.png){kind=icon}
返回
Microseismic Data Denoising Using Reservoir Computing Model
.png){kind=icon}
PRE
AI
DOI：10.1109/LGRS.2026.3672348.png)
.png){kind=icon}
.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
微地震数据通常具有低能量、弱信号强度和对噪声高敏感性的特点，这些特点共同构成了有效利用信号的显著挑战，并使去噪成为关键的预处理步骤。传统方法通常依赖手动参数调整，而现有的深度学习方法则面临计算成本高、模型复杂性和可解释性有限等挑战。为解决这些局限性，本研究提出了一种基于储层计算（RC）的新型去噪方法。所提出的RC模型利用储层系统的固有动态特性和短期记忆能力，有效捕捉微地震信号中的时间依赖性。此外，其训练过程仅需优化线性输出层，从而实现高计算效率和改进的理论可解释性。该方法使用基于真实地质背景构建的数据集，并结合四川自贡和内江地区的噪声样本进行验证。结果表明，与传统的滤波方法相比，基于RC的方法在实现更优噪声抑制的同时，能更好地保留有用信号的波形细节和频谱特征。此外，它显著降低了计算成本，成为高保真微地震数据去噪的实用高效解决方案。
Keyword:
Noise
Noise reduction
Reservoir computing
Computational modeling
Vectors
Training
Synthetic data
Deep learning
Data models
Computational efficiency
Denoising
microseismic data
reservoir computing (RC)
signal processing
time-series analysis
期刊
I
IF:
4.4
论文数:
817
被引数:
2
机构
引用论文
分享收藏Learning noise-induced transitions by multi-scaling reservoir computing通过多尺度储层计算学习噪声诱导的过渡.png)
NATURE COMMUNICATIONS
OAAI