地震数据去噪的研究与分析
F-X域去噪方法研究
F-X域去噪方法研究地震勘探是寻找油气和煤田过程中一种十分有效的地球物理方法。
经过多年的勘探,埋深浅、构造简单的地质构造都已基本查明;剩余未查明的区域基本都是埋藏深、构造复杂的地质构造。
这就对地震数据勘探的方法和数据处理解释的要求也就越来越高。
在采集方法改善的同时,对地震数据处理信噪比提高方法的要求也随之提高。
因此,在地震资料处理中相应提出了高保真、高分辨率、高信噪等要求。
高保真、高分辨率是以高信噪比为基础的,本论文就是基于地震资料信噪比提高的F-X域去噪进行研究,以期通过本论文研究能够在F-X域去噪方面达到一定的效果。
在地震数据处理过程中,通常会根据地震数据中噪音在不同域中的分布规律,会将地震数据变换到不同的域中,并根据在不同域中噪音的分布规律进行统计去噪。
F-X域预测滤波去噪技术是一种比较有效去除随机噪声的方法,其理论依据:在F-X域直线型或近似直线型信号在X方向上是有规律可循的,即可以推算出来这些信号,而随机噪声是在X方向上是没有规律的,无法推算出来的。
据此可求出每个频率点上的预测滤波算子,把滤波算子作用到此频率点的原始数据上,就可以预测出只含有效信号的数据,从而压制随机噪声。
本次研究中,首先将各种相干信号及随机噪声从T-X域变换到F-X域,分析它们在F-X域中与有效信号或规则信号的不同之处,得出随机噪声在F-X域的特点,然后根据其特点通过编写程序实现F-X域预测滤波;并通过理论模型对所编程序进行测试,得出随机噪音在F-X域的分布规律及程序中与F-X域去噪相关参数的选择规律。
实际地震数据中有效反射信号为双曲线,虽然F-X域预测滤波对数据有比较严格的要求,即要求有效信号为线性或近线性的,但共偏移距道集内有效信号的同相轴较为平缓,因此可以先把地震数据抽成共偏移距道集,再进行F-X预测滤波处理。
本次研究先从理论上对含多个线性同相轴的地震记录进行公式推导,得出了线性同相轴可以预测的模式,此模式和自回归AR模型十分吻合。
三分量地震资料叠前去噪方法.
三分量地震资料叠前去噪方法单分量或多分量地震资料均存在噪声,对地震资料中的噪声进行剔除和压制以提高地震资料信噪比是地震资料处理中的一项重要内容。
为实现上述目标,迄今为止,人们发展了大量的先进的数字处理技术,但绝大部分均是针对单分量地震而发展的。
与常规纵波资料相比,转换波资料有其自己的复杂性,资料上面波干扰能量很强,使得转换波记录的信噪比比起纵波要低很多。
同时,由于转换横波主频也偏低,有效波与面波频带重叠范围相对较大,常见的适用于纵波记录的噪音压制、衰减方法往往不能取得理想的效果。
本文在分析常规纵波去噪方法应用于三分量地震资料的适用性与存在的问题的基础上,结合三分量地震的特点,充分利用这三个分量的地震信息,主要研究了自适应矢量滤波方法和矢量分解去噪方法,并得出以下结论:(1)常规纵波基于频率域滤波的叠前去噪方法用于转换波时,会在很大程度上破坏有效波成分;(2)自适应矢量滤波方法:从模型数据试验来看,自适应滤波方法应用效果很好,但由于实际三分量资料上噪音的复杂性,此方法的使用有一定的局限性,对参考噪音依赖太大。
(3)矢量分解压噪法可以很好的用于去除常规地震资料上的随机噪音,去除效果受时窗和相关道数的影响。
从矢量分解法在2D2C数据上去噪的应用看,矢量分解压噪法可以很好地压制掉Z分量上的转换波、随机噪音;另一方面,矢量分解压噪法可以很好地压制掉X分量上的p波和随机噪音。
