現(xiàn)代信息處理技術(shù)在地球物理中的應(yīng)用

目錄
第1章　地球物理資料濾波方法　1
1.1　小波變換與小波域濾波　1
1.1.1　小波變換原理　1
1.1.2　小波域濾波實現(xiàn)　3
1.2　高階統(tǒng)計量濾波　5
1.2.1　高階累積量及高階累積量譜的概念　5
1.2.2　高階累積量及高階累積量譜的估計　7
1.2.3　基于三階譜的傅里葉振幅與相位重構(gòu)　9
1.2.4　基于三階譜的位場濾波算法　13
1.3　Curvelet域濾波　13
1.3.1　Curvelet變換原理　13
1.3.2　基于高階統(tǒng)計量的Curvelet域濾波　15
1.4　基于L2范數(shù)的濾波方法　17
1.4.1　原理及數(shù)學形式　17
1.4.2　參數(shù)選擇與方法的物理意義　19
1.5　模型數(shù)值實驗　20
1.6　實際資料濾波案例　25
第2章　位場異常識別與邊界探測　29
2.1　位場異常導數(shù)換算及應(yīng)用前提　29
2.1.1　位場異常導數(shù)的物理意義　30
2.1.2　磁異?；瘶O與磁源重力異常計算　31
2.2　垂向?qū)?shù)　32
2.3　水平總梯度?！?5
2.4　解析信號振幅　36
2.5　Theta圖　37
2.6　Tilt梯度及其水平導數(shù)　38
2.6.1　Tilt梯度　38
2.6.2　Tilt梯度的水平導數(shù)　38
2.6.3　模型實驗　39
2.7　歸一化標準差　40
2.8　Tilt梯度的改進算法　40
2.8.1　模型實驗　42
2.8.2　韋崗鐵礦區(qū)磁異常邊界探測　45
2.9　斜磁化磁異常處理　51
第3章　基于各向異性標準化方差的重磁源邊界分析　56
3.1　各向異性標準化方差算法　56
3.1.1　算法原理　56
3.1.2　算法的物理意義與計算流程　57
3.1.3　理論模型　59
3.2　改進的各向異性標準化方差算法　60
3.2.1　算法原理　60
3.2.2　計算流程　62
3.2.3　理論模型　63
3.3　各向異性標準化方差算法性質(zhì)　65
3.4　復雜模型計算對比　66
3.4.1　理論模型　67
3.4.2　含噪聲模型　69
3.5　各種方法處理效果對比　76
第4章　基于譜矩分析技術(shù)的位場幾何特征　78
4.1　譜矩基礎(chǔ)知識　78
4.1.1　譜矩的定義　78
4.1.2　離散數(shù)據(jù)的各階譜矩計算　79
4.2　基于譜矩的地學特征因子提取方法及應(yīng)用　81
4.2.1　表面統(tǒng)計不變量與均方根斜率方差因子　81
4.2.2　自由空氣重力異常數(shù)據(jù)的山脈和盆地識別　82
4.3　譜矩方法在磁源體深度反演中的應(yīng)用　84
4.3.1　算術(shù)平均頂點曲率　85
4.3.2　球狀磁源體埋深估計　86
4.3.3　板狀磁源體埋深估計　88
4.3.4　塔里木盆地地區(qū)的應(yīng)用效果　90
4.4　基于地殼弧形構(gòu)造信息提取的四階譜矩分析　93
4.4.1　基于譜矩的邊界識別方法　93
4.4.2　理論模型實驗　94
4.4.3　應(yīng)用案例　99
第5章　震前地球天然脈沖電磁場信號采集與特征分析　101
5.1　地球天然脈沖電磁場場源機理　101
5.2　地球天然脈沖電磁場信號采集　102
5.3　地球天然脈沖電磁場信號的震前特征　103
5.3.1　震前ENPEMF信號的時頻譜分解　103
5.3.2　震前ENPEMF信號時頻參數(shù)的孕震信息特點　110
5.3.3　時頻幅度譜二維圖的孕震信息特點　115
5.3.4　時頻幅度譜三維圖的孕震信息特點　120
第6章　時頻分析在地球天然脈沖電磁場數(shù)據(jù)信息提取中的應(yīng)用　124
6.1　時頻分析方法　124
6.1.1　Hilbert變換與譜　124
6.1.2　自適應(yīng)時頻　127
6.1.3　WVD的改進算法　129
6.2　NSTFT-WVD變換在震前地球天然脈沖電磁場信號時頻與能量分析中的應(yīng)用　132
