首页--天文学、地球科学论文--地球物理勘探论文--地震勘探论文

基于盲信号理论的地震数据处理技术研究

摘要第4-6页
Abstract第6-7页
1 绪论第11-18页
    1.1 选题目的及意义第11-13页
    1.2 研究背景和现状第13-17页
        1.2.1 地震信号的去噪方法第13页
        1.2.2 地震子波的估计与提取方法第13-14页
        1.2.3 地震反褶积方法第14-15页
        1.2.4 盲信号分离理论、盲反褶积以及独立分量分析算法第15-17页
    1.3 本文研究内容及成果第17-18页
2 盲信号理论的数学基础第18-23页
    2.1 概率论基础第18页
        2.1.1 线性变换关系第18页
        2.1.2 非线性变换关系第18页
    2.2 信息论基础第18-21页
        2.2.1 熵(Entropy)第18-19页
        2.2.2 负熵(Negentropy)第19-20页
        2.2.3 互信息(Mutual Information)第20-21页
    2.3 高阶统计量基础第21-23页
        2.3.1 n阶矩第21页
        2.3.2 n阶累积量第21-23页
3 盲反褶积理论方法第23-37页
    3.1 盲反褶积方法分类第23-24页
        3.1.1 两步法第23页
        3.1.2 基于信息论的最小输出熵的盲反褶积方法第23页
        3.1.3 Bussgang类的盲反褶积方法第23-24页
        3.1.4 基于贝叶斯理论的(稀疏)盲反褶积方法第24页
        3.1.5 基于独立分量分析(ICA)理论的盲反褶积方法第24页
    3.2 盲信号分离算法——独立分量分析的基本理论第24-28页
        3.2.1 基本原理第24-25页
        3.2.2 定义及数学模型第25-26页
        3.2.3 先验假设和约束条件第26页
        3.2.4 预处理步骤第26-27页
        3.2.5 分离结果的性能优选指标参数第27-28页
    3.3 目标函数的分类第28-29页
        3.3.1 非高斯性最大化第28页
        3.3.2 互信息最小化第28-29页
        3.3.3 负熵最大化第29页
        3.3.4 最大似然估计第29页
    3.4 独立分量分析的优化学习算法第29-37页
        3.4.1 随机梯度算法第29-30页
        3.4.2 自然梯度算法第30-31页
        3.4.3 EASI算法第31页
        3.4.4 联合对角化第31页
        3.4.5 快速独立分量分析算法(FastICA)第31-37页
4 独立分量分析算法实现地震信号信噪盲分离第37-53页
    4.1 独立分量分析的盲分离去噪模型第37页
    4.2 模型参量模拟第37-39页
    4.3 线性观测模型数据模拟第39-40页
    4.4 利用独立分量分析算法模拟实现盲分离地震信噪信号第40-41页
    4.5 分离结果不确定性解决方法第41-42页
    4.6 不同信噪比情况去噪效果试验第42-50页
    4.7 实际资料处理第50-52页
    4.9 本章小结第52-53页
5 基于快速ICA实现地震盲反褶积第53-65页
    5.1 地震记录基本褶积模型第53页
    5.2 地震记录的独立分量分析(ICA)模型第53-54页
    5.3 利用FastICA实现盲反褶积原理第54-55页
    5.4 盲反褶积优选法则与不确定性解决方案第55页
    5.5 针对不同相位的地震记录进行独立分量分析算法盲反褶积第55-62页
        5.5.1 零相位地震记录的盲反褶积第55-58页
        5.5.2 最小相位地震记录的盲反褶积第58-60页
        5.5.3 混合相位地震记录的盲反褶积第60-62页
        5.5.4 综合分析第62页
    5.6 多道楔形模型盲反褶积处理第62-64页
    5.7 本章小结第64-65页
6 结论与建议第65-67页
参考文献第67-70页
攻读硕士学位期间主要的研究成果第70-71页
致谢第71页

论文共71页,点击 下载论文
上一篇:黄土中渗流水运动及其对土体的潜蚀特征研究
下一篇:加筋边坡稳定可靠性分析