一、基于整数小波变换的地震数据压缩（论文文献综述）
罗世豪[1]（2021）在《基于多目标进化算法的地震数据稀疏表示方法研究》文中研究表明随着我国对石油需求量逐年上升,石油进口量呈现快速上升趋势,然而我国的石油生产量保持相对稳定。为了提高石油生产量,地震勘探是探测石油资源的主要手段,常规的大规模地震勘探过程中产生的地震数据因通信带宽和功耗等限制难以实时回收。而且野外勘探环境复杂,在布置检波器时可能会遇到山川河流不能放置检波器,影响了地震数据采集的完整性。压缩感知理论与大规模地震勘探相结合,采用测量矩阵将原始地震数据压缩后传输,减少了传输的地震数据量,提高了传输效率。而且对于难以放置检波器的地点,通过合理地布置检波器,后期利用重构算法能够恢复出缺失的原始地震数据。地震数据具有稀疏性是能够被压缩的前提,根据压缩感知理论,地震数据越稀疏,重构精度越高。不同的稀疏表示方法对地震数据稀疏表示后其稀疏度不同,为了使重构地震数据的精度更高,研究了基于多目标进化算法的地震数据稀疏表示方法。主要研究内容如下:（1）研究了地震数据的稀疏性及稀疏表示理论。对地震数据稀疏表示的必要性作了详细分析,研究了弹性波的波动方程,证明了地震波在地质传播过程中产生的地震数据具有稀疏性,结合公式研究了地震数据稀疏表示理论。（2）研究了地震数据的稀疏表示方法,详细分析了每种方法的不足。研究了基于固定变换域的稀疏表示方法和基于字典学习型的稀疏表示方法,对每种方法的原理进行了详细研究,并且用每种方法对地震数据进行了稀疏表示,然后研究了它们的稀疏表示效果,详细分析了每种方法对地震数据稀疏表示的不足之处。（3）研究了SPEA2算法对地震数据稀疏表示。本文对熵和互信息进行了研究,以熵和互信息为基础研究了SPEA2算法的两个目标函数,设计了遗传算子和初始字典,提出了基于SPEA2算法的地震数据稀疏表示方法。（4）结合实测地震数据对稀疏表示方法进行研究,详细总结了研究结果。为了评价稀疏表示方法对地震数据稀疏表示效果,研究了重构指标,根据重构指标对固定变换域的稀疏表示方法和字典学习型稀疏表示方法进行了研究。采用SPEA2算法对地震数据稀疏表示,研究了SPEA2算法的稀疏表示效果,并且与固定变换域的稀疏表示方法和字典学习型稀疏表示方法进行了对比研究,详细总结了研究结果。综上所述,本文从相关性和冗余度的角度解释了字典与地震数据之间的关系,研究了熵和互信息,设计了遗传算子和初始字典,提出了多目标进化算法对地震数据稀疏表示。对多目标进化算法得到的字典进行测试,在相同的条件下,该字典对地震数据稀疏表示后,重构地震数据的信噪比更高,重构的相对误差较小。
彭子威[2]（2021）在《面向随钻传输的测井数据的压缩方法研究与实现》文中认为测井技术的发展需要伴随着相关技术的进步,目前测井正朝着大数据、高速率的方向前进。但是传输速率却没有跟上当前的发展需求,信号发生器的频率难以迅速得到提升,井下直接对数据进行存储再传输数据,信号的延迟性太高。给随钻系统加上数据压缩模块是其中较好的解决方案,无法快速提高传输带宽的情况下,对数据进行压缩再进行传输等于间接的提升了传输带宽,提高了系统的实时性,有利用于井上工作人员及时对井下做出分析判断。本文主要是研究给随钻测井系统制定合适的压缩方案,并且通过实验验证方案的可行性。通过对测井数据进行分析发现,井下的数据繁多且复杂,无法给每一种测井数都制定一种压缩方案。只能是通过分析测井数据之间的共性,制定出满足这些共性的方案。测井数据可以根据变化是否平稳分为两类,一类是平稳测井信号,另外一种是非平稳信号。本文从三个方向出发制定压缩方案,一是针对实时性要求高的平稳测井信号,二是有高压缩比需要的测井数据。另外从信号采样的角度,研究压缩感知降低采样的数据点,提高整体的实时性。主要的工作与创新点如下所示:1、通过分析传统的差分脉冲编码调制（Differential Pulse Code Modulation,DPCM）算法发现,算法虽然简单易用,且具有一定的压缩能力,但是在数据波动较大的情况下,重建效果会出现明显的下降,数据重建质量不稳定,容易发生误判。本文提出一种改进算法,在编码前加上了一个差值统计模块,并且根据测井数据的概率与差值分布,动态调节码长。实验结果表明,在算法稳定性与压缩性能上均得到了提升,在满足误差的前提下,最大的压缩比为2.4。2、研究了基于小波变换的测井数据压缩方法,得益于小波强大的分解能力,数据存在较大压缩空间。但算法总体的复杂度太高,井下处理器计算压力过大。将传统的小波改为基于提升的9/7小波,并且采用边编码边传输的嵌入式编码,提高系统的灵活性。并且提升小波采用的是整数运算,不会像传统小波变换一样会出现浮点数溢出,整体的重建准确度好于普通的小波变换,最大压缩比可以达到30。3、研究了基于压缩感知的测井数据压缩方法。并且针对于稀疏表示与重建算法,选择了可以训练的过完备稀疏矩阵,提升测井信号的稀疏性;重建算法选择更加接近于测井模型的贝叶斯学习算法。实验仿真也验证了这种组合的有效性,最大压缩比可达4。
朱鹤文[3]（2020）在《基于稀疏表示的地震数据去噪和混采分离方法研究》文中提出地震数据采集需要在采集质量和成本花费之间进行权衡。传统的采集方法采用逐炮激发多点接收的方式,采集周期长、成本花费高。多震源混合采集是一种高效的地震采集方法,恰好可以避免传统采集方式的这种缺点。多震源采集通过将震源以一定的方式进行编码后同时激发多个震源,获得含有多个波场的地震记录,这大大提高了采集效率,为获得与传统震源一样的地震记录,我们还需要对混合记录进行分离处理。在地震数据采集过程中还会受到周围环境（风吹草动、雷雨天气、虫鸣鸟叫等）的影响,会使检波器接收到的地震记录中包含多种随机噪声干扰,导致地震信号的信噪比降低。为此,我们需要对地震记录中的随机噪声进行去除,以获得具有高信噪比地震数据,为后续处理打下基础。稀疏表示一直是近些年来数字信号分析处理领域最引人关注的话题之一,通过某种稀疏表示方法,将信号变换到稀疏域,可以使我们能够得到在时空域难以获得的信息。通过对稀疏系数加以分析,设置合适的阈值对较小的系数进行滤除,分离有效信号和干扰信号,再将稀疏域的信号变换回时空域,就能得到去噪后的干净图像。本文主要研究稀疏表示在地震数据去除噪声和混采噪声分离中的应用。在混合采集原理部分,介绍多震源混合采集的基本概念和矩阵表示,引入采集时间比、震源密度比和混合度三个与混合震源采集相关的参数。