随机噪音压制方法、装置、设备及存储介质

技术领域

本申请涉及地球物理勘探领域，特别地涉及一种随机噪音压制方法、装置、设备及存储介质。

背景技术

地震数据中不可避免的存在随机噪音，有效压制噪声，提升地震资料信噪比与分辨率是后续反演与解释工作的前提。地震数据是一种非线性、非平稳信号，针对这一特性，Wigner-Ville、小波变换、曲波变换等大量信号分析手段用来压制随机噪音，虽然取得了一定效果，但也存在一定局限性。

经验模态分解(Empirical Mode Decomposition,EMD)，其核心思想是将非平稳信号分解成不同频段的模态分量进而转化成平稳信号进行分析，理论上可以应用于任何类型信号的分解，因此，在处理非线性、非平稳数据上具有明显的优势。然而，EMD分解后的信号容易出现模态混叠和端点效应，集合经验模态分解(Ensemble EMD，EEMD)避免EMD的不足，完备集合经验模态分解(Complete EEMD,CEEMD)有效克服了EEMD因辅助白噪引入的噪音污染，但其数学理论基础尚不严谨、运算效率较低、部分有效信号损失。变分模态分解(Variational Mode Decomposition,VMD)在获取模态分量的过程中通过迭代搜索变分模型最优解来确定每个分量的频率中心及带宽，能够自适应地实现信号的频域剖分与各分量的有效分离。VMD具备牢固的理论基础，能够准确分解信号，不易出现模态混叠，算法鲁棒性好，同时兼备较高运算效率。分量个数与惩罚因子是VMD的两个重要参数，一般根据专家经验给定，这可能导致信号分解出现误差，影响噪音压制的效果。

