计算机工程与应用
計算機工程與應用
계산궤공정여응용
COMPUTER ENGINEERING AND APPLICATIONS
2015年
9期
213-216
,共4页
局部线性嵌入%地震数据%随机噪声%去噪%奇异值分解%重构
跼部線性嵌入%地震數據%隨機譟聲%去譟%奇異值分解%重構
국부선성감입%지진수거%수궤조성%거조%기이치분해%중구
Locally Linear Embedding(LLE)%seismic data%random noise%noise reduction%Singular Value Decomposi-tion(SVD)%reconstruction
奇异值分解（SVD）方法在地震数据去噪中得到了较好的发展。在时间域或频率域进行随机噪声压制时， SVD技术往往对呈现线性模式的水平同相轴有较好的去噪效果。然而，对呈现非线性模式的弯曲同相轴效果不佳，从而限制了其在实际中的应用。为此，提出一种基于局部线性嵌入（LLE）的地震数据随机噪声压制方法，其思想是不考虑LLE方法的降维特性，而仅考虑其重构特性，利用局部线性嵌入的重构思想，对地震数据采样点用其近邻进行重构，得到去除随机噪声后的结果。正演模型及实际资料处理结果对比表明，该方法在有效压制随机噪声的同时，能够较好地保留非线性模式的有效信号，优于常规SVD滤波结果。
奇異值分解（SVD）方法在地震數據去譟中得到瞭較好的髮展。在時間域或頻率域進行隨機譟聲壓製時， SVD技術往往對呈現線性模式的水平同相軸有較好的去譟效果。然而，對呈現非線性模式的彎麯同相軸效果不佳，從而限製瞭其在實際中的應用。為此，提齣一種基于跼部線性嵌入（LLE）的地震數據隨機譟聲壓製方法，其思想是不攷慮LLE方法的降維特性，而僅攷慮其重構特性，利用跼部線性嵌入的重構思想，對地震數據採樣點用其近鄰進行重構，得到去除隨機譟聲後的結果。正縯模型及實際資料處理結果對比錶明，該方法在有效壓製隨機譟聲的同時，能夠較好地保留非線性模式的有效信號，優于常規SVD濾波結果。
기이치분해（SVD）방법재지진수거거조중득도료교호적발전。재시간역혹빈솔역진행수궤조성압제시， SVD기술왕왕대정현선성모식적수평동상축유교호적거조효과。연이，대정현비선성모식적만곡동상축효과불가，종이한제료기재실제중적응용。위차，제출일충기우국부선성감입（LLE）적지진수거수궤조성압제방법，기사상시불고필LLE방법적강유특성，이부고필기중구특성，이용국부선성감입적중구사상，대지진수거채양점용기근린진행중구，득도거제수궤조성후적결과。정연모형급실제자료처리결과대비표명，해방법재유효압제수궤조성적동시，능구교호지보류비선성모식적유효신호，우우상규SVD려파결과。
Singular Value Decomposition(SVD)has a better development in noise reduction for seismic data. SVD can achieve a better result for the horizontal events that show linear models. However, it can not achieve a good result for the curve events that show nonlinear models. This limits in practice. This paper proposes a random noise reduction method for seismic data based on Locally Linear Embedding(LLE). The idea is that it only considers the reconstruction properties of LLE, not considers its properties of dimension reduction. The method uses the reconstruction of Locally Linear Embed-ding to reconstruct each sample of seismic data by its neighborhoods. Then, the results after reducing random noise are obtained. The conducted results on forward model and real seismic data show that the proposed method not only can effec-tively reduce random noise, but also can keep the effective signals that show nonlinear models. And it is better than the SVD filtering result.