在公式推导过程中,通过引入混合源算子对采集模式进行分类。并在此基础上引入伪分离的概念,为后续混合采集数据的分离做了理论准备。在稀疏表示部分,介绍稀疏度、超完备字典等重要概念,并引入信号稀疏的数学模型。介绍两种不同理念下的稀疏优化算法,正交匹配追踪算法和快速迭代阈值算法。对稀疏算法的介绍主要从固定基字典和学习字典两个方面进行。其中固定基字典主要介绍傅里叶变换、离散余弦变换、小波变换和曲波变换等。学习型字典主要介绍PCA和K-SVD两种字典学习方法。给出上述这些算法的数学推导过程,并对各种算法的优缺点加以分析。在地震随机噪声去除部分,本文主要研究了稀疏表示方法在地震数据去随机噪声中的应用。对含噪声的地震数据进行稀疏表示后获得数据相应的稀疏系数,通过设置合适的阈值对较小的系数进行去除来实现去噪的目的。本文根据主成分分析算法和K-SVD字典学习算法的优点,提出主成分分析与K-SVD字典联合使用的方法,通过实验证实联合算法去噪效果更好,信噪比更高。在对混合数据分离的部分,本文主要研究了稀疏表示方法在混采分离中的应用。将伪分离后的地震数据从共炮点域变换到共检波点域,分别使用曲波变换、K-SVD、PCA、PCA联合曲波变换以及PCA联合K-SVD几种方法去除混采噪声。对比分析几种方法的分离效果以及差剖面,证明基于稀疏表示的方法在混采分离处理中具有实用性,其中本文提出的联合算法较单独的稀疏算法分离效果更好,差剖面更干净。
陈力鑫[4]（2020）在《基于随机共振的地震弱信号增强方法研究》文中提出随着地震采集技术水平不断提高,勘探深度越来越深,地震数据中包含的地震信息愈加丰富。在深层地震勘探中,由于地震资料采集的条件限制和复杂地质条件等因素的影响,在原始的地震资料中会产生弱信号,即剖面中存在着较严重的随机噪声干扰有效信号,这会给地震资料的处理和解释带来困难。因此有必要对深层地震弱信号的增强方法进行研究,从而提升深层地震资料的质量,这也是勘探目标地震准确识别的基础性工作。本文论述了地震弱信号形成机制,开展了地震弱信号的增强方法研究,地震弱信号增强方法不是压制噪声就是增强信号,或者二者兼而有之。本文主要完成了以下研究工作:首先论述了地震弱信号形成机制和弱信号增强的常见方法思路,对比分析了几种常规地震弱信号增强方法的优缺点。详细研究了在高随机噪声背景下地震弱信号增强应用较广的方法:傅里叶变换、小波变换、曲波变换和字典学习等方法,这类方法都是从去除噪声的角度出发。小波变换方法是基于多尺度分析理论的一种方法,它能够比较好地展现局部特征,因此能够同时在时间域和频域拥有非常好的特征表现能力;而曲波变换拥有更多的尺度,因而具备了各项异性和方向特性,可以很好地处理地震数据边缘特性;字典学习方法在数据充足的情况下,能够通过构建字典,利用地震信号和噪声稀疏性不同,较好地实现信噪分离。根据随机共振理论化噪声为有效信号的思想,本文拟从随机共振的理论基础上研究在高随机噪声背景下地震弱信号增强的方法。根据随机共振理论的思想:在非线性作用下变噪声为有用信号,以提高其信噪比,拓宽了地震弱信号噪声增强的思路,从而找到一种新的方法对地震弱信号进行增强。在前人研究的地震弱信号增强方法理论基础上结合随机共振基础理论,开展基于随机共振基本理论的地震弱信号增强方法研究,建立了双稳态系统随机共振模型,并引入最优匹配理论和信号阵列理论,提出基于最优匹配阵列随机共振系统的地震弱信号增强方法（optimal matched array-stochastic resonance method,简称OMA-SRM）。随后运用小波变换、曲波变换、字典学习、随机共振和OMA-SRM等方法分别对地震数据进行去噪模拟实验,将所得到结果进行对比,分析这些方法下地震弱信号噪声压制增强效果。通过对二维sigmod理论模型、二维实际加噪数据、三维理论模型和三维叠后实际加噪数据进行对比测试,结果表明在高信噪比的情况下采用OMA-SRM方法的地震弱信号噪声压制增强结果相对最好,在信号增强能力上有突出优势。
汤君健[5]（2020）在《地震勘探数据压缩方法研究》文中认为随着地震勘探技术的快速发展,相关的软件、硬件设备的品质越来越高,地震勘探数据日益增长的数据量对存储、传输的需求越来越高。为此,迫切需要针对地震勘探数据的特点,设计高效压缩算法对其进行压缩,减少庞大的数据量。为此,本文主要改进了基于小波变换和EZW算法的地震勘探数据有损压缩方案,研究设计了新的地震勘探数据无损压缩方案。徐峰涛提出了一种基于小波变换的零树编码与算术编码相结合的地震数据压缩算法,与其他方法相比所得地震数据压缩倍数较高,数据解压效果较好。但徐峰涛只进行了算法方面的研究,缺乏实用性,于是本文对其压缩方案进行如下改进,将其算法研究向实际应用方向推进一步:1.读取标准SEG-Y文件,将其分割为卷头、道头数据和地震采样数据集两部分,对卷头、道头数据保留原始信息不压缩;2.对地震采样数据集进行分块压缩处理,先按采样点数进行数据扩展填充,使其满足多次小波变换条件,将采样点数扩展填充后的值作为划分块的宽度值,这样每块的道数和采样点数都满足多次小波变换条件;为此本文比较三种填充方法,探索最佳扩展填充方式,实验结果表明,使用“0”值填充,对原徐峰涛的算法压缩效果影响相对最小,仍能保持较好的压缩效果。本文压缩方案在保留徐峰涛的算法良好压缩效果的同时,实际应用性大大增强,十分有利于后续地震数据的有效利用。研究设计了新的地震勘探数据的无损压缩方法,提出基于预测编码和字节分组进行LZMA算法压缩的方案,实验结果表明:相较于通用压缩软件Win RAR和Win Zip,本文无损压缩方法的压缩效果优势明显,能进一步再减少原始数据10%～20%的数据量,压缩性能较好,方案合理可行。在研究中发现地震样本数据集的第四字节组（IEEE 32位浮点数据尾数的最后8位）的熵值会随着表示数据的动态范围减小而降低的规律。针对叠前地震样本数据集在上述无损压缩方案中压缩效果不佳,提出准无损压缩方案,根据上述研究中发现的规律,去掉地震样本数据的小数部分,降低精度从而减少其动态范围。对小数部分采取四舍五入的方法,使得每一个地震样本数据的重构误差都小于0.5,然后字节分组进行LZMA算法压缩;实验结果表明:整体信噪比达到高保真的128d B,压缩倍数最高可达到1.5倍左右。相较于其他基于变换编码的准无损压缩方法,压缩效果差不多,但本文准无损压缩算法的设计与计算复杂度大大降低,压缩性能较好,方案合理可行。