发明内容

针对上述问题，本申请提供一种随机噪音压制方法、装置、设备及存储介质。

本申请提供了一种随机噪音压制方法，包括：

S1：利用遗传算法配置变分模态分解的分量个数与惩罚因子参数；

S2：利用完成配置参数的变分模态分解压制随机噪音，提高地震资料品质。

在一些实施例中，所述利用遗传算法配置变分模态分解的分量个数与惩罚因子参数具体方法包括：

(1)应用遗传算法对变分模态分解的参数K、C进行编码；

(2)对地震数据进行变分模态分解运算；

(3)执行应用选择算子、交叉算子和变异算子，产生下一代种群，即得到新种群；

(4)计算新种群个体的适应度值；

(5)如果满足停止准则，则找到最优编码串，否则返回步骤(2)；

(6)将最优编码串解码为优化的VMD参数；

其中，

K：VMD的分量个数

C：惩罚因子。

在一些实施例中，所述选择算子为：

式中，N为种群数目，f

交叉算子为：

式中，f′为调节后的适应度值，f

变异算子为：

式中，f

f

在一些实施例中，所述计算新种群个体的适应度值的具体方法包括：

f′＝af+b式中，f、f′分别对应调节前后的适应度值，a，b为调节系数，E为误差函数，其值出现负值则按如下公式进行调整：

Δ

在一些实施例中，所述遗传算法初始化，确定初始种群规模N＝60、交叉算子P

所述停止准则为，误差小于等于0.001或者达到最大学习次数，所述最大学习次数为大于等于500次，可由用户指定。

在一些实施例中，所述利用完成配置参数的变分模态分，解压制随机噪音，提高地震资料品质具体方法包括：

(1)将地震信号x(t)分解为K个模态分量d

(2)对模态分量d

(3)将模态分量的频谱调制到以ω

(4)估计模态分量的频带宽度，即

(5)引入惩罚因子C和Lagrange算子λ(t)，将约束变分问题转化为无约束的变分问题；

(6)采用傅里叶变换将所述无约束的变分问题转换到频域，并求取模态分量的频率域结果；

(7)采用傅里叶逆变换将模态分量的频率域结果变换到时域，得到模态分量的时域信号，则噪音压制后的信号

在一些实施例中，所述将地震信号x(t)分解为K个模态分量d

d

将约束变分问题转化为无约束的变分问题具体公式为：

δ(t)为脉冲函数。

本申请实施例提供一种随机噪音压制装置，包括：

配置变分模态分解的参数模块和变分模态分解压制随机噪音模块；

所述配置变分模态分解的参数模块：利用遗传算法配置变分模态分解的分量个数与惩罚因子参数；

所述变分模态分解压制随机噪音模块：利用完成配置参数的变分模态分解压制随机噪音，提高地震资料品质。

本申请实施例提供一种随机噪音压制设备，包括存储器和处理器，所述存储器上存储有计算机程序，该计算机程序被所述处理器执行时，执行上述任意一项所述随机噪音压制方法。

本申请实施例提供一种存储介质，该存储介质存储的计算机程序，能够被一个或多个处理器执行，能够用来实现上述任一项所述随机噪音压制方法。

本申请提供的一种随机噪音压制方法、装置、设备及存储介质，具有如下有益效果：

通过GA-VMD压制地震数据中的随机噪音，提升了地震资料的品质。GA-VMD利用GA实现了VMD参数的智能化最优配置，减少了人的工作量，同时避免了人主观因素可能带来的分解误差，从而提升了噪音压制效果，为后续反演、解释创造了良好的数据基础。

附图说明

在下文中将基于实施例并参考附图来对本申请进行更详细的描述。

图1为本申请实施例提供的GA-VMD的算法流程图；

图2为本申请实施例提供的基于GA-VMD的随机噪音压制方法流程图；

图3(a)-(b)为本申请实施例提供的模拟数据地震剖面及信噪比SNR＝2的含噪剖面；

图4(a)-(c)为本申请实施例提供的模拟数据第10道地震数据、含噪数据及高斯白噪；

图5(a)-(c)为本申请实施例提供的模拟数据第10道地震数据随机噪音压制效果图；

图6(a)-(b)为本申请实施例提供的CEEMD方法噪音压制地震剖面及噪音剖面；

图7(a)-(b)为本申请实施例提供的GA-VMD方法噪音压制地震剖面及噪音剖面；

图8(a)-(b)为本申请实施例提供的实际单炮记录噪音压制前后对比图；

图9(a)-(b)为本申请实施例提供的实际叠加剖面噪音压制前后对比图。

在附图中，相同的部件使用相同的附图标记，附图并未按照实际的比例绘制。

具体实施方式

为了使本申请的目的、技术方案和优点更加清楚，下面将结合附图对本申请作进一步地详细描述，所描述的实施例不应视为对本申请的限制，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其它实施例，都属于本申请保护的范围。

在以下的描述中，涉及到“一些实施例”，其描述了所有可能实施例的子集，但是可以理解，“一些实施例”可以是所有可能实施例的相同子集或不同子集，并且可以在不冲突的情况下相互结合。

如果申请文件中出现“第一第二第三”的类似描述则增加以下的说明，在以下的描述中，所涉及的术语“第一第二第三”仅仅是是区别类似的对象，不代表针对对象的特定排序，可以理解地，“第一第二第三”在允许的情况下可以互换特定的顺序或先后次序，以使这里描述的本申请实施例能够以除了在这里图示或描述的以外的顺序实施。

除非另有定义，本文所使用的所有的技术和科学术语与属于本申请的技术领域的技术人员通常理解的含义相同。本文中所使用的术语只是为了描述本申请实施例的目的，不是旨在限制本申请。

在介绍本申请实施例提供的一种随机噪音压制方法之前，对相关技术中存在的问题进行简单介绍：

地震数据中不可避免的存在随机噪音，有效压制噪声，提升地震资料信噪比与分辨率是后续反演与解释工作的前提。地震数据是一种非线性、非平稳信号，针对这一特性，Wigner-Ville、小波变换、曲波变换等大量信号分析手段用来压制随机噪音，虽然取得了一定效果，但也存在一定局限性。

