简介：传统上,时间域航空电磁数据通过拟合迭代反演计算得到大地模型,然而,由于航空电磁数据道间的较强相关性,导致病态反演,并引起超定问题;同时电磁数据的相关性使其与模型参数的映射关系复杂,增加了反演的复杂度。采用主成分分析法将航空电磁数据变换为正交的较少数量的主成分,不仅降低了数据道间的相关性,减小了数据量,同时压制了数据的不相关噪声。本文利用人工神经网络(ANN)逼近主成分与大地模型参数间的映射关系,避免了传统反演算法中雅克比矩阵的复杂计算。层状模型的主成分神经网络与数据神经网络的反演结果对比显示,主成分神经网络反演方法网络结构简单,训练步数少,反演结果好,特别是对于含噪数据。准二维模型的主成分ANN、数据ANN以及Zhody方法的反演结果显示了主成分神经网络具有更接近真实模型的反演效果,进一步证明了主成分神经网络反演方法适合海量航空电磁探测数据反演。

简介：常规的时间一空间域和频率一空间域预测滤波方法假设地震记录由地震信号和随机噪声两部分构成，即所谓的加噪声模型，但是，在对随机噪声进行估算时，又假设随机噪声可以通过预测误差滤波器由地震记录中进行预测，即所谓的源噪声模型。这种前后不一致的噪声模型降低了该类方法的去噪能力和保幅性能。为此，本文提出了一种基于反演的时空域随机噪声衰减方法。它首先从地震数据中估算预测滤波算子，该算子表征了地震信号的可预测性，自适应地描述了地震信号的空间结构。在得到预测误差算子之后，将该算子作为正则化约束引入到地震信号反演系统，由含有随机噪声的地震数据直接反演地震信号。不同于常规随机噪声衰减方法，该方法将随机噪声衰减问题归结为正则化约束下的地震信号反演问题，克服了常规方法噪声模型的不一致性问题。我们采用模型数据和实际数据进行了实验分析，并与常规方法进行了效果对比。实验结果表明：与常规方法相比，本文方法在噪声压制的同时，没有对有效信号产生明显伤害，具有更好的振幅保持能力。