同主题文章[1].朱振宇,刘洪. 一种地震资料处理结果的发布策略及其实现' [J]. 煤田地质与勘探. 2005.(01)[2].朱佛宏. 波罗的海地震的危险性' [J]. 海洋地质动态. 2007.(02)[3].本刊编辑部. 地震小百科' [J]. 生态经济. 2008.(06)[4].李秋成. 菲律宾重新处理地震资料' [J]. 国外油气勘探. 1995.(02)[5].何其淳. 0.5毫秒采样率地震资料的处理' [J]. 石油地球物理勘探. 1983.(01)[6].庞雄奇,付广,陈章明,陈发景. 地震资料用于地层古厚度恢复与剥蚀量计算方法探讨' [J]. 大庆石油学院学报. 1991.(04)[7].姚树新,陈华. PC CLUSTER地震资料处理系统集成与应用' [J]. 工程地球物理学报. 2005.(06)[8].蔡克明. 胶东两起历史地震考' [J]. 防灾减灾工程学报. 1983.(01)[9].马春勤. 唐山抗震纪念碑和唐山地震资料陈列馆简介' [J]. 国际地震动态. 1986.(07)[10].中朝地震科学研讨会在北京举行' [J]. 国际地震动态. 1989.(11)【关键词相关文档搜索】：地球探测与信息技术; 三分量地震; 信噪比; 自适应矢量滤波; 矢量分解【作者相关信息搜索】：中国地质大学（北京）;地球探测与信息技术;张聿文;何银娟;。
地震数据重建和去噪方法研究
地震数据重建和去噪方法研究地震数据重建和去噪方法研究摘要：地震勘探是石油勘探开发领域中非常重要的一种勘探手段，而地震数据在勘探过程中起到关键的作用。
本文研究了地震数据重建和去噪方法，包括了传统方法以及近年来发展的一些新的算法。
传统方法主要包括平滑、预测滤波、小波变换等。
而新的算法包括稀疏表示、低秩矩阵分解等。
针对各种算法的优缺点，本文结合实验数据分析提出适用于不同情况的方法，并对这些算法的应用展开了讨论。
关键词：地震勘探；数据重建；数据去噪；稀疏表示；低秩矩阵分解1.引言地震勘探是指人们运用物理勘探技术来探测地下潜在的地质资源、地形地貌和重大地质灾害隐患等方面信息的一种勘探方法。
利用地震波在地下传播的信息来描绘地下界面的地姿结构，以此为依据进行石油勘探活动。
而地震勘探中的地震数据在勘探过程中起到关键的作用，其中一个重要的问题就是如何对地震数据进行重建和去噪，以保证数据的准确和可靠性。
2.地震数据重建和去噪方法2.1 传统方法传统的数据重建和去噪方法主要包括平滑、预测滤波、小波变换等。
平滑方法是指用一个平均值替代原信号上的噪声。
这种方法的优点是简单易行，但是也有一些缺点，比如在信号中存在较多高频成分时可能丢失一定的信号信息。
预测滤波是利用一些数学模型对信号进行滤波，以达到去噪的效果。
该方法需要确定信号模型参数，精度高但计算量较大。
小波变换是将原始信号分解成一系列小波包，再根据不同尺度和频率将信号去噪。
这种方法相对于平滑和预测滤波来说具有更高的精度和更低的失真率，但也存在着计算量较大和设置参数困难等问题。
2.2 新的方法稀疏表示和低秩矩阵分解是近年来非常流行的数据重建和去噪方法。
稀疏表示是一种新的信号处理方法，它把稀疏信号表示为一组基序列的非常少的线性组合。
其将信号表示为原信号中的一小部分，因此可以用较少的数据表示源数据，从而可以达到去噪的目的。
低秩矩阵分解是另一种重构噪声信号的有效方法。
原理是通过矩阵分解将原始信号分解成低秩矩阵和稀疏矩阵两部分。
地震资料的小波去噪方法
点坝 侧 积体 ；
３ ３ 点坝 内侧 积 层 、 积体 、 积 面表 面 并 不 是 严 ． 侧 侧
』 Ｊ ／ ｛】
２１ 年第 ６ ００ 期
地震 资料 中去 除 。
３ ２ 闽 值 函 数 的 选 取 ．
选 取合 适 的阈值 函数 对 小波 系数进 行 处理 是小 波 阈值 去 噪法 的关键 问题 。 目前常 用 的有两 种 处理 方 法 ： 阈值 法和 软 阈值法 。 阈值 法是 把信 号 小波 硬 硬 系数 的绝 对值 与 阈值 比较 ， 小于 或 等 于 阈值 的小 波
去 噪方 法 模 极 大 值 去 噪 尺 度 相关 性 去 噪 小 波 域 阈 值 去 噪
系数变 为零 ， 大于 阈值 的点 保持 不变 。 阈值 法是 把 软 比较后 小波 系数 大于 阈值 的 点变 为 该 点与 阈值 的差
