f-x反褶積(鏈接)
Canales, 1984, Random noise reduction, 54.th. Ann. Internat. Mtg., Soc. Expl. Geophys., Expanded Abstracts, pp. 525-527
簡介
反捲積是一種地震數據去噪方法,其基本假設是具有線性同向軸的地震數據在域中的每個頻率切片都可以進行自迴歸表示。反捲積方法是很多算法的基礎,因此理論推導寫的比較詳細。之所以稱爲反捲積,可以理解爲求卷積係數,也可以理解爲求降噪數據。(一般反捲積是指求數據,而不是係數)。
理論
一般理論
含有線性同向軸的二維地震數據在域可以標示成如下形式:
其中爲同向軸個數,爲初至,爲斜率,爲地震子波。在兩側分別對時間進行傅里葉變換,根據傅里葉變換的性質:
得到(注意,上標表示虛數單位,下標表示索引):
簡化情況
對於簡單的情況,同向軸只有一條,並且經過原點,上式可以簡化爲:
在方向上進行離散化,,得到:
令,則:
則頻率切片的自迴歸形式爲:
將所有關係式寫到一起,形成一個線性方程組,然後通過最小二乘方法可以得到對所有最優的(注意最開始是未知的,也是未知的,所以需要通過最小二乘來求)。得到之後,爲了實現去噪,雖然自迴歸濾波器的長度爲2,但我們可以利用更多的相鄰到來實現疊加去噪,即:
含噪情況
事實上,由於數據中含有噪聲,並不嚴格成立,此時可以利用更多的相鄰道實現更長(長度爲)的自迴歸濾波器:
同理,可以根據最小二乘法求取,得到之後再利用相同的公式進行自迴歸去噪,即反捲積的一般形式。
反推一般情形
此部分推導相對複雜一些,之前一直沒整明白,這次寫文檔算是整明白了。假設數據中含有多個線性同向軸(並且都通過原點),則頻率域的關係式爲:
令,,則:
需要證明在任意取值的時候,線性相關。首先假設它們線性相關,即下面方程存在解:
將帶入可以得到:
由於對於任意成立,即對任意成立,因此我們按對上式進行整理。由於後面的求和下標與無關,所以可以把放進去,得到:
兩組求和下標之間也沒有關係,因此求和可以交換順序:
由於上式對於任意成立,所以令(對於所有):
兩邊再除以得到:
可以得到一個具有個未知數的方程,對於所有的,共有個方程,因此可以解出來。
此時可知是線性自迴歸的,並且迴歸係數與有關。解出來迴歸係數之後,可以通過某一道與相鄰道之間的線性迴歸關係來進行去噪。
同的情況類似,在含有噪聲的情況下,我們通常會選擇更長的自迴歸濾波器,以達到更好的去噪效果。
時的特例
時的方程組爲:
可以得到:
初至、通解
對於加入初至的情況,直接令即可。
一般情況也存在通解,只不過表達式比較複雜,並且並沒有在算法中使用,所以就不推導了。
算法
基本算法是:
- 將地震數據變換到域;
- 提取某一頻率切片數據進行自迴歸表示(需要設定長度),求取自迴歸係數;
- 利用求得的自迴歸係數對頻率切片進行自迴歸;
- 對每一頻率切片重複2-3;
- 將數據變回到域。
如果數據非線性很強,需要分窗口處理。
代碼
代碼源自SeismicLab工具包,fx_decon程序,只摘錄其核心部分。
aux_in = DATA_FX(k,:)'; %提取一個頻率切片
[aux_out_f,aux_out_b] = ar_modeling(aux_in,lf,mu); %自迴歸函數,lf爲迴歸濾波器長度,mu應該是最二乘添加的約束項權重。
ar_modeling的核心代碼爲:
% backward ar-modeling 此部分爲向後ar迴歸,同時可以再次進行向前ar迴歸,將兩次結果作平均作爲最後結果。
y = x(1:nx-lf,1); %輸出
C = x(2:nx-lf+1,1);
R = x(nx-lf+1:nx,1);
M = hankel(C,R); %輸入,M*ab=y結構如下
%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%
x_2 x_3 ... x_lf+1 a_1 x_1
x_3 x_4 ... x_lf+2 * a_2 = x_2
...
x_nx-lf+1 x_nx-lf+2 ... x_nx a_lf x_nx-lf
%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%
B = M'*M; beta = B(1,1)*mu/100; %兩邊同時乘以M',M'*M*ab=M'*y
ab = (B + beta*eye(lf))\M'*y; %ab=(M'M+mu*I)^-1*M'y 加入權重
yb = M*ab; %重新做濾波得到去噪後數據
總結
在分析多線性同向軸的自迴歸模型是所用理論雖不困難,但也需要一些技巧,通過分別將含有(對任意)的項組合然後分別另其爲零即可推導出自迴歸性質。這篇短文給出了所有的推導細節,作爲之後的理論基礎,在Spitz 插值(據作者所知,去噪稱爲反褶(卷)積,插值稱爲預測濾波,因爲包含一步預測)、MSSA、降秩方法中都用到類似的推導。