经验模态分解(Empirical Mode Decomposition,EMD)，其核心思想是将非平稳信号分解成不同频段的模态分量进而转化成平稳信号进行分析，理论上可以应用于任何类型信号的分解，因此，在处理非线性、非平稳数据上具有明显的优势。然而，EMD分解后的信号容易出现模态混叠和端点效应，集合经验模态分解(Ensemble EMD，EEMD)避免EMD的不足，完备集合经验模态分解(Complete EEMD,CEEMD)有效克服了EEMD因辅助白噪引入的噪音污染，但其数学理论基础尚不严谨、运算效率较低、部分有效信号损失。变分模态分解(Variational Mode Decomposition,VMD)在获取模态分量的过程中通过迭代搜索变分模型最优解来确定每个分量的频率中心及带宽，能够自适应地实现信号的频域剖分与各分量的有效分离。VMD具备牢固的理论基础，能够准确分解信号，不易出现模态混叠，算法鲁棒性好，同时兼备较高运算效率。分量个数与惩罚因子是VMD的两个重要参数，一般根据专家经验给定，这可能导致信号分解出现误差，影响噪音压制的效果。

基于相关技术中存在的问题，本申请实施例提供一种随机噪音压制方法，所述方法应用于随机噪音压制设备，所述随机噪音压制设备可以为电子设备，例如计算机、移动终端等。本申请实施例提供的随机噪音压制方法所实现的功能可以通过电子设备的处理器调用程序代码来实现，其中，程序代码可以保存在计算机存储介质中。

实施例一

本申请实施例提供一种随机噪音压制方法，图2为本申请实施例提供的一种随机噪音压制方法的实现流程示意图，如图2所示，包括：

S1：利用遗传算法配置变分模态分解的分量个数与惩罚因子参数；

S2：利用完成配置参数的变分模态分解压制随机噪音，提高地震资料品质。

本申请提供的一种随机噪音压制方法，通过GA-VMD压制地震数据中的随机噪音，提升了地震资料的品质。GA-VMD利用GA实现了VMD参数的智能化最优配置，减少了人的工作量，同时避免了人主观因素可能带来的分解误差，从而提升了噪音压制效果，为后续反演、解释创造了良好的数据基础。

实施例二

基于前述的实施例，本申请实施例再提供一种随机噪音压制方法，包括：

S21：利用遗传算法配置变分模态分解的分量个数与惩罚因子参数；

在一些实施例中，所述利用遗传算法配置变分模态分解的分量个数与惩罚因子参数具体方法包括：

(1)应用遗传算法对变分模态分解的参数K、C进行编码；

(2)对地震数据进行变分模态分解运算；

(3)执行应用选择算子、交叉算子和变异算子，产生下一代种群，即得到新种群；

(4)计算新种群个体的适应度值；

(5)如果满足停止准则，则找到最优编码串，否则返回步骤(2)；

(6)将最优编码串解码为优化的VMD参数；

S22：利用完成配置参数的变分模态分解压制随机噪音，提高地震资料品质。

本申请提供的一种随机噪音压制方法，通过GA-VMD压制地震数据中的随机噪音，提升了地震资料的品质。GA-VMD利用GA实现了VMD参数的智能化最优配置，减少了人的工作量，同时避免了人主观因素可能带来的分解误差，从而提升了噪音压制效果，为后续反演、解释创造了良好的数据基础。

