列分布,图3给出了去噪前所有分量的时频分布。定义算子Ej(.)为对给定信号通过EMD求得第j个模态;ωi为单位方差的零均值高斯白噪声,i=1,2….I,xi=x+ωi为加入不同噪声后的信号;εk允许在每个阶段选择信噪比;M(.)表示局部均值算子,EMD中E1=x-M(x),ICEEDAN的步骤如下描述:
101:通过EMD实现加入不同噪音后信号的计算xi=x+ε0E1(ωi),之后获得一级残差
102:计算第一个IMF分量IMF1=x-r1;
103:EMD实现r1+ε1E2(ωi),计算二级残差
104:对k=3,…K,计算k阶残差
105:计算第k个IMF分量IMFk=rk-1-rk;
106:重复步骤104、105直至残差不能被分解;
流程进入到步骤(2);
(2)将步骤(1)处理获得的分解后的微地震记录,如图4所示,作为输入,对噪声主导的模态可以直接去除,对其他的模态进行DFA去噪,消除波动趋势分析方法是识别含噪音IMF分量的一种新方法:
对于一个给定的微地震信号的第i个IMF分量信号IMFi(t),计算其累积离差yi(t),首先滤去了该序列的平均值,然后进行序列重构,对yi(t)分别进行等长分割,以长度k将长度为n序列分割成m个不重叠的区间,其中m=[n/k](取整数);由于序列长度并不总是增量k的整数倍,因此,序列尾端有时会出现小部分的数据信息未能被利用。为了充分利用数据,对序列的颠倒顺序进行同样的操作,共得到个等长度的区间。然后对每个区间,用最小二乘法分别对每个区间所包含的k个数据进行一阶线性拟合。计算每个区间滤去趋势后的均方差(此处将顺序和逆序分别公式进行计算)。对所有等长度区间求均值并开方,计算得到DFA波动函数;
改变窗口大小,最小为5个采样周期,最大不超过时间序列样本数量的四分之一。画出对应时窗长度的均方根波动的重对数坐标图,直线斜率
(3)将步骤(2)中不同尺度去噪后的结果进行融合重构获得去噪后的地震记录,即为联合去噪方法得到的结果,如图5所示;
(4)将步骤(3)中将去噪后的微地震记录进行基于ICEEMDAN的高分辨率时频分析,分析信号的时频分布,为检测有效信号的初至信息。
其中,图3是微地震信号经过ICEEMADAN高精度时频分析的结果;由于微地震数据中包含大量的噪声,有效的初至信息难以有效拾取;图4是图2中微地震信号经过ICEEMADAN分解出的本征模态;图5是去噪后的微地震记录和经过ICEEMADAN高精度时频分析的结果,从图5中可以方便的拾取微地震数据的初至,如图5中虚线所示;从图2到图5可以看出,基于ICEEMADAN分解和DFA的联合去噪方法对于理论模型的应用效果好,噪声得到了有效的压制。本发明提供的联合去噪方法可以有效地压制剖面中的随机噪音,突显有效的微地震信号,由基于CEEMADAN分解和DFA的联合去噪方法对实际微地震记录进行噪声压制效果良好,信噪比得到显著提高。该方法为微地震的反演定位等奠定了基础。
机译: 一种用于校正时频域信号失真的光学传输系统及其方法
机译: 一种考虑电信号变化迹象的电信号缓慢变化和较小变化的检测方法和装置
机译: 对象例如车辆,一种用于机动车辆的检测方法,涉及通过发送的电磁信号执行接近度检测,并通过雷达系统分析回射在机动车辆视野内物体处的信号