２ 方法 原理
２ １ 基 于 小 波 分 频 的 去 噪 方 法 ．
量
ｌ Ｉ
格光 滑 的 ， 是有 一定 的 剥蚀 日期 ：０ Ｏ ０ — ２ 孜稿 ２１一 １ ８
内 蒙古 石 油 化 工
优 估计 ， 计算 量 小 ， 应 性 广 ， 此得 到 了广 泛 的应 适 因 用。
三 种 小 波 域 去 噪 方 法 优 缺 点 比较
２ １ 年第 ６ ００ 期
内 蒙 古石 油化 工
４ ７
地 震 资 料 的 小 波 去 噪 方 法
石 岩峻
（ 成都理工大学 信息工程学院 ， 四川 成 都 ６ ０ ５ ） １０ ９
地震波形数据的处理和分析
地震波形数据的处理和分析1. 引言2. 数据采集3. 数据预处理- 数据格式转换- 数据降噪- 数据校正4. 数据分析- 时域分析- 频域分析- 时间-频率分析5. 结束语1. 引言地震是地球上的一种常见自然灾害，它可能造成巨大的生命和财产损失。
地震波形数据的处理和分析是了解地震活动和预测地震可能性的关键步骤。
本文旨在介绍地震波形数据的处理和分析方法，帮助科研工作者更好地利用这些数据来研究地震活动和预测地震可能性。
2. 数据采集地震波形数据的采集通常使用地震仪。
地震仪通常由三个基本部分组成：传感器、记录器和电源。
传感器用于测量地震波，将其转换为电信号。
记录器接收来自传感器的信号，并将其记录在磁带、磁盘或计算机存储器中。
电源用于提供记录器和传感器所需的电力。
3. 数据预处理处理地震波形数据的首要任务是对其进行预处理。
地震数据预处理可以分为数据格式转换、数据降噪和数据校正三个部分。
- 数据格式转换地震数据采集器通常会以其自己的格式存储数据。
因此，在使用数据之前，必须将其转换为统一的格式。
这通常需要使用专业软件或自己编写的代码来完成。
- 数据降噪地震波形数据通常包含许多各种各样的噪声，并可能出现一些异常值或目标外的信号。
因此，需要降低噪音，以使信号更加清晰。
常用的降噪方法有滤波、去除基线漂移等。
- 数据校正校正是指将原始地震波形数据转换为标准的地震量，例如位移、速度或加速度。
地震波形数据的校正可通过对地震仪的灵敏度和响应函数进行测量来完成。
4. 数据分析地震波形数据的分析涉及到时间域分析、频域分析和时间-频率分析。
- 时域分析时域分析是分析地震波形数据的时间特性。
时域分析方法通常包括峰值、振幅、半周期等。
- 频域分析频域分析是分析地震波形数据的频率特性。
这可以通过将波形数据转换为频谱来实现。
最常用的频域分析方法是傅里叶变换。
- 时间-频率分析在许多情况下，需要分析地震波形数据的时间和频率特性。
这可以通过使用小波分析完成。
地震背景噪音数据在地球物理反演中的应用
地震背景噪音数据在地球物理反演中的应用地震背景噪音数据（地震数据）是指地球上的自然噪音，由地下和地表的各种物理过程引起，不是由人类活动引起的。
这些数据在地球物理反演中的应用具有重要意义。
本文将从背景噪音数据的获取和处理、地球物理反演的原理和方法以及背景噪音数据在地球物理反演中的应用三个方面展开阐述。
首先，获取和处理地震背景噪音数据是应用于地球物理反演的首要步骤。
地震背景噪音主要由地震波、地表浪、大气噪音等多种信号组成，获取这些数据主要通过地震台站、气泡和水下观测设备等。
然后，对噪音数据进行合理的预处理，在确保数据质量的同时，去除可能干扰反演结果的噪音干扰。
常见的预处理方法包括滤波、去噪和归一化等。
接下来，我们将介绍地球物理反演的原理和方法。
地球物理反演是指基于大量地震背景噪音数据，通过对地下结构及其物理属性的反演，以解决地球物理问题的方法。
常见的反演方法包括层析成像、全波形反演和Tomography等。
其中，层析成像方法基于波传播理论，通过观测到的波传播路径和波形信息，推断出地下介质的速度和密度等物理属性。