实施例三

基于前述的实施例，本申请实施例再提供一种随机噪音压制方法，包括：

S31：利用遗传算法配置变分模态分解的分量个数与惩罚因子参数；

在一些实施例中，所述利用遗传算法配置变分模态分解的分量个数与惩罚因子参数具体方法包括：

(1)应用遗传算法对变分模态分解的参数K、C进行编码；

其中，

K：VMD的分量个数

C：惩罚因子；

(2)对地震数据进行变分模态分解运算；

(3)执行应用选择算子、交叉算子和变异算子，产生下一代种群，即得到新种群；

(4)计算新种群个体的适应度值；

(5)如果满足停止准则，则找到最优编码串，否则返回步骤(2)；

(6)将最优编码串解码为优化的VMD参数；

在一些实施例中，所述选择算子为：

式中，N为种群数目，f

交叉算子为：

式中，f

变异算子为：

式中，f

f

S32：利用完成配置参数的变分模态分解压制随机噪音，提高地震资料品质。

本申请提供的一种随机噪音压制方法，通过GA-VMD压制地震数据中的随机噪音，提升了地震资料的品质。GA-VMD利用GA实现了VMD参数的智能化最优配置，减少了人的工作量，同时避免了人主观因素可能带来的分解误差，从而提升了噪音压制效果，为后续反演、解释创造了良好的数据基础。

实施例四

基于前述的实施例，本申请实施例再提供一种随机噪音压制方法，包括：

S41：利用遗传算法配置变分模态分解的分量个数与惩罚因子参数；

在一些实施例中，所述利用遗传算法配置变分模态分解的分量个数与惩罚因子参数具体方法包括：

(1)应用遗传算法对变分模态分解的参数K、C进行编码；

其中，

K：VMD的分量个数

C：惩罚因子；

(2)对地震数据进行变分模态分解运算；

(3)执行应用选择算子、交叉算子和变异算子，产生下一代种群，即得到新种群；

(4)计算新种群个体的适应度值；

(5)如果满足停止准则，则找到最优编码串，否则返回步骤(2)；

(6)将最优编码串解码为优化的VMD参数；

在一些实施例中，所述选择算子为：

式中，N为种群数目，f

交叉算子为：

式中，f′为调节后的适应度值，f

变异算子为：

式中，f

f

在一些实施例中，所述计算新种群个体的适应度值的具体方法包括：

f′＝af+b式中，f、f′分别对应调节前后的适应度值，a，b为调节系数，E为误差函数，其值出现负值则按如下公式进行调整：

Δ

S42：利用完成配置参数的变分模态分解压制随机噪音，提高地震资料品质。

本申请提供的一种随机噪音压制方法，通过GA-VMD压制地震数据中的随机噪音，提升了地震资料的品质。GA-VMD利用GA实现了VMD参数的智能化最优配置，减少了人的工作量，同时避免了人主观因素可能带来的分解误差，从而提升了噪音压制效果，为后续反演、解释创造了良好的数据基础。

实施例五

基于前述的实施例，本申请实施例再提供一种随机噪音压制方法，包括：

S51：利用遗传算法配置变分模态分解的分量个数与惩罚因子参数；

在一些实施例中，所述利用遗传算法配置变分模态分解的分量个数与惩罚因子参数具体方法包括：

(1)应用遗传算法对变分模态分解的参数K、C进行编码；

其中，

K：VMD的分量个数

C：惩罚因子；

(2)对地震数据进行变分模态分解运算；

(3)执行应用选择算子、交叉算子和变异算子，产生下一代种群，即得到新种群；

(4)计算新种群个体的适应度值；

(5)如果满足停止准则，则找到最优编码串，否则返回步骤(2)；

(6)将最优编码串解码为优化的VMD参数；

在一些实施例中，所述选择算子为：

式中，N为种群数目，f

交叉算子为：

式中，f′为调节后的适应度值，f

变异算子为：

式中，f

f

在一些实施例中，所述计算新种群个体的适应度值的具体方法包括：

f′＝af+b式中，f、f′分别对应调节前后的适应度值，a，b为调节系数，E为误差函数，其值出现负值则按如下公式进行调整：

Δ

在一些实施例中，所述遗传算法初始化，确定初始种群规模N＝60、交叉算子P

S52：利用完成配置参数的变分模态分解压制随机噪音，提高地震资料品质。

本申请提供的一种随机噪音压制方法，通过GA-VMD压制地震数据中的随机噪音，提升了地震资料的品质。GA-VMD利用GA实现了VMD参数的智能化最优配置，减少了人的工作量，同时避免了人主观因素可能带来的分解误差，从而提升了噪音压制效果，为后续反演、解释创造了良好的数据基础。

