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 |