全波形反演方法则是对地震背景噪音波形进行全面分析，通过匹配模拟波形和观测波形来反演地下介质的物理属性。
Tomography方法则基于地震背景噪音数据的旅行时间信息，解决了传统地震数据在分辨率和覆盖范围上的局限性。
最后，我们将探讨地震背景噪音数据在地球物理反演中的应用。
地震背景噪音数据的应用广泛，可以用于地下结构反演、地下水资源探测、地下岩浆体研究等。
首先，背景噪音数据在地下结构反演中，能够提供地壳、地幔、地核等不同深度区域的速度和密度信息，为地质构造和地震活动等研究提供了重要依据。
其次，地震背景噪音数据在地下水资源探测中能够通过反演地下介质的物理属性，帮助确定水文地质条件和地下水储层的分布，并提供地下水动态变化的监测手段。
最后，在地下岩浆体研究中，地震背景噪音数据可以用于检测岩浆运动、岩浆来源和岩浆喷发预测等。
常用地震噪音去除方法分析
常用地震噪音去除方法分析在实际地震资料中，总是同时包含有效信息和或多或少的噪声，它们不可能完全分开，所以需根据资料中噪声的特征使用最合适的去噪方法或不断地改善去噪方法，争取最大程度地提高地震资料的信噪比和分辨率。
标签：地震资料；噪音去除方法1常见噪音类型分析随机噪声是一类无一定视速度，无一定频率的干扰波，在地震勘探中不可避免。
它会降低地震资料的信噪比，影响到动校正与静校正的精度，从而直接影响地震资料处理的质量。
李庆忠院士对随机噪声的特性专门进行了描述。
地震过程中的噪声有很多种分类方法。
例如，处理过程中常见的，按噪声的特征分类，地震勘探过程中的噪声主要分为规则噪声和不规则噪声（也称随机噪声）。
规则噪声主要是指有一定主频和视速度的干扰波，例如面波、声波、多次波、转换波、侧面波、浅层折射波、鸣震等。
而不规则噪声没有一定规律、随机出现，在地震记录上形成杂乱无章的干扰背景，例如风吹草动、机器运转、生物活动等。
随机噪声可以根据地震噪声的产生原因不同分为三大类型：系统噪声、环境噪声和次生随机噪声。
系统噪声的能量主要与采集设备的老化程度有关，一般能量较小，随机性也不大，儿乎可忽略不计。
环境噪声是工区内固有的随机噪声，在地震记录上通常表现为杂乱无章的振动，频谱很宽，无一定的视速度，其能量的大小不随施工因素的改变而变化。
但环境噪声的干扰强度与施工因素有关，主要是与采集系统中的激发、接收条件有关，接收条件的优劣决定了抗干扰能力的强弱。
次生随机噪声的强弱，与激发因素的关系非常密切。
面波是地震勘探中常见的噪声。
面波主要有3中：瑞雷面波、勒夫面波和斯通利面波。
在地震勘探中观测到的面波，主要是沿地表传播的瑞雷面波，其特点为：传播速度小，约为地表横波传播速度的0.92倍，速度一般为100-1000m/s,其中以200-500m/s最为常见；频率低, 一般只有儿赫兹到20-30HZ；能量强，衰减缓慢。
强能量干扰包括猝发脉冲、异常扰动、声波干扰等，对于三维资料来说，野值和串状干扰是很难用人工方法剔除干净的。
基于曲波变换的叠后三维地震资料去噪处理研究
２ Ｚｈ ｎ ｉｎ ａ ｃ ｆ ＣＮＯＯＣ Ｌｔ ， ａ ｇ ｏ ｇ， ２ ０ ７ ． ａ ｊａ ｇＢｒ ｎ ｈ ｏ ｄ．Ｇｕ ｎ ｄ ｎ ５ ４ ５ ）
Ａｂｓｒ ｃ ：Ｂａ ｅ ｈ ａ ｈｅ ａ ｉ ｒｎｃｐｌｏｆｃ — ｔａ ｔ ｓ ｄ ｏｎ ｔ ｅ ｍ ｔ ｍ ｔｃ ｐ ｉ ｉ ｕｒ ｖｅ ｅ ｒ ｎｓ ｏ ｍ ， ａ ｌｔｔａ ｆ ｒ ｎｅ ｗ ａ ｇ ｉｈ ａ ｄ ｒ ｅ ｓ Ｏ ｌ ｏｒｔ ｍ ｎ ｐ ｏｃ ｓ ｔ ａ ｌ ｗ ｏ ｄ ｍ ｅ ｉ ｕ ｖｅ ｅ ｒ ｎｓｏｒ ｉ ｅ ｏｉ— ｐｐ ｙ ｔ ｉ ｎｓｏｎ ｃ ｒ ｌｔ ｔ ａ ｆ ｍ ｎ ｄ ｎ ｓ ｉ ｓ ｓ ａ ｋ ３ ｓ ｉ ｍ ｉ ｄ ｔ ｖ ｅ ｓ ｇ ｄ ｎｇ ｐｏ ｔ ｔ ｃ Ｄ ｅｓ ｃ ａ ａ ｈａ ｅ ｂｅ ｎ ｄｅ ｉ ｎｅ ａ ｅ ｌｚ ｄ ｂｙ ｕ ｉ ｇ ｔ ａ ｅ ｔ ｒ ｓ ａ ｃ ｅ ｕ ｔ ｆ ｎｄ ｒ ａ ｉｅ ｓ ｎ ｈｅ ｌｔ ｓ ｅ ｅ ｒ ｈ ｒ ｓ ｌｓ ｏ ｎｕ ｅ ｉ ｌ ｏ ｉｈｍ ． Ｔ ｈ ｍ ｒｃ ａ ｇ ｒｔ ｅ ３Ｄ ｅ ｓ ｉ ｔ ｄ ｎ ｓ ｄ ｓ ｉｍ ｃ ｄａ ａ ｅ ｏｉｅ