实施例六

基于前述的实施例，本申请实施例再提供一种随机噪音压制方法，包括：

S61：利用遗传算法配置变分模态分解的分量个数与惩罚因子参数；

在一些实施例中，所述利用遗传算法配置变分模态分解的分量个数与惩罚因子参数具体方法包括：

(1)应用遗传算法对变分模态分解的参数K、C进行编码；

其中，

K：VMD的分量个数

C：惩罚因子；

(2)对地震数据进行变分模态分解运算；

(3)执行应用选择算子、交叉算子和变异算子，产生下一代种群，即得到新种群；

(4)计算新种群个体的适应度值；

(5)如果满足停止准则，则找到最优编码串，否则返回步骤(2)；

(6)将最优编码串解码为优化的VMD参数；

在一些实施例中，所述选择算子为：

式中，N为种群数目，f

交叉算子为：

式中，f′为调节后的适应度值，f

变异算子为：

式中，f

f

在一些实施例中，所述计算新种群个体的适应度值的具体方法包括：

f′＝af+b式中，f、f′分别对应调节前后的适应度值，a，b为调节系数，E为误差函数，其值出现负值则按如下公式进行调整：/>

Δ

在一些实施例中，所述停止准则为，误差小于等于0.001或者达到最大学习次数，所述最大学习次数为大于等于500次，也可由用户指定，比如1000次等；

S62：利用完成配置参数的变分模态分解压制随机噪音，提高地震资料品质。

本申请提供的一种随机噪音压制方法，通过GA-VMD压制地震数据中的随机噪音，提升了地震资料的品质。GA-VMD利用GA实现了VMD参数的智能化最优配置，减少了人的工作量，同时避免了人主观因素可能带来的分解误差，从而提升了噪音压制效果，为后续反演、解释创造了良好的数据基础。

实施例七

基于前述的实施例，本申请实施例再提供一种随机噪音压制方法，包括：

S71：利用遗传算法配置变分模态分解的分量个数与惩罚因子参数；

在一些实施例中，所述利用遗传算法配置变分模态分解的分量个数与惩罚因子参数具体方法包括：

(1)应用遗传算法对变分模态分解的参数K、C进行编码；

其中，

K：VMD的分量个数

C：惩罚因子；

(2)对地震数据进行变分模态分解运算；

(3)执行应用选择算子、交叉算子和变异算子，产生下一代种群，即得到新种群；

(4)计算新种群个体的适应度值；

(5)如果满足停止准则，则找到最优编码串，否则返回步骤(2)；

(6)将最优编码串解码为优化的VMD参数；

在一些实施例中，所述选择算子为：

式中，N为种群数目，f

交叉算子为：

式中，f′为调节后的适应度值，f

变异算子为：

式中，f

f

在一些实施例中，所述计算新种群个体的适应度值的具体方法包括：

f′＝af+b式中，f、f′分别对应调节前后的适应度值，a，b为调节系数，E为误差函数，其值出现负值则按如下公式进行调整：

Δ

在一些实施例中，所述停止准则为，误差小于等于0.001或者达到最大学习次数，所述最大学习次数为大于等于500次，可由用户指定；

S72：利用完成配置参数的变分模态分解压制随机噪音，提高地震资料品质；

在一些实施例中，所述利用完成配置参数的变分模态分解压制随机噪音，提高地震资料品质具体方法包括：

(1)将地震信号x(t)分解为K个模态分量d

(2)对模态分量d

(3)将模态分量的频谱调制到以ω

(4)估计模态分量的频带宽度，即

(5)引入惩罚因子C和Lagrange算子λ(t)，将约束变分问题转化为无约束的变分问题；

(6)采用傅里叶变换将所述无约束的变分问题转换到频域，并求取模态分量的频率域结果；

(7)采用傅里叶逆变换将模态分量的频率域结果变换到时域，得到模态分量的时域信号，则噪音压制后的信号

本申请提供的一种随机噪音压制方法，通过GA-VMD压制地震数据中的随机噪音，提升了地震资料的品质。GA-VMD利用GA实现了VMD参数的智能化最优配置，减少了人的工作量，同时避免了人主观因素可能带来的分解误差，从而提升了噪音压制效果，为后续反演、解释创造了良好的数据基础。