汤君健,张正炳,付青青[6]（2020）在《基于小波变换的SEG-Y格式地震数据压缩》文中研究指明地震勘探数据正向多维、多分量、多参数、高分辨率方向发展,使得勘探数据呈指数增长,对这些海量观测数据进行有效传输、存取成为制约对其进一步开发、利用的重大难题。利用多层小波分解的嵌入式零树编码对SEG-Y文件中的地震数据集进行压缩,对地震数据集进行分块处理和数据扩展填充,实现对SEG-Y文件的压缩。试验结果表明,数据扩展填充后,对叠前地震数据压缩4倍以下时,信噪比高于48dB,仍能保持较好的压缩质量。
崔忠林[7]（2019）在《基于压缩感知的地震数据压缩FPGA设计与实现》文中指出随着地球物理勘探技术的不断发展,地震勘探仪器向着多参数、多维度、多分量的方向不断前进,在地震勘探现场布设的大量地震仪将会产生海量的地震勘探数据,面对海量地震勘探数据的实时回收,传输网络会出现网络拥堵甚至网络断开的情况,因此需要更加高速可靠的传输网络来保证数据传输的实时性和可靠性。如何解决数据量大导致的网络拥堵,并且同时保证数据传输的实时性是目前待解决的核心问题。数据压缩方法可以从数据传输的源头缩减数据量,无需升级传输网络就可以提高传输效率,保证数据传输的实时性。传统的数据压缩方法是对采集后存储的地震数据进行压缩,压缩的过程一般是变换、量化和编码,解压的过程是压缩过程的逆运算。这种压缩方法需要对完整的地震数据进行压缩,耗时长且占用资源多,数据压缩和传输的实时性差。针对传统数据压缩方法面临的问题,本文基于压缩感知（CS）理论,提出了一种基于压缩感知的地震数据压缩方法,该方法能够直接对采集到的地震数据进行压缩,无需对存储后的完整地震数据进行操作,数据压缩的实时性更好。针对压缩感知理论下的地震数据压缩重构方法,本文展开了以下三个方面的研究:稀疏表示方法的选择、测量矩阵的构造和重构算法的设计。首先利用小波变换对地震数据进行稀疏表示,得到稀疏表示系数;然后使用混沌序列构造混沌伯努利测量矩阵,利用该测量矩阵对地震数据稀疏表示系数进行压缩测量,得到测量值;最后将测量值,即压缩数据,实时传输至数据中心进行存储,当需要原始地震数据时,再通过正交匹配追踪（OMP）算法将测量值进行重构恢复。本文选用XILINX公司的XC6SLX45 FPGA芯片对原有的地震仪进行改进并搭建外围电路,提出了基于FPGA的地震数据压缩总体结构。此外,进一步对地震数据载入、数据运算、稀疏表示等子模块进行设计,并通过仿真实验验证各个模块的有效性,从而保证能够在下位机（地震仪）上实现地震数据的稀疏表示和压缩测量过程。通过对10组长度为1000个采样点的不同地震数据进行压缩重构实验,并对实验结果进行分析,结果表明,本文提出的地震数据压缩方法,在不同的压缩比下,重构数据的峰值信噪比在60dB以上,均方根误差在0.12以下,硬件压缩时间约为1.2ms,既在FPGA硬件平台上实现了地震数据压缩算法,又保证了数据压缩的实时性。面对海量的地震勘探数据,使用本文的数据压缩方法在下位机中对采集的地震数据进行压缩,从数据传输的源头缩减数据量,无需优化传输网络就可以改善传输效率,从而解决地震勘探数据传输网络出现网络拥堵甚至网络断开而造成的数据丢失问题,同时,使用正交匹配追踪算法重构出原始地震数据,保证了地震数据的完整性,具有重要的实用意义。
张晓普[8]（2019）在《分布式地震数据智能感知采集方法研究》文中指出地震勘探因其具有较强的地层穿透能力,成为油气矿产勘探领域的有效手段。在我国油气资源对外依存度逐渐升高以及“向地球深部进军”被确定为必须解决的战略科技问题的大背景下,如何实现大规模地震数据采集已成为当前工业界和学术界研究的热点问题。目前,由于勘探成本和野外环境等因素的限制,提升硬件资源的使用效率是实现更大规模地震数据采集工作的一个新思路。因地震数据具有非线性特征多样化的特点,现有的地震数据高效采集方法在自适应性、特征关系提取等方面均有不足之处。针对现有方法的不足之处,本文结合压缩感知、稀疏表示、机器学习三种理论,提出了智能感知采集方法。根据两种常见的地震数据采集工作场景（常规地震勘探和压裂微地震监测）的特点,设计了两种不同的分布式地震数据智能采集方法:基于多跳网络的地震数据智能感知采集方法和基于微地震事件检测的智能感知采集方法,并且通过数值试验证明了两种方法对采集效率的提升水平。论文的主要研究内容如下:（1）研究了地震数据高效采集方法的相关理论:包括压缩感知、稀疏表示、机器学习,针对这几种理论的优缺点,结合地震数据采集的特点,以互补的方式对三种理论进行融合,提出了智能感知采集方法。具体而言,智能感知采集方法以压缩感知理论为基本框架,通过引入稀疏表示与机器学习算法实现稀疏性约束条件下基于数据驱动方式的非线性特征提取与拟合能力,从而既能保证该方法具有较强的自适应性,又能同时解决传统高效采集算法忽略输入数据稀疏性特征、非线性特征的问题。（2）针对地震数据的特征和采集系统网络结构特点,设计了分布式地震数据智能感知采集方法的总体方案。通过从地震波动方程和信息熵理论两个方面对地震数据稀疏性进行分析,论证了地震数据满足进行高效采集方法研究的前提条件。结合地震数据采集工作的两类主要应用场景:常规地震勘探和压裂微地震监测,分析了二者的网络结构特点。根据智能感知采集方法的基本思想,将数据采集策略与应用场景的特有规律（地震数据特征、网络结构特点）相结合,提出了这两种应用场景所对应的智能感知方案:基于多跳网络的地震数据智能感知方案和基于微地震事件检测的智能感知方案,完成了地震数据智能感知采集方法的总体设计。（3）根据基于多跳网络的地震数据智能感知方案和常规地震勘探数据采集工作的特点,提出了基于多跳网络的地震数据智能感知采集方法。针对常规地震勘探中存在的多跳数据传输不平衡问题,设计了基于多跳网络的压缩编码框架。该编码框架将压缩感知的观测过程与网络拓扑结构进行结合,在数据传输的同时进行基于测量矩阵的压缩编码。针对测量矩阵优化问题和数据重构问题,提出了基于生成对抗网络的压缩感知算法。该项关键技术将生成对抗网络与压缩感知理论相结合,根据压缩感知过程设计生成对抗网络的基本结构,以压缩感知理论约束生成对抗学习过程,通过生成对抗机制和卷积神经网络为压缩感知算法自适应地提取信号特征,从而实现高质量的数据重构。