عنوان پایان‌نامه
کاهش نوفه تصادفی از داده های لرزه ای با ترکیب فیلتر FX و واهمامیخت
- رشته تحصیلی
- ژئوفیزیک-لرزه شناسی
- مقطع تحصیلی
- کارشناسی ارشد
- محل دفاع
- کتابخانه مرکزی -تالار اطلاع رسانی شماره ثبت: 67962;کتابخانه موسسه ژئوفیزیک شماره ثبت: 1115
- تاریخ دفاع
- ۳۱ شهریور ۱۳۹۳
- دانشجو
- فریده رحیمی سریزدی
- استاد راهنما
- حمیدرضا سیاه کوهی, علی غلامی
- چکیده
- جدا کردن نوفه از سیگنال یکی از مراحل مهم پردازش داده های لرزه ای به شمار می رود. به علت اینکه در حوزه مکان - زمان قسمت مطلوب (سیگنال) وقسمت نامطلوب (نوفه) در هم ترکیب می شوند و تفکیک این دو به سختی قابل انجام است، بنابراین بجای استفاده از حوزه زمان باید از حوزه های دیگر استفاده شود تا در آن حوزه بتوان سیگنال و نوفه را از هم تفکیک کرد .یکی از انواع روش هایی که برای تضعیف نوفه های تصادفی کاربرد زیادی دارد، استفاده از فیلتر پیشگو در حوزهFX می باشد. در این حوزه سیگنال و نوفه به خوبی تفکیک می شوند. در هنگام استفاده از فیلتر FX، مقداری از جزئیات اطلاعات در داده های لرزه ای از بین می رود. در این پایان نامه برای حل این مشکل داده های فیلتر شده به وسیله فیلتر همامیخت FX ، به کمک روش ForWard به دو بخش که یکی دارای محتوای سیگنالی بالا است (در حقیقت غلبه با سیگنال است) و دیگری که دارای نسبت سیگنال به نوفه پایین است و نوفه بسیار بیشتری نسبت به بخش اول دارد، تقسیم کنیم. سپس عملگر واهمامیخت را که از فیلتر FX اقتباس شده است بر روی بخشی از سیگنال که دارای نوفه کمتری است، اعمال می کنیم. نتایج بدست آمده از این روش بر روی داده های مصنوعی و حقیقی نشان می دهد که ترکیب فیلتر FX و واهمامیخت، سیگنال را در قسمتهای حذف شده تقویت کرده و نوفه حذف شده به داده اضافه نمی گردد.
- Abstract
- Separating noise from signal is one of the important stages in signal processing. Because of combination signal and noise in x-t domain, separating them is very difficult. So, instead of this domain should be used other domains to separate signal and noise. One of the most applicable methods for reducing random noise is prediction filter in FX domain. In this domain signal and noise can be separated very well. This FX filter, while reducing noise, can also smooth out some of the detailed information. For solving this problem in this thesis, the FX filtered data is decomposed into two parts with ForWard method – one where high signal dominates (signal is more than noise) and the other where the signal to noise ratio is low and has noise more than the first part .then the deconvolution that is extracted of FX filter is only applied to the portion where high signal dominates. The results of applying this method on synthetic and real data, shows that combination of FX filter and deconvolution amplify the signal in parts that was smoothed and the reduction noise is not added to data