实施例八

基于前述的实施例，本申请实施例再提供一种随机噪音压制方法，包括：

S81：利用遗传算法配置变分模态分解的分量个数与惩罚因子参数；

在一些实施例中，所述利用遗传算法配置变分模态分解的分量个数与惩罚因子参数具体方法包括：

(1)应用遗传算法对变分模态分解的参数K、C进行编码；

其中，

K：VMD的分量个数

C：惩罚因子；

(2)对地震数据进行变分模态分解运算；

(3)执行应用选择算子、交叉算子和变异算子，产生下一代种群，即得到新种群；

(4)计算新种群个体的适应度值；

(5)如果满足停止准则，则找到最优编码串，否则返回步骤(2)；

(6)将最优编码串解码为优化的VMD参数；

在一些实施例中，所述选择算子为：

式中，N为种群数目，f

交叉算子为：

式中，f′为调节后的适应度值，f

变异算子为：

式中，f

f

在一些实施例中，所述计算新种群个体的适应度值的具体方法包括：

f′＝af+b式中，f、f′分别对应调节前后的适应度值，a，b为调节系数，E为误差函数，其值出现负值则按如下公式进行调整：/>

Δ

在一些实施例中，所述停止准则为，误差小于等于0.001或者达到最大学习次数，所述最大学习次数为大于等于500次，可由用户指定；

S82：利用完成配置参数的变分模态分解压制随机噪音，提高地震资料品质；

在一些实施例中，所述利用完成配置参数的变分模态分解压制随机噪音，提高地震资料品质具体方法包括：

(1)将地震信号x(t)分解为K个模态分量d

(2)对模态分量d

(3)将模态分量的频谱调制到以ω

(4)估计模态分量的频带宽度，即

(5)引入惩罚因子C和Lagrange算子λ(t)，将约束变分问题转化为无约束的变分问题；

(6)采用傅里叶变换将所述无约束的变分问题转换到频域，并求取模态分量的频率域结果；

(7)采用傅里叶逆变换将模态分量的频率域结果变换到时域，得到模态分量的时域信号，则噪音压制后的信号

在一些实施例中，所述将地震信号x(t)分解为K个模态分量d

k＝1,2,3…,K，A

将约束变分问题转化为无约束的变分问题具体公式为：

δ(t)为脉冲函数。

本申请提供的一种随机噪音压制方法，通过GA-VMD压制地震数据中的随机噪音，提升了地震资料的品质。GA-VMD利用GA实现了VMD参数的智能化最优配置，减少了人的工作量，同时避免了人主观因素可能带来的分解误差，从而提升了噪音压制效果，为后续反演、解释创造了良好的数据基础。