题 ， 由于受 目前计 算 机技术 的限制 ， 但 真正 的三 维 曲 波 变换还 不能 应 用 于 实 际去 噪处 理 中。我 们 相 信 ， 在 不久 的将来 曲波 变换 将在 地震 资料 处理 中发 挥更 加 重要 的作用 。
参 考 文பைடு நூலகம் 献
ＫＲｏＨ Ｎ Ｒ０ＮＥＮ ＤＥＥＲＥ ｅ ｌ ｎｔｏ ｕｃ ｉ ｏ ｔ ｉ Ｃ， Ｓ， Ｊ， ｔ ａ ＿Ｉ ｒ ｄ ｔ ｏｎ ｔ ｈ ｓ
第２ ２卷
第 １ 期
周 家 雄 等 ： 于 曲 波 变 换 的 叠 后 三 维 地 震 资 料 去 噪 处 理 研 究 基
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
2017年12月第17卷第4期廊坊师范学院学报(自然科学版）Journal of Langfang Teachers University(Natural Science Edition)Dec.2017Vol.17 No.4地震数据去噪的研究与分析崔少华，方振国，姜恩华(淮北师范大学，安徽淮北235000)【摘要】小波分解利用信号和噪声在时频域内小波系数差异，重构信号从而去除噪声;SV D算法利用信号和噪声奇 异值的差异，选取合适的空间维数重构信号从而去除噪声。
通过模型验证对比了两种算法的去噪效果和优缺点，发现 小波算法对水平同相轴和倾斜同相轴具有相同的去噪效果，但运算时间较长;SV D算法对水平同相轴去噪效果很好，对于倾斜同相轴几乎不能去噪，但运算时间较短。
【关键词】小波分解;SV D算法;水平同相轴;倾斜同相轴Research and Analysis of Seismic Data DenoisingCUI Shao-hua, FANG Zhen-guo, JIANG En-hua(Huaibei Normal University,Huaibei235000 ,China)【A bstract】The wavelet decomposition uses the difference of signal and noise in the time—frequency domain wavelet coefficient，then reconstructs the signal wiping off noise; SVD algorithm uses the difference of the signal and noise singular value, selecting the appropriate dimensions to reconstmct the signal wiping off noise. Through the comparison of two kinds of model validation algorithm for denoising effect, we know that wavelet algorithm for level phase axis and dip phase axis has the same denoising effect, but the operation time is long. The SVD algorithm for level event denoising effect is very good and the operation time is short, but it does not fit for dip event axis denoising.【K eyw ords】wavelet decomposition; SVD algorithm; horizontal event; dip event〔中图分类号〕P315 〔文献标识码〕A〔文章编号〕1674-3229(2017)04-0033-03〇引目实际中采集到的地震数据通常混入大量随机噪 声，几乎不可避免，因此对地震数据进行随机噪声压 制往往是处理数据的首要工作。
