一种基于优势频率迭代加权的高分辨Radon变换数据分离技术

    公开(公告)号:CN109856673B

    公开(公告)日:2020-06-23

    申请号:CN201910129480.4

    申请日:2019-02-21

    Abstract: 本发明公开了一种基于优势频率迭代加权的高分辨Radon变换数据分离技术,所提出方法包括以下步骤,向计算机输入Radon变换参数,迭代次数Niter,优势频率f0;输入某一待处理地震道集d:对输入的地震数据d进行傅立叶变换得到选取优势频率数据对其进行迭代计算高分辨Radon变换m,并保留加权矩阵Q;利用Q对其它所有频率计算高分辨Radon变换m;在Radon域设计合适的滤波器,仅保留所需要的信息,得到利用计算反Radon变换得到分离后的数据本发明在获取高分辨率Radon变换结果的同时,普通高分辨Radon需要迭代计算每个频率的加权矩阵Q,而本发明仅仅迭代计算单个优势频率的加权矩阵,大大降低了计算量。通过对比,其效果与普通全频率迭代高分辨Radon变换结果效果相当。

    一种基于优势频率迭代加权的高分辨Radon变换数据分离技术

    公开(公告)号:CN109856673A

    公开(公告)日:2019-06-07

    申请号:CN201910129480.4

    申请日:2019-02-21

    Abstract: 本发明公开了一种基于优势频率迭代加权的高分辨Radon变换数据分离技术,所提出方法包括以下步骤,向计算机输入Radon变换参数,迭代次数Niter,优势频率f0;输入某一待处理地震道集d:对输入的地震数据d进行傅立叶变换得到 选取优势频率数据 对其进行迭代计算高分辨Radon变换m,并保留加权矩阵Q;利用Q对其它所有频率计算高分辨Radon变换m;在Radon域设计合适的滤波器,仅保留所需要的信息,得到 利用 计算反Radon变换得到分离后的数据 本发明在获取高分辨率Radon变换结果的同时,普通高分辨Radon需要迭代计算每个频率的加权矩阵Q,而本发明仅仅迭代计算单个优势频率的加权矩阵,大大降低了计算量。通过对比,其效果与普通全频率迭代高分辨Radon变换结果效果相当。

    一种基于深度学习图像配准的地震波形反演方法及系统

    公开(公告)号:CN119247467A

    公开(公告)日:2025-01-03

    申请号:CN202411362027.5

    申请日:2024-09-27

    Abstract: 本发明涉及地震数据处理技术领域,具体为一种基于深度学习图像配准的地震波形反演方法及系统,方法包括:基于小偏移距观测数据和背景速度场进行最小二乘偏移构建反射系数模型,根据反射系数和所述背景速度场进行Born正演获取模拟地震记录图像;基于所述模拟地震记录图像和地震观测图像,采用深度学习图像配准获取地震记录形变场;计算归一化的形变场,判断所述归一化的形变场是否满足预设条件;若满足,迭代过程终止;否则,执行下一步;根据所述地震记录形变场和伴随震源,通过共轭梯度算法更新所述背景速度场,重复执行上述步骤。本发明利用了深度学习的高效率和高精度,避免波形匹配容易发生的周波跳跃问题陷入局部最小值。

Patent Agency Ranking