根据数值试验结果,基于多跳网络的地震数据智能感知采集方法能够在只引入信号能量的11000左右的噪声水平下,将测线能够支持的最大采集规模扩大为原来的16倍,而且还将整条测线中数据传输的能耗降为原来的81。（4）根据基于微地震事件检测的智能感知方案和压裂微地震监测数据采集工作的特点,提出了基于微地震事件检测的智能感知采集方法。针对压裂微地震监测中存在大量无关数据被传输的现象,提出了基于微地震事件检测的压缩采样技术。该项关键技术将基于机器学习的分类算法与压缩采样结合,根据地震信号在时间域的尺度和随机采样理论,设计了广义抖动随机采样方法在时间域对地震数据进行欠采样;然后根据微地震信号在局部形态、时序关系、概率分布三个方面的特征,设计了融合卷积神经网络、递归神经网络和概率图模型的机器学习算法来识别微地震事件,进而减少微地震数据在时间域的冗余度。针对微地震数据的稀疏表示问题,提出了基于奇异值分解的聚类字典学习算法。该算法通过奇异值分解提取信号的特征作为初始稀疏基,然后通过更新位置限制和聚类方法进行近似值优化以不断更新稀疏基。最后通过SPGL1算法使用该稀疏基将欠采样数据恢复成微地震信号。根据数值试验结果,基于微地震事件检测的智能感知采集方法能够在引入噪声的功率为原始信号的1100时,减少30%的数据记录能耗,且在低信噪比（-15dB）环境下维持高准确率（96.83%）的微地震检测,以减少大量无关数据的传输（通常减少90%以上）,即在同等通信水平下,大幅度提高系统支持的最大采集规模（10倍）。综上所述,本文研究的分布式地震数据智能感知采集方法能够大幅度提高采集系统对带宽、能量的使用效率,从而能够在硬件条件不变的情况下,容纳更多的采集节点,实现更大规模的数据采集工作,进而为大规模地震数据采集系统的发展提供了新的思路,也为深部油气资源勘查装备的智能化研究提供了理论参考。
王冬年[9]（2019）在《基于凸集投影算法的地震数据重建和噪声压制研究》文中认为随着我国现代化的进程,油气勘探区域不断扩大。室外数据的采集,面临着勘探条件和复杂环境的巨大挑战,再加上成本的制约,实际采集到的地震数据常出现地震道严重缺失现象,给后续的处理方法造成严重影响。为此,需要提出一系列高效率的重建方法,通过少量地震数据,重建出接近完整的地震数据。本文在压缩感知理论的框架下,基于凸集投影算法,结合不同的稀疏变换方法和欠采样方式,对地震数据重建进行研究。在稀疏变换方面,本文除了采用常用的傅里叶变换外,还引入了重建精度更高的曲波变换。为了提高运算速率,在数值模拟中,对凸集投影算法中的阈值参数进行了研究,通过对比,本文采用的新型指数阈值参数,在重建时的收敛速度,明显快于线性阈值参数和传统指数阈值参数的收敛速度。在采样方式方面,本文除了采用随机欠采样,还引入了Jitter欠采样。Jitter欠采样比随机欠采样能更好地控制采样点间距,在一定程度上避免采样点间距过大或者过小的现象。在重建算法方面,本文在凸集投影算法的基础上,引入了谱梯度投影算法,通过多方面的比较,表明了凸集投影算法的优势。由于实际地震数据中,往往含有随机噪声,本文对含噪地震数据进行了重建研究,验证了本文所用重建方法具备良好的抗噪能力。在此基础之上,本文基于凸集投影算法结合曲波变换,引入加权因子策略,对地震数据进行了同时重建和噪声压制研究。在对理论数据模拟过程中,选择了不同的加权因子对含有不同能量噪声的数据进行处理,分析了不同参数下的同时重建和噪声压制效果。最后,将本文方法应用于室外实际地震数据处理,取得了较好的数据重建和噪声压制效果,表明了本文方法具有一定的实用性。
高潇[10]（2019）在《地震波正演波场高效压缩方法》文中研究说明地震勘探规模和数值模拟规模的不断扩大产生了海量的地震数据,并且这些数据需要被存储以供后期处理解释。虽然目前可以通过使用大容量存储设备保存的方式来解决这个问题,但之后的处理步骤又会面临当前计算机固有的I/O瓶颈问题,从而大大降低了处理效率。为此,许多地震数据压缩算法被提出以期解决这个问题,例如无损压缩算法中哈夫曼编码,算术编码,字典编码等,以及有损压缩算法中的离散余弦变换（DCT）压缩,Dreamlet变换压缩,小波变换压缩等。在这些算法中,由于无损算法的压缩率较低,因此以如上所述的有损压缩算法使用较为广泛,但是它们都不能在压缩前就对重构误差进行控制,同时具体实现也相对较为复杂。本文在对以上传统无损压缩算法和有损压缩算法充分调研的基础上,引入了一种新的数据压缩算法——Squeeze算法,这是一种误差约束压缩算法,同时实现简单,使用方便。之前的研究中还没有Squeeze算法在地震数据压缩中的相关工作,因此本文是首次将其引入并实现了与地震波正演流程的结合。依托Squeeze算法本身优秀的压缩实现:多维和多层预测,自适应误差约束量化和熵编码操作,使其在实际压缩测试中获得了不错的压缩效果。但在实际波场压缩应用过程中,Squeeze算法在压缩设置为相对误差约束且误差限相对较大的情况下会产生所谓的“零漂”问题,即某些接近于零值的数据点不再为零,而是一个绝对值异常大值。本文将Squeeze算法应用到了3个测试数据中:1,二维地震记录数据;2,单剖面单分量波场数据;3,四维应力张量波场数据。其中前两个测试以DCT和Dreamelt的压缩结果作为参照,对比表明在这3种算法中,Squeeze算法的压缩效果是最好的,DCT次之。第3个数据测试主要是为了探讨Squeeze算法在不同压缩设置下的压缩性能差异,并对其重构误差以及时间开销进行分析。同时针对算法的“零漂”问题,本文给出了梯度校正策略和带通滤波校正策略进行改善。通过校正后数据得到的地震记录、波场快照以及敏感核误差的变化说明了校正策略的有效性。本文还提出了一种混合参数误差约束方式——HL压缩模式用于降低“零漂”问题对敏感核计算造成的影响。通过在波场模拟初始阶段使用高精度压缩设置来尽可能地避免数据产生“零漂”,而在后续阶段使用低精度压缩设置来保证压缩率,这种方式可以在丢失部分压缩率的情况下获得不错的压缩结果。
二、基于整数小波变换的地震数据压缩（论文开题报告）
（1）论文研究背景及目的
此处内容要求：
首先简单简介论文所研究问题的基本概念和背景，再而简单明了地指出论文所要研究解决的具体问题，并提出你的论文准备的观点或解决方法。
写法范例：