小波分解去噪是在 时频域内处理信号，而SVD则是在时域内处理信号。
本文主要针对上述两种去噪方法进行探讨和分析，从而归纳两种算法的优缺点。
1小波分解与重构去噪法1.1 基本原理小波变换显示的是信号的局部特性，通过伸缩和 平移等运算将信号进行多尺度细化分析r a(MultiscaieAnalysis)。
小波分解与重构去噪法是利用小波变换根据实际需要，将信号(含噪声)分解到同一个尺度下，得 到一系列处于不同频带的小波系数（一酿为高频部分对应信号，低频部分应噪声)。
通过将噪声所在频 带置为零，再进行小M构，从而达到去噪的躲假设/4是/(0的采样数据，即/4=c«u(零尺度空 间小波系数),则可将信号/0)的正交小波变换分解 的公式p写为：C i,k= H C j-lnhn-2kndi,k= H dJ-hnS (2)(1)其中=〈外),‘(0〉表示尺度系数，表示小波系数[4W表示对信号进行小波分解的层数，A分别为一对正交镜像滤波器组，信号离散采样点数用斤表示。
小波经上述分解后的[收稿日期]2017-07-16[基金项目]安徽省高等学校自然科学研究项目（KJ2017B008);淮北师范大学质量工程项目(jy2016133)[作者简介]崔少华（1983-)，女，硕士，淮北师范大学物理与电子信息学院讲师，研究方向：电子与通信。
• 33 •2017年12月廊坊师范学院学报（自然科学版)第17卷•第4期逆过程就是小波重构问过程，即：cj-m =Z (cy >V 2n +^,n^-2n)(2)n1.2模型验证构成1个二维地震记录:总共200道，每道501 个采样点，采样间隔1毫秒，其中一条水平同相轴, 一条倾斜同相轴。
地震子波采用峰频为50H z 的Ricker 子波，每道数据加人幅度为0.1的随机噪声， 如图1所示。
对原始数据进行小波分解与重构，去噪 结果如图2所示，噪声如图3所示。
20406080100120140160180200图2小波重构有效信号偏移/m图3小波分解去除噪声由图2可知，小波分解算法可以将混合数据中的大量随机噪声进行压制，对于倾斜同相轴也可以 达到很好的去噪效果。
但由图3可知,去除的噪声中 还含有部分信号的能量，这是由于小波分解时采用 的Symmlet 8小波算子进行8尺度分解，在重构时对 信号有一定损伤。
可见小波分解算法只要选取合适 的小波分解算子,即可达到理想的去噪效果。
2 SVD 分解去噪算法2.1 SV D 原理假设地震记录为mxri 的数据矩阵X ，其中m 表 示地震波通道观察个数，n 表示每个通道上的采样 点数。
将矩阵Z 做分解变换为〜X = U Y .V 1(3)mxnmxmmxnnxn式(3)中[/与F 均为正交归一阵，E 为准对角矩阵，在的情况下，有〇\ 0 …0 0•"0^cr 2 00 〇•"〇m x n： ： *.: : :0 ••• 〇■_.0**•0L m ⑷一般设0^(72称C T ;为数据的X奇异值。
