简介:传统的f-x域经验模态分解法(Empiricalmodedecomposition,EMD)能够有效地对主要由水平同相轴构成的地震记录进行随机噪声衰减。然而,当同相轴倾斜时,f-x域经验模态分解法在衰减随机噪声的同时去除大部分有效信号。本文提出了一种基于f-x域经验模态分解法的改进算法。我们通过局部相似度对所去除的噪声信号中的有效信号进行提取。局部相似度可以用来检测噪声信号中的有效信号点并用来构造一权重算子进行信号提取。新方法与f-x域经验模态分解法、f-x域预测滤波法以及f-x域经验模态分解预测滤波法相比能够在衰减随机噪声的同时保留更多的有用信号。数值模拟实验以及实际地震资料处理结果均表明该方法能更为有效地去噪。
简介:有限差分方法广泛应用于求解许多科技领域所涉及的偏微分方程,高阶显式有限差分方法通常用来提高求解精度,已经提出的高阶隐式有限差分方法和截断高阶显式有限差分方法可用来进一步提高模拟精度而不增加计算量。本文首先计算了针对常规网格上的一阶导数和二阶导数、交错网格上的一阶导数的有限差分系数,发现高阶隐式有限差分系数中存在一些小的系数。频散分析结果表明:忽略这些小的差分系数能够近似维持有限差分的精度,但是显著减小了计算量。然后,引入镜像对称边界条件来提高隐式有限差分方法的精度和稳定性,采用混合吸收边界条件来减小来自模型边界所不需要的反射。最后,给出了针对均匀和非均匀介质模型的弹性波模拟例子,表明了本文方法的优点。