本文主要提出一款精简64位RISC处理器存储管理单元结构并详细分析其设计过程。在该MMU结构中,TLB采用叁个分离的TLB,TLB采用基于内容查找的相联存储器并行查找,支持粗粒度为64KB和细粒度为4KB两种页面大小,采用多级分层页表结构映射地址空间,并详细论述了四级页表转换过程,TLB结构组织等。该MMU结构将作为该处理器存储系统实现的一个重要组成部分。
（2）本文研究方法
调查法：该方法是有目的、有系统的搜集有关研究对象的具体信息。
观察法：用自己的感官和辅助工具直接观察研究对象从而得到有关信息。
实验法：通过主支变革、控制研究对象来发现与确认事物间的因果关系。
文献研究法：通过调查文献来获得资料，从而全面的、正确的了解掌握研究方法。
实证研究法：依据现有的科学理论和实践的需要提出设计。
定性分析法：对研究对象进行“质”的方面的研究，这个方法需要计算的数据较少。
定量分析法：通过具体的数字，使人们对研究对象的认识进一步精确化。
跨学科研究法：运用多学科的理论、方法和成果从整体上对某一课题进行研究。
功能分析法：这是社会科学用来分析社会现象的一种方法，从某一功能出发研究多个方面的影响。
模拟法：通过创设一个与原型相似的模型来间接研究原型某种特性的一种形容方法。
三、基于整数小波变换的地震数据压缩（论文提纲范文）
（1）基于多目标进化算法的地震数据稀疏表示方法研究（论文提纲范文）
| 摘要 |
| abstract |
| 第1章 绪论 |
| 1.1 研究背景及意义 |
| 1.2 国内外研究现状 |
| 1.2.1 地震数据稀疏表示研究进展和现状 |
| 1.2.2 地震数据重构算法研究进展和现状 |
| 1.3 论文的主要研究内容 |
| 第2章 地震数据稀疏性分析及稀疏表示理论 |
| 2.1 地震数据稀疏表示的必要性 |
| 2.2 基于波动方程的地震数据稀疏性分析 |
| 2.3 稀疏表示理论 |
| 2.3.1 稀疏表示的定义 |
| 2.3.2 字典和原子 |
| 2.4 本章小结 |
| 第3章 基于经典的地震数据稀疏表示方法研究 |
| 3.1 固定变换域的稀疏表示方法 |
| 3.1.1 傅里叶变换 |
| 3.1.2 离散余弦变换 |
| 3.1.3 小波变换 |
| 3.1.4 曲波变换 |
| 3.2 字典学习型的稀疏表示方法 |
| 3.2.1 K-SVD稀疏表示方法 |
| 3.2.2 PCA稀疏表示方法 |
| 3.3 本章小结 |
| 第4章 基于SPEA2 算法的地震数据稀疏表示研究 |
| 4.1 SPEA2 算法介绍 |
| 4.2 目标函数 |
| 4.2.1 熵和互信息 |
| 4.2.2 最大相关性 |
| 4.2.3 最小冗余度 |
| 4.3 SPEA2 算法 |
| 4.3.1 帕累托最优解 |
| 4.3.2 适应度 |
| 4.3.3 环境选择 |
| 4.3.4 个体选择 |
| 4.3.5 交叉算子 |
| 4.3.6 变异算子 |
| 4.4 SPEA2 算法对地震数据稀疏表示 |
| 4.4.1 初始字典的设计 |
| 4.4.2 稀疏表示策略 |
| 4.5 本章小结 |
| 第5章 地震数据稀疏表示对比研究 |
| 5.1 重构指标 |
| 5.2 固定变换域的稀疏表示研究 |
| 5.2.1 离散余弦变换对地震数据稀疏表示 |
| 5.2.2 小波变换对地震数据稀疏表示 |
| 5.3 字典学习型的稀疏表示研究 |
| 5.3.1 PCA对地震数据稀疏表示 |
| 5.3.2 K-SVD对地震数据稀疏表示 |
| 5.4 SPEA2 算法的稀疏表示研究 |
| 5.5 地震数据稀疏表示效果对比 |
| 5.6 本章小结 |
| 第6章 结论 |
| 6.1 本文的主要工作总结 |
| 6.2 展望 |
| 参考文献 |
| 作者简介及在学期间所取得的科研成果 |
| 致谢 |
（2）面向随钻传输的测井数据的压缩方法研究与实现（论文提纲范文）
| 摘要 |
| abstract |
| 第一章 绪论 |
| 1.1 论文研究背景与意义 |
| 1.2 国内外发展现状 |
| 1.2.1 随钻测量技术研究现状 |
| 1.2.2 随钻数据压缩 |
| 1.3 论文的研究内容与结构安排 |
| 1.3.1 论文的主要研究内容 |
| 1.3.2 论文结构安排 |
| 第二章 随钻测井数据及压缩技术概述 |
| 2.1 测井数据 |
| 2.1.1 测井数据分类 |
| 2.1.2 测井数据特征 |
| 2.1.3 测井数据可压缩性 |
| 2.2 数据压缩 |
| 2.3 常见的压缩算法 |
| 2.3.1 霍夫曼编码 |
| 2.3.2 算术编码 |
| 2.3.3 游程编码 |
| 2.4 测井数据预处理 |
| 2.5 测井数据压缩的评价准则 |
| 2.6 本章总结 |
| 第三章 一种改进的DPCM算法 |
| 3.1 DPCM算法 |
| 3.1.1 预测器 |
| 3.1.2 量化器 |
| 3.1.3 误差分析 |
| 3.2 改进的DPCM算法 |
| 3.2.1 量化器的设计思想 |
| 3.2.2 编解码过程 |
| 3.3 实验结果与分析 |
| 3.4 本章小结 |
| 第四章 基于提升小波的嵌入式变换编码 |
| 4.1 提升小波 |
| 4.1.1 小波定义 |
| 4.1.2 离散小波变换 |
| 4.1.3 提升方法 |
| 4.1.4 双正交的9/7 小波 |
| 4.2 嵌入式编码 |
| 4.2.1 EZW |
| 4.2.2 SPIHT |
| 4.3 实验结果与分析 |
| 4.3.1 嵌入式编码下的测井数据重建对比 |
| 4.3.2 提升小波下的测井数据重建对比 |
| 4.4 本章小结 |
| 第五章 基于压缩感知的测井数据的压缩 |
| 5.1 压缩感知 |
| 5.2 测井数据模型 |
| 5.3 稀疏信号的恢复 |
| 5.3.1 常见的测量矩阵 |
| 5.3.2 常见的稀疏重建算法 |
| 5.3.3 常见的稀疏基 |
| 5.4 基于K-SVD算法的过完备字典构造 |
| 5.5 基于拉普拉斯先验的稀疏贝叶斯学习算法 |
| 5.5.1 贝叶斯建模 |
| 5.5.2 贝叶斯推断 |
| 5.6 实验结果与分析 |
| 5.6.1 不同稀疏基下的重建对比实验 |
| 5.6.2 确定稀疏矩阵参数 |
| 5.6.3 各种重建算法的比较 |
| 5.7 本章小结 |