x ^i^iuiv,T (5)/=1式中&和^称为左、右奇异矢量'其维数分别 为 m x l 和 r exl 〇因此，维数为/n X r i 的原始数据就被分解成维 数相同的ni 个子矩阵,这就是奇异值分解'确定有效信号空间维数心进行选择前个本 征图像来进行重构就可以恢复有效信号：FP(s ) = a siuiv，T(6)SVD 分解算法在去噪时的关键是对有效信号 进行重构，所选取的重构信号维数P ,即加权本征 图像的个数，对于去噪结果有很大的影响' 若选用P 的维数小于有效信号的维数，则无法重构信号且 在去除噪声中包含信号能量，即对信号有损伤;若 选用P 的维数大于信号的维数，则会引人过多的随 机噪声，在重构的信号中含有大量噪声未被压制，去噪效果不佳。
因此重构维数P 的选择是SVD 算法 的关键。
• 34•第17卷•第4期崔少华等:地震数据去噪的研究与分析2017年12月2.2模型验证采用图1的含噪原始数据进行SVD分解，由于 数据中同相轴仅含有两种倾角，因此重构维数/>=2, 重构结果如图4所示，噪声如图5所示。
偏移/m图5 SVD去除噪声由图4可知，SVD重构信号中只含有水平同相轴，不含有任何倾斜同相轴，这是由于SVD算法 是在时域进行分解，利用各道数据之间的相关性将 地震记录分解成奇异值并按序排列，信号的有效性 越强，分解出奇异值差异越明显w，越利于提取信 号的奇异值进行重构去噪。
由于倾斜同相轴各道 的相关性减弱(倾角越大，相关性越弱），因此SVD 算法无法对其进行重构。
从图5很明显地看出，倾 斜同相轴完全没有被重构，噪声中却不含有任何水 平同相轴的能量，所以SVD时域分解对倾斜同相轴 有严重的损害。
3小波算法与SVD算法的对比3.1 PSNR的对比采用图像的峰值信噪比（Peak Signal to Noise Ratio,PSNR)对两种算法对比，结果如表1所示。
表1两种算法PSNR对比小波分解算法PSNR=75.7284dBSVD算法PSNR=67.5590dB由表1可知，小波分解算法的PSNR高出SVD 算法的接近8dB，这说明前者还原图像的程度高于 后者，即前者的去噪效果优于后者的去噪效果。
3.2去噪时间的对比在实际中往往处理的是大规模地震记录，因此 X才于处理时间的要求同样严格。
将两种算法的去噪 时间进行对比(基于验证模型），结果如表2所示。
表2两种算法去噪时间对比小波分解算法23.6120sSVD算法8.3830s3.3去噪效果的对比小波算法在分解和重构信号时对有效信号和噪 声采用同一个分解尺度，因此对水平同相轴和倾斜 同相轴去噪效果相同（图2)，同时小波分解算法对 于倾斜同相轴具有良好的去噪效果(图3)〇SVD算法对水平同相轴的去噪效果最佳（图 4)，对倾斜同相轴几乎不能去噪(图5)。
4总结综上所述，小波分解算法和SVD算法各有优缺 点，决定小波分解算法去噪效果的关键因素是小波 算子分解尺度的选取，分解尺度越大，去噪越明显。
但尺度选取过大，在去噪时会引入过多随机噪声，反 而会使去噪效果下降。
决定SVD算法去噪效果的关键因素是重构维 数的选取，且重构信号维数的取值需人工判断，在大 数据量的地震记录中，每个频率切片上对重构维数 均需进行判断和选取。
[参考文献][1]王香云.基于信号去噪的小波算法研究[J].太原师范学院学报（自然科学版）,2015,14(1) :33-37.[2]王超，沈斐敏小波变换在探地雷达弱信号去噪中的研究[J].物探与化探，2015，39(2): 421-424.[3] 崔少华，单巍•基于小波分析的地震资料去噪方法的研究和应用[J].淮北师范大学学报(自然科学版),2016,37⑶:434& [4]蔡正保.一种基于混池加密和小波变换的数字水印技术研究[J]•廊坊师范学院学报(自然科学版),2016,16(2): 17-21.(下转第42瓦）• 35•2017年12月廊坊师范学院学报（自然科学版)第17卷•第4期X 0003.1常开触点恢复高电平，松开+X 按键，G 116.0 常为“1”，再按下RESET 复位按键后，报警解除。
X 0007.3和X 0010.2分别表示+Y 按键和+Z 按键，同 理当出现Y 轴或Z 轴负超程报警时，分析方法类似。