实施例九

基于实施例八方法，如图1和图2所示本申请根据真实数据给出的实施例：

S91：利用遗传算法配置变分模态分解的分量个数与惩罚因子参数；

在一些实施例中，所述利用遗传算法配置变分模态分解的分量个数与惩罚因子参数具体方法包括：

(1)应用遗传算法对变分模态分解的参数K、C进行编码；

其中，

K：VMD的分量个数

C：惩罚因子；

(2)对地震数据进行变分模态分解运算；

(3)执行应用选择算子、交叉算子和变异算子，产生下一代种群，即得到新种群；

(4)计算新种群个体的适应度值；

(5)如果满足停止准则，则找到最优编码串，否则返回步骤(2)；

(6)将最优编码串解码为优化的VMD参数；

在一些实施例中，所述选择算子为：

式中，N为种群数目，f

交叉算子为：

式中，f′为调节后的适应度值，f

变异算子为：

式中，f

f

在一些实施例中，所述计算新种群个体的适应度值的具体方法包括：

f′＝af+b式中，f、f′分别对应调节前后的适应度值，a，b为调节系数，E为误差函数，其值出现负值则按如下公式进行调整：/>

Δ

在一些实施例中，所述停止准则为，误差小于等于0.001或者达到最大学习次数，所述最大学习次数为大于等于500次，可由用户指定；

S92：利用完成配置参数的变分模态分解压制随机噪音，提高地震资料品质；

在一些实施例中，所述利用完成配置参数的变分模态分解压制随机噪音，提高地震资料品质具体方法包括：

(1)将地震信号x(t)分解为K个模态分量d

(2)对模态分量d

(3)将模态分量的频谱调制到以ω

(4)估计模态分量的频带宽度，即

(5)引入惩罚因子C和Lagrange算子λ(t)，将约束变分问题转化为无约束的变分问题；

δ(t)为脉冲函数；

(6)采用傅里叶变换将所述无约束的变分问题转换到频域，并求取模态分量的频率域结果；

求取二次优化问题的频率域更新公式：

τ为噪音容限参数，/>

(7)采用傅里叶逆变换将模态分量IMF的频率域结果变换到时域，得到模态分量IMF的时域信号，则噪音压制后的信号

在一些实施例中，所述将地震信号x(t)分解为K个模态分量d

d

将约束变分问题转化为无约束的变分问题具体公式为：

δ(t)为脉冲函数。

当数据量很大时，建议选取部分数据进行参数测试，再将优选的参数组合应用到整个工区，提高计算效率。

图3(a)为含有4个地震事件的模拟数据，共501道，501个采样点，时间采样间隔为1毫秒，图3(b)为加入高斯白噪的数据，信噪比SNR＝2。图4(a)-(c)为抽取的图3的第10道数据，以及加入的高斯白噪。

图5(a)-(c)为第10道地震数据随机噪音压制的效果图，可以看出CEEMD恢复了原始信号的基本形态，但仍然存在少量噪音，且原始有效信号存在部分丢失，GA-VMD能够有效还原原始信号，且几乎没有有效信号的损失。

图6(a)为采用CEEMD方法噪音压制后的地震剖面，图6(b)为其噪音剖面，尽管能够去除大部分的随机噪音，但噪音剖面上仍然残留部分有效信号。图7(a)为采用GA-VMD方法噪音压制后的地震剖面，图7(b)为其噪音剖面，噪音剖面没有出现有效信号，有效的压制了随机噪音，较CEEMD表现出更好的噪音压制效果，且智能化程度高。

将GA-VMD应用于实际地震资料的随机噪音压制中。图8(a)为原始单炮记录，图8(b)为噪音压制后的单炮记录，图9(a)为原始叠加剖面，图9(b)为噪音压制后的叠加剖面，单炮记录与叠加剖面上存在的严重随机噪音，破坏了同相轴的连续性，采用GA-VMD进行随机噪音压制后，单炮记录上有效信号更加连续，叠加剖面上同相轴更加清晰。

实施例十

基于前述的实施例，本申请实施例提供一种随机噪音压制装置，包括：

配置变分模态分解的参数模块和变分模态分解压制随机噪音模块；

所述配置变分模态分解的参数模块：利用遗传算法配置变分模态分解的分量个数与惩罚因子参数；

所述变分模态分解压制随机噪音模块：利用完成配置参数的变分模态分解压制随机噪音，提高地震资料品质。

需要说明的是，本申请实施例中，如果以软件功能模块的形式实现上述的随机噪音压制方法，并作为独立的产品销售或使用时，也可以存储在一个计算机可读取存储介质中。基于这样的理解，本申请实施例的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机、服务器、或者网络设备等)执行本申请各个实施例所述方法的全部或部分。而前述的存储介质包括：U盘、移动硬盘、只读存储器(ROM，Read Only Memory)、磁碟或者光盘等各种可以存储程序代码的介质。这样，本申请实施例不限制于任何特定的硬件和软件结合。