| 第六章 结论与展望 |
| 6.1 本文工作总结 |
| 6.2 未来研究工作展望 |
| 致谢 |
| 参考文献 |
（3）基于稀疏表示的地震数据去噪和混采分离方法研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第1章 绪论 |
| 1.1 研究背景与意义 |
| 1.2 国内外研究现状 |
| 1.2.1 地震数据稀疏表示的发展现状 |
| 1.2.2 地震数据去除随机噪声发展与现状 |
| 1.2.3 地震混采的发展与混采噪声去除的现状 |
| 1.3 论文主要的研究内容及创新点 |
| 第2章 多震源混合采集原理 |
| 2.1 多震源混合采集概述 |
| 2.2 多震源混合采集矩阵表示 |
| 第3章 稀疏表示理论基础 |
| 3.1 稀疏表示理论 |
| 3.1.1 信号的稀疏度 |
| 3.1.2 信号稀疏的数学模型 |
| 3.2 稀疏表示的欠定问题 |
| 3.3 稀疏优化方法 |
| 3.3.1 正交匹配追踪算法 |
| 3.3.2 快速迭代收缩阈值算法 |
| 第4章 固定基字典及其在地震数据去噪中的应用 |
| 4.1 傅里叶变换 |
| 4.2 小波变换 |
| 4.3 曲波变换 |
| 4.4 离散余弦变换 |
| 4.5 固定基字典去随机噪声 |
| 4.5.1 理论模型计算 |
| 4.5.2 实际数据去噪 |
| 第5章 字典学习及其在地震数据去噪中的应用 |
| 5.1 K-SVD算法 |
| 5.2 主成分分析方法 |
| 5.3 字典学习的地震数据去噪 |
| 5.3.1 模拟数据地震去噪 |
| 5.3.2 实际地震数据去噪 |
| 第6章 基于稀疏表示的混采噪声分离 |
| 6.1 混合震源伪分离 |
| 6.2 混采噪声分离 |
| 6.2.1 模拟数据实验 |
| 6.2.2 实际数据实验 |
| 第7章 结论与展望 |
| 参考文献 |
| 作者简介及在学期间所获得的研究成果 |
| 致谢 |
（4）基于随机共振的地震弱信号增强方法研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第1章 绪论 |
| 1.1 研究背景及意义 |
| 1.2 国内外研究现状 |
| 1.2.1 地震弱信号增强方法研究现状 |
| 1.2.2 随机共振研究现状 |
| 1.3 本文主要研究内容和技术路线 |
| 1.3.1 研究内容 |
| 1.3.2 技术路线 |
| 1.4 主要研究成果和创新 |
| 第2章 地震弱信号产生原因与噪声压制增强方法 |
| 2.1 地震弱信号产生原因与地震噪声分类 |
| 2.2 地震弱信号噪声压制增强方法 |
| 2.2.1 变换域滤波法 |
| 2.2.2 稀疏变换法 |
| 2.3 本章小结 |
| 第3章 随机共振理论的地震弱信号增强方法及数值模拟 |
| 3.1 随机共振理论和模型概述 |
| 3.2 双稳态随机共振基本理论和模型 |
| 3.2.1 双稳态势阱模型 |
| 3.2.2 双稳态系统经典理论 |
| 3.2.3 双稳态势函数参数优化 |
| 3.3 基于随机共振的地震弱信号处理仿真 |
| 3.3.1 数值仿真算法与系统参数调节 |
| 3.3.2 数值模拟与分析 |
| 3.4 本章小结 |
| 第4章 基于最优匹配阵列随机共振系统的地震弱信号增强(OMA-SRM)方法 |
| 4.1 基于最优匹配阵列随机共振系统基本理论 |
| 4.2.1 信号最优匹配理论 |
| 4.2.2 阵列随机共振系统理论 |
| 4.2.3 最优匹配阵列随机共振系统理论 |
| 4.2 数值模拟结果与分析 |
| 4.2.1 二维Sigmod模型去噪测试 |
| 4.2.2 二维实际地震数据去噪测试 |
| 4.2.3 三维叠前模型去噪测试 |
| 4.2.4 三维叠后实际资料去噪测试 |
| 4.3 本章小结 |
| 结论 |
| 致谢 |
| 参考文献 |
| 攻读学位期间取得学术成果 |
（5）地震勘探数据压缩方法研究（论文提纲范文）
| 摘要 |
| abstract |
| 第1章 绪论 |
| 1.1 课题研究的目的和意义 |
| 1.1.1 地震勘探技术概述 |
| 1.1.2 地震勘探数据压缩需求 |
| 1.2 国内外研究现状 |
| 1.3 论文的结构安排 |
| 第2章 地震勘探数据压缩理论概述 |
| 2.1 地震勘探数据标准SEG-Y格式简介 |
| 2.2 数据压缩的信息论基础 |
| 2.3 数据压缩的基本原理概述 |
| 第3章 数据压缩中的变换编码 |
| 3.1 引言 |
| 3.2 余弦变换 |
| 3.3 小波变换 |
| 3.3.1 小波 |
| 3.3.2 多分辨率分析 |
| 3.3.3 地震勘探数据的小波变换实现 |
| 3.4 变换系数的量化与编码 |
| 第4章 数据压缩中的无损压缩算法 |
| 4.1 概述 |
| 4.2 霍夫曼编码 |
| 4.3 算术编码 |
| 4.4 字典编码 |
| 第5章 基于小波变换的地震勘探数据有损压缩方法研究 |
| 5.1 引言 |
| 5.2 嵌入式零树编码 |
| 5.3 压缩/解压缩方案 |
| 5.4 实验结果分析与评价 |
| 第6章 地震勘探数据无损压缩方法研究 |
| 6.1 基于预测编码的地震勘探数据无损压缩 |
| 6.1.1 预测器 |
| 6.1.2 数据频率分布 |
| 6.1.3 压缩方案 |
| 6.1.4 实验结果分析与评价 |
| 6.2 叠前地震勘探数据准无损压缩 |
| 6.2.1 引言 |
| 6.2.2 数据频率分布 |
| 6.2.3 压缩方案 |
| 6.2.4 实验结果分析与评价 |
| 第7章 总结与展望 |
| 致谢 |
| 参考文献 |
| 个人简介 |
（6）基于小波变换的SEG-Y格式地震数据压缩（论文提纲范文）
| 1 SEG-Y格式地震数据 |
| 2 数据压缩/解压方案 |
| 3 试验结果 |
| 4 结语 |
（7）基于压缩感知的地震数据压缩FPGA设计与实现（论文提纲范文）
| 摘要 |
| abstract |
| 第1章 绪论 |
| 1.1 研究背景及意义 |
| 1.2 国内外研究现状 |
| 1.2.1 地震数据压缩研究现状 |
