本书介绍现代信息处理方法在重力、磁力、电磁、地震等地球物理信号信息提取中的应用，主要包括地球物理资料滤波、位场边界识别、谱矩分析位场几何特征提取、地球天然脉冲电磁场信号特征分析、地球天然脉冲电磁场时频分析、地球物理信号混沌-神经网络预测、低秩逼近地震数据重建，以及深度学习地震数据重建等方法与技术。
样章试读
目录
- 目录
第1章 地球物理资料滤波方法 1
1.1 小波变换与小波域滤波 1
1.1.1 小波变换原理 1
1.1.2 小波域滤波实现 3
1.2 高阶统计量滤波 5
1.2.1 高阶累积量及高阶累积量谱的概念 5
1.2.2 高阶累积量及高阶累积量谱的估计 7
1.2.3 基于三阶谱的傅里叶振幅与相位重构 9
1.2.4 基于三阶谱的位场滤波算法 13
1.3 Curvelet域滤波 13
1.3.1 Curvelet变换原理 13
1.3.2 基于高阶统计量的Curvelet域滤波 15
1.4 基于L2范数的滤波方法 17
1.4.1 原理及数学形式 17
1.4.2 参数选择与方法的物理意义 19
1.5 模型数值实验 20
1.6 实际资料滤波案例 25
第2章 位场异常识别与边界探测 29
2.1 位场异常导数换算及应用前提 29
2.1.1 位场异常导数的物理意义 30
2.1.2 磁异常化极与磁源重力异常计算 31
2.2 垂向导数 32
2.3 水平总梯度模 35
2.4 解析信号振幅 36
2.5 Theta图 37
2.6 Tilt梯度及其水平导数 38
2.6.1 Tilt梯度 38
2.6.2 Tilt梯度的水平导数 38
2.6.3 模型实验 39
2.7 归一化标准差 40
2.8 Tilt梯度的改进算法 40
2.8.1 模型实验 42
2.8.2 韦岗铁矿区磁异常边界探测 45
2.9 斜磁化磁异常处理 51
第3章 基于各向异性标准化方差的重磁源边界分析 56
3.1 各向异性标准化方差算法 56
3.1.1 算法原理 56
3.1.2 算法的物理意义与计算流程 57
3.1.3 理论模型 59
3.2 改进的各向异性标准化方差算法 60
3.2.1 算法原理 60
3.2.2 计算流程 62
3.2.3 理论模型 63
3.3 各向异性标准化方差算法性质 65
3.4 复杂模型计算对比 66
3.4.1 理论模型 67
3.4.2 含噪声模型 69
3.5 各种方法处理效果对比 76
第4章 基于谱矩分析技术的位场几何特征 78
4.1 谱矩基础知识 78
4.1.1 谱矩的定义 78
4.1.2 离散数据的各阶谱矩计算 79
4.2 基于谱矩的地学特征因子提取方法及应用 81
4.2.1 表面统计不变量与均方根斜率方差因子 81
4.2.2 自由空气重力异常数据的山脉和盆地识别 82
4.3 谱矩方法在磁源体深度反演中的应用 84
4.3.1 算术平均顶点曲率 85
4.3.2 球状磁源体埋深估计 86
4.3.3 板状磁源体埋深估计 88
4.3.4 塔里木盆地地区的应用效果 90
4.4 基于地壳弧形构造信息提取的四阶谱矩分析 93
4.4.1 基于谱矩的边界识别方法 93
4.4.2 理论模型实验 94
4.4.3 应用案例 99
第5章 震前地球天然脉冲电磁场信号采集与特征分析 101
5.1 地球天然脉冲电磁场场源机理 101
5.2 地球天然脉冲电磁场信号采集 102
5.3 地球天然脉冲电磁场信号的震前特征 103
5.3.1 震前ENPEMF信号的时频谱分解 103
5.3.2 震前ENPEMF信号时频参数的孕震信息特点 110
5.3.3 时频幅度谱二维图的孕震信息特点 115
5.3.4 时频幅度谱三维图的孕震信息特点 120
第6章 时频分析在地球天然脉冲电磁场数据信息提取中的应用 124
6.1 时频分析方法 124
6.1.1 Hilbert变换与谱 124
6.1.2 自适应时频 127
6.1.3 WVD的改进算法 129
6.2 NSTFT-WVD变换在震前地球天然脉冲电磁场信号时频与能量分析中的应用 132
6.2.1 NSTFT-WVD方法原理 132
6.2.2 基于NSTFT-WVD变换的震前ENPEMF信号的时频特点 136
6.3 BSWT-DDTFA方法在震前地球天然脉冲电磁场信号时频分析中的应用 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信号的时频特点 143
6.4 EEMD-WVD方法在震前地球天然脉冲电磁场时频特性中的应用 146
6.4.1 ENPEMF数据的二维时频分解 146
6.4.2 EEMD-WVD分解 148
6.5 DE-DDTFA方法在震前地球天然脉冲电磁场信号时频特性中的应用 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信号的时频特点 153
第7章 混沌-神经网络在地球物理信号强度预测中的应用 157
7.1 混沌理论 157
7.1.1 假邻近法 158
7.1.2 自相关函数法 159
7.2 径向基函数神经网络 160
7.3 基于混沌-径向基函数神经网络的震前地球天然脉冲电磁场强度预测 162
第8章 低秩逼近在地震数据重建中的应用 167
8.1 基础知识 167
8.1.1 地震数据重建模型 167
8.1.2 矩阵的秩 167
8.1.3 张量的秩 168
8.2 基于低秩逼近的地震数据重建原理 169
8.2.1 Hankel矩阵预变换 169
8.2.2 纹理块矩阵预变换 170
8.2.3 地震数据的低秩性 171
8.3 基于纹理块张量预变换的地震重建 171
8.3.1 纹理块张量预变换 171
8.3.2 纹理块张量预变换下地震数据重建模型 173
8.3.3 模型求解 173
8.3.4 数值实验 175
8.4 基于log-sum函数的地震数据重建 180
8.4.1 基于核范数的地震数据重建方法 181
8.4.2 基于log-sum函数的地震数据重建方法 181
8.4.3 数值实验 183
8.5 基于自相似性和低秩先验的地震数据随机噪声压制 187
8.5.1 自相似块匹配 187
8.5.2 基于截断核范数的低秩模型 188
8.5.3 APGL优化求解 189
8.5.4 数值实验 191
第9章 深度学习在地震数据重建中的应用 195
9.1 深度学习概述 195
9.1.1 深度学习的起源与发展 195
9.1.2 深度学习应用于地震数据重建的研究现状 196
9.2 卷积神经网络 196
9.2.1 卷积神经网络的基本组成部分 196
9.2.2 地震数据重建中常用的CNN模型 199
9.3 带纹理约束的深度神经网络在地震数据插值中的应用 200
9.3.1 算法模型 201
9.3.2 实验分析 203
9.4 基于深度先验的地震数据插值 210
9.4.1 基础知识 210
9.4.2 实验分析 215
9.5 基于卷积神经网络的地震数据去噪 220
9.5.1 CNN-NP结构 220
9.5.2 随机噪声去除 222
9.5.3 面波去除 225
参考文献 228
京公网安备 11010102004214号