相应地，本申请实施例提供一种存储介质，其上存储有计算机程序，其特征在于，该计算机程序被处理器执行时实现上述实施例中提供的随机噪音压制方法中的步骤。

实施例十一

本申请实施例提供一种随机噪音压制设备包括存储器和处理器，所述存储器上存储有计算机程序，该计算机程序被所述处理器执行时，所述处理器配置为执行存储器中存储的随机噪音压制方法的程序，以实现以上述实施例提供的随机噪音压制方法中的步骤。

以上显示设备和存储介质实施例的描述，与上述方法实施例的描述是类似的，具有同方法实施例相似的有益效果。对于本申请计算机设备和存储介质实施例中未披露的技术细节，请参照本申请方法实施例的描述而理解。

这里需要指出的是：以上存储介质和设备实施例的描述，与上述方法实施例的描述是类似的，具有同方法实施例相似的有益效果。对于本申请存储介质和设备实施例中未披露的技术细节，请参照本申请方法实施例的描述而理解。

应理解，说明书通篇中提到的“一个实施例”或“一实施例”意味着与实施例有关的特定特征、结构或特性包括在本申请的至少一个实施例中。因此，在整个说明书各处出现的“在一个实施例中”或“在一实施例中”未必一定指相同的实施例。此外，这些特定的特征、结构或特性可以任意适合的方式结合在一个或多个实施例中。应理解，在本申请的各种实施例中，上述各过程的序号的大小并不意味着执行顺序的先后，各过程的执行顺序应以其功能和内在逻辑确定，而不应对本申请实施例的实施过程构成任何限定。上述本申请实施例序号仅仅为了描述，不代表实施例的优劣。

需要说明的是，在本文中，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者装置不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者装置所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括该要素的过程、方法、物品或者装置中还存在另外的相同要素。

在本申请所提供的几个实施例中，应该理解到，所揭露的设备和方法，可以通过其它的方式实现。以上所描述的设备实施例仅仅是示意性的，例如，所述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，如：多个单元或组件可以结合，或可以集成到另一个系统，或一些特征可以忽略，或不执行。另外，所显示或讨论的各组成部分相互之间的耦合、或直接耦合、或通信连接可以是通过一些接口，设备或单元的间接耦合或通信连接，可以是电性的、机械的或其它形式的。

上述作为分离部件说明的单元可以是、或也可以不是物理上分开的，作为单元显示的部件可以是、或也可以不是物理单元；既可以位于一个地方，也可以分布到多个网络单元上；可以根据实际的需要选择其中的部分或全部单元来实现本实施例方案的目的。

另外，在本申请各实施例中的各功能单元可以全部集成在一个处理单元中，也可以是各单元分别单独作为一个单元，也可以两个或两个以上单元集成在一个单元中；上述集成的单元既可以采用硬件的形式实现，也可以采用硬件加软件功能单元的形式实现。

本领域普通技术人员可以理解：实现上述方法实施例的全部或部分步骤可以通过程序指令相关的硬件来完成，前述的程序可以存储于计算机可读取存储介质中，该程序在执行时，执行包括上述方法实施例的步骤；而前述的存储介质包括：移动存储设备、只读存储器(ROM，Read Only Memory)、磁碟或者光盘等各种可以存储程序代码的介质。

或者，本申请上述集成的单元如果以软件功能模块的形式实现并作为独立的产品销售或使用时，也可以存储在一个计算机可读取存储介质中。基于这样的理解，本申请实施例的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台控制器执行本申请各个实施例所述方法的全部或部分。而前述的存储介质包括：移动存储设备、ROM、磁碟或者光盘等各种可以存储程序代码的介质。

以上所述，仅为本申请的实施方式，但本申请的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本申请揭露的技术范围内，可轻易想到变化或替换，都应涵盖在本申请的保护范围之内。因此，本申请的保护范围应以所述权利要求的保护范围为准。