| 1.2.2 压缩感知理论研究现状 |
| 1.2.3 FPGA在数据压缩领域的应用研究现状 |
| 1.3 研究内容及结构安排 |
| 第2章 压缩感知理论介绍 |
| 2.1 压缩感知理论概述 |
| 2.1.1 稀疏表示 |
| 2.1.2 测量矩阵 |
| 2.1.3 重构算法 |
| 2.2 压缩感知理论的数学模型 |
| 2.3 本章小结 |
| 第3章 地震数据压缩算法研究 |
| 3.1 地震数据的特点 |
| 3.2 地震数据稀疏表示 |
| 3.3 测量矩阵 |
| 3.4 重构算法 |
| 3.5 本章小结 |
| 第4章 地震数据压缩算法FPGA设计与实现 |
| 4.1 FPGA介绍 |
| 4.1.1 FPGA概述 |
| 4.1.2 FPGA的基本结构 |
| 4.1.3 FPGA的特点 |
| 4.2 基于FPGA的地震仪电路设计 |
| 4.2.1 FPGA模块 |
| 4.2.2 电源模块 |
| 4.2.3 数据采集模块 |
| 4.2.4 数据传输模块 |
| 4.3 压缩算法FPGA设计与实现 |
| 4.3.1 数据输入输出 |
| 4.3.2 浮点数基本运算 |
| 4.3.3 小波变换 |
| 4.4 本章小结 |
| 第5章 实验设计及结果分析 |
| 5.1 实验设计 |
| 5.2 性能指标 |
| 5.3 实验结果及分析 |
| 5.4 本章小结 |
| 第6章 总结与展望 |
| 6.1 论文总结 |
| 6.2 研究展望 |
| 参考文献 |
| 作者简介及科研成果 |
| 致谢 |
（8）分布式地震数据智能感知采集方法研究（论文提纲范文）
| 摘要 |
| abstract |
| 第1章 绪论 |
| 1.1 研究背景及意义 |
| 1.1.1 课题的研究背景 |
| 1.1.2 课题的研究目的和意义 |
| 1.2 地震数据采集方法研究现状及存在的主要问题 |
| 1.2.1 地震数据采集方法的发展趋势 |
| 1.2.2 国内外地震数据高效采集方法的研究现状 |
| 1.2.3 地震数据高效采集方法存在的主要问题 |
| 1.3 论文研究思路和结构安排 |
| 1.3.1 论文研究思路 |
| 1.3.2 论文结构安排 |
| 第2章 地震数据智能感知的理论基础 |
| 2.1 引言 |
| 2.2 压缩感知理论 |
| 2.2.1 压缩感知理论的数学模型及常用算法 |
| 2.2.2 基于压缩感知的地震数据处理方法 |
| 2.3 稀疏表示理论 |
| 2.3.1 稀疏表示理论的数学模型及常用算法 |
| 2.3.2 基于稀疏表示的地震数据处理方法 |
| 2.4 机器学习理论 |
| 2.4.1 机器学习算法 |
| 2.4.2 基于机器学习的地震数据处理方法 |
| 2.5 智能感知采集方法 |
| 2.5.1 智能感知采集方法的基本思想 |
| 2.5.2 智能感知采集方法的理论支撑 |
| 2.6 本章小结 |
| 第3章 地震数据智能感知的总体方案设计 |
| 3.1 引言 |
| 3.2 地震数据的稀疏性分析 |
| 3.2.1 基于地震波场理论的稀疏性分析 |
| 3.2.2 基于信息理论的稀疏性分析 |
| 3.3 地震数据采集的工作场景及网络结构 |
| 3.3.1 常规地震勘探工作场景及网络结构 |
| 3.3.2 压裂微地震监测工作场景及网络结构 |
| 3.4 基于常规地震勘探的高效地震数据采集方案设计 |
| 3.4.1 常规地震勘探中采集效率分析 |
| 3.4.2 提高常规地震勘探中采集效率的策略研究 |
| 3.4.3 基于多跳网络的地震数据智能感知方案 |
| 3.5 基于压裂微地震监测的高效地震数据采集方案设计 |
| 3.5.1 压裂微地震监测中采集效率分析 |
| 3.5.2 提高压裂微地震监测中采集效率的策略研究 |
| 3.5.3 基于微地震事件检测的智能感知方案 |
| 3.6 本章小结 |
| 第4章 基于多跳网络的地震数据智能感知采集方法研究 |
| 4.1 引言 |
| 4.2 基于多跳网络的地震数据智能感知采集方法概述 |
| 4.2.1 基于多跳网络的地震数据智能感知采集方法的设计思想 |
| 4.2.2 基于多跳网络的地震数据智能感知采集方法的训练阶段 |
| 4.2.3 基于多跳网络的地震数据智能感知采集方法的采集阶段 |
| 4.3 基于多跳网络的压缩编码框架 |
| 4.4 基于生成对抗网络的压缩感知算法的框架 |
| 4.4.1 基于生成对抗网络的压缩感知算法的设计思想 |
| 4.4.2 基于生成对抗网络的压缩感知算法的基本结构 |
| 4.4.3 基于生成对抗网络的压缩感知算法中对抗机制 |
| 4.4.4 基于生成对抗网络的压缩感知算法中交替方向搜索机制 |
| 4.5 基于生成对抗网络的压缩感知算法的判别器设计 |
| 4.5.1 判别器的设计思想 |
| 4.5.2 判别器的网络结构 |
| 4.5.3 判别器的损失函数 |
| 4.6 基于生成对抗网络的压缩感知算法的生成器设计 |
| 4.6.1 生成器的设计思想 |
| 4.6.2 生成器的网络结构 |
| 4.6.3 生成器的损失函数 |
| 4.7 基于多跳网络的地震数据智能感知采集方法的数值试验 |
| 4.7.1 数值试验的总体思路 |
| 4.7.2 合成地震数据试验 |
| 4.7.3 实际地震数据试验 |
| 4.8 本章小结 |
| 第5章 基于微地震事件检测的智能感知采集方法研究 |
| 5.1 引言 |
| 5.2 基于微地震事件检测的智能感知采集方法概述 |
| 5.2.1 基于微地震事件检测的智能感知采集方法的设计思想 |
| 5.2.2 基于微地震事件检测的智能感知采集方法的训练阶段 |
| 5.2.3 基于微地震事件检测的智能感知采集方法的采集阶段 |
| 5.3 基于微地震事件检测的压缩采样技术 |
| 5.3.1 基于微地震事件检测的压缩采样技术的核心思想 |
| 5.3.2 微地震数据的时间域随机压缩采样 |
| 5.3.3 基于机器学习的微地震事件检测算法 |
| 5.4 微地震数据压缩采样的数据重构方法 |
| 5.4.1 微地震数据压缩采样的数据重构的思路 |
| 5.4.2 基于奇异值分解的聚类字典学习算法 |