6.2.1　NSTFT-WVD方法原理　132
6.2.2　基于NSTFT-WVD變換的震前ENPEMF信號的時頻特點　136
6.3　BSWT-DDTFA方法在震前地球天然脈沖電磁場信號時頻分析中的應(yīng)用　140
6.3.1　BSWT-DDTFA方法原理　140
6.3.2　BSWT-DDTFA方法仿真　141
6.3.3　基于BSWT-DDTFA的震前ENPEMF信號的時頻特點　143
6.4　EEMD-WVD方法在震前地球天然脈沖電磁場時頻特性中的應(yīng)用　146
6.4.1　ENPEMF數(shù)據(jù)的二維時頻分解　146
6.4.2　EEMD-WVD分解　148
6.5　DE-DDTFA方法在震前地球天然脈沖電磁場信號時頻特性中的應(yīng)用　150
6.5.1　DE-DDTFA方法原理　151
6.5.2　DE-DDTFA方法仿真　152
6.5.3　基于DE-DDTFA的震前ENPEMF信號的時頻特點　153
第7章　混沌-神經(jīng)網(wǎng)絡(luò)在地球物理信號強度預測中的應(yīng)用　157
7.1　混沌理論　157
7.1.1　假鄰近法　158
7.1.2　自相關(guān)函數(shù)法　159
7.2　徑向基函數(shù)神經(jīng)網(wǎng)絡(luò)　160
7.3　基于混沌-徑向基函數(shù)神經(jīng)網(wǎng)絡(luò)的震前地球天然脈沖電磁場強度預測　162
第8章　低秩逼近在地震數(shù)據(jù)重建中的應(yīng)用　167
8.1　基礎(chǔ)知識　167
8.1.1　地震數(shù)據(jù)重建模型　167
8.1.2　矩陣的秩　167
8.1.3　張量的秩　168
8.2　基于低秩逼近的地震數(shù)據(jù)重建原理　169
8.2.1　Hankel矩陣預變換　169
8.2.2　紋理塊矩陣預變換　170
8.2.3　地震數(shù)據(jù)的低秩性　171
8.3　基于紋理塊張量預變換的地震重建　171
8.3.1　紋理塊張量預變換　171
8.3.2　紋理塊張量預變換下地震數(shù)據(jù)重建模型　173
8.3.3　模型求解　173
8.3.4　數(shù)值實驗　175
8.4　基于log-sum函數(shù)的地震數(shù)據(jù)重建　180
8.4.1　基于核范數(shù)的地震數(shù)據(jù)重建方法　181
8.4.2　基于log-sum函數(shù)的地震數(shù)據(jù)重建方法　181
8.4.3　數(shù)值實驗　183
8.5　基于自相似性和低秩先驗的地震數(shù)據(jù)隨機噪聲壓制　187
8.5.1　自相似塊匹配　187
8.5.2　基于截斷核范數(shù)的低秩模型　188
8.5.3　APGL優(yōu)化求解　189
8.5.4　數(shù)值實驗　191
第9章　深度學習在地震數(shù)據(jù)重建中的應(yīng)用　195
9.1　深度學習概述　195
9.1.1　深度學習的起源與發(fā)展　195
9.1.2　深度學習應(yīng)用于地震數(shù)據(jù)重建的研究現(xiàn)狀　196
9.2　卷積神經(jīng)網(wǎng)絡(luò)　196
9.2.1　卷積神經(jīng)網(wǎng)絡(luò)的基本組成部分　196
9.2.2　地震數(shù)據(jù)重建中常用的CNN模型　199
9.3　帶紋理約束的深度神經(jīng)網(wǎng)絡(luò)在地震數(shù)據(jù)插值中的應(yīng)用　200
9.3.1　算法模型　201
9.3.2　實驗分析　203
9.4　基于深度先驗的地震數(shù)據(jù)插值　210
9.4.1　基礎(chǔ)知識　210
9.4.2　實驗分析　215
9.5　基于卷積神經(jīng)網(wǎng)絡(luò)的地震數(shù)據(jù)去噪　220
9.5.1　CNN-NP結(jié)構(gòu)　220
9.5.2　隨機噪聲去除　222
9.5.3　面波去除　225
參考文獻　228