基于边缘去噪字典学习方法的地震数据去噪研究

In seismic exploration, the sampling data contains noise information such as random noise and surface waves. Due to the strong coherence between the surface wave and the seismic data, the current dictionary learning method has poor recognition ability and cannot handle the seismic data noise suppression problem well. .Based on the inverse problem of seismic exploration, the auto-encoding and dictionary learning mathematical theory, we proposes the marginalized denoising dictionary learning method. In our method, the original data is recovered from the noise data by the marginalized denoising auto-encoding methods (mDA). In contrast to denoising auto-encoding method,our approach of mSDA marginalizes noise and thus does not require stochastic gradient descent or other optimization algorithms to learn parameters, which solves the problem of high computational cost in the auto-encoding method. Then learn the dictionary from the recovery data, and use the local constraints to add the spatial features of the data to the learning process, so that the learned dictionary has strong recognition ability. .Therefore, the research of this project not only improves the recognition ability of the dictionary learning method, but also weakens the dependence of the deep learning method on the training data, and can better recover the data from the noise data.

在地震勘探中，采集到的数据包含噪声信息，如随机噪声和面波。由于面波和地震数据之间的相干性较强，目前的字典学习方法识别能力差，不能较好的处理地震数据噪声压制问题。.本项目以地震勘探反问题为背景，结合自编码和字典学习数学理论，提出了边缘去噪字典学习方法。该方法利用边缘去噪自编码从噪声数据中恢复得到原始数据。同自编码方法相比较，边缘去噪自编码方法使噪声边缘化，不需要利用随机梯度下降方法和其他优化方法学习自编码网络参数，解决了自编码方法中计算成本高的问题。然后从恢复数据中学习字典，并利用局部约束将数据的空间特征添加到学习过程中，使得学习到的字典具有较强的识别能力。.本项目的研究不仅提高了字典学习方法的识别能力，也减弱了深度学习方法对训练数据的依赖，能够更好的实现数据去噪。

在地震勘探中，采集到的数据包含噪声信息，如随机噪声和面波。由于面波和地震数据之间的相干性较强，目前的字典学习方法识别能力差，不能够较好的处理地震数据噪声压制问题。本项目以地震勘探为背景，结合深度学习和全变差理论，提出了基于全变差正则化字典学习方法和双学习地震数据去噪方法。在全变差字典学习中，利用全变差方法，建立了采样点和周围信号之间的联系，在字典学习中加入了空间特征，实现了地震数据弱信号恢复。在双字典地震数据去噪方法中，结合了字典学习和深度学习方法的优点，提高了字典学习方法自适应性和克服了深度学习要求训练数据和测试数据特征相似性的不足。本项目的研究提高了字典学习方法学习到的字典的识别能力，能够更好地处理不同类型的地震数据噪声，减弱了深度学习对训练数据的依赖。