| 5.4.3 微地震数据压缩采样后的数据恢复过程 |
| 5.5 基于微地震事件检测的智能感知采集方法的数值试验 |
| 5.5.1 数值试验的总体思路 |
| 5.5.2 合成微地震数据试验 |
| 5.5.3 实际微地震数据试验 |
| 5.6 本章小结 |
| 第6章 总结与展望 |
| 6.1 研究工作总结 |
| 6.2 论文创新点 |
| 6.3 后续工作展望 |
| 参考文献 |
| 作者简介及攻读博士期间科研成果 |
| 致谢 |
（9）基于凸集投影算法的地震数据重建和噪声压制研究（论文提纲范文）
| 摘要 |
| Abstract |
| 1 绪论 |
| 1.1 研究的目的与意义 |
| 1.2 国内外的研究现状 |
| 1.2.1 地震数据重建方法研究 |
| 1.2.2 地震数据稀疏表示研究 |
| 1.2.3 地震数据采样方法和重建算法的研究 |
| 1.3 文章内容安排 |
| 1.3.1 文章主要章节内容 |
| 1.3.2 文章主要创新点 |
| 2 地震数据重建理论 |
| 2.1 传统插值理论 |
| 2.1.1 传统空间采样率以及空间假频 |
| 2.1.2 地震道插值重建理论 |
| 2.2 地震数据重建理论 |
| 2.2.1 概述 |
| 2.2.2 信号的稀疏表示 |
| 2.2.3 测量矩阵的不相干 |
| 2.2.4 重建的策略 |
| 2.3 凸集投影算法 |
| 2.3.1 凸集投影算法的原理 |
| 2.3.2 凸集投影算法的数学表达 |
| 2.4 压缩采样方法 |
| 2.4.1 互相干噪声评价 |
| 2.4.2 规则欠采样与随机欠采样 |
| 2.4.3 Jitter欠采样 |
| 2.5 曲波变换 |
| 2.5.1 连续曲波变换 |
| 2.5.2 离散曲波变换 |
| 2.5.3 曲波变换的算法实现 |
| 2.5.4 曲波变换的特性 |
| 2.5.5 离散曲波变换的展示 |
| 2.6 本章小结 |
| 3 基于凸集投影算法的地震数据重建 |
| 3.1 引言 |
| 3.2 阈值参数的选择 |
| 3.3 理论数据模拟 |
| 3.3.1 不同稀疏变换的重建 |
| 3.3.2 不同阈值参数的重建 |
| 3.3.3 不同?值的重建 |
| 3.3.4 不同迭代次数的重建 |
| 3.3.5 不同采样方式的重建 |
| 3.3.6 不同采样率的重建 |
| 3.3.7 不同重建算法的重建 |
| 3.3.8 含噪地震数据的重建 |
| 3.4 实际地震数据 |
| 3.5 本章小结 |
| 4 地震数据同时重建和噪声压制 |
| 4.1 地震数据同时重建和噪声压制的原理 |
| 4.2 理论数据模拟 |
| 4.2.1 固定加权因子 |
| 4.2.2 不同加权因子 |
| 4.2.3 不同能量噪声的重建 |
| 4.3 实际地震数据 |
| 4.4 本章小结 |
| 5 结论和建议 |
| 致谢 |
| 参考文献 |
（10）地震波正演波场高效压缩方法（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第1章 绪论 |
| 1.1 研究背景和意义 |
| 1.2 地震数据压缩发展现状 |
| 1.2.1 国外发展现状 |
| 1.2.2 国内发展现状 |
| 1.3 本文研究工作 |
| 第2章 地震数据压缩技术 |
| 2.1 数据压缩技术 |
| 2.2 无损压缩技术 |
| 2.2.1 香农-范诺编码 |
| 2.2.2 哈夫曼编码 |
| 2.2.3 游程编码 |
| 2.2.4 算术编码 |
| 2.2.5 字典编码 |
| 2.2.6 Steim算法 |
| 2.2.7 整数小波变换 |
| 2.3 有损压缩技术 |
| 2.3.1 离散余弦变换 |
| 2.3.2 Dreamlet变换 |
| 2.3.3 小波变换 |
| 2.4 地震数据评价指标 |
| 2.4.1 压缩能力 |
| 2.4.2 信号质量 |
| 第3章 基于Squeeze算法的地震压缩技术 |
| 3.1 Squeeze算法简介 |
| 3.2 Squeeze压缩原理 |
| 3.2.1 多维和多层预测模型 |
| 3.2.2 自适应误差约束量化 |
| 3.2.3 熵编码 |
| 3.2.4 二进制表示分析压缩算法 |
| 3.3 Squeeze算法实现流程 |
| 3.4 Squeeze算法在地震波模拟中的实现 |
| 第4章 Squeeze压缩数值测试 |
| 4.1 二维地震记录压缩测试 |
| 4.2 单剖面单分量波场数据压缩测试 |
| 4.3 四维应力张量波场数据压缩测试 |
| 4.3.1 压缩率分析 |
| 4.3.2 波场快照误差 |
| 4.3.3 敏感核误差 |
| 4.3.4 时间开销分析 |
| 第5章 算法改进策略 |
| 5.1 “零漂”问题及校正策略 |
| 5.2 HL压缩模式 |
| 第6章 结论 |
| 参考文献 |
| 致谢 |
| 在读期间发表的学术论文与取得的研究成果 |
四、基于整数小波变换的地震数据压缩（论文参考文献）
- [1]基于多目标进化算法的地震数据稀疏表示方法研究[D]. 罗世豪. 吉林大学, 2021(01)
- [2]面向随钻传输的测井数据的压缩方法研究与实现[D]. 彭子威. 电子科技大学, 2021(01)
- [3]基于稀疏表示的地震数据去噪和混采分离方法研究[D]. 朱鹤文. 吉林大学, 2020(08)
- [4]基于随机共振的地震弱信号增强方法研究[D]. 陈力鑫. 成都理工大学, 2020(04)
- [5]地震勘探数据压缩方法研究[D]. 汤君健. 长江大学, 2020(02)
- [6]基于小波变换的SEG-Y格式地震数据压缩[J]. 汤君健,张正炳,付青青. 长江大学学报(自然科学版), 2020(02)
- [7]基于压缩感知的地震数据压缩FPGA设计与实现[D]. 崔忠林. 吉林大学, 2019(03)
- [8]分布式地震数据智能感知采集方法研究[D]. 张晓普. 吉林大学, 2019
- [9]基于凸集投影算法的地震数据重建和噪声压制研究[D]. 王冬年. 东华理工大学, 2019(01)
- [10]地震波正演波场高效压缩方法[D]. 高潇. 中国科学技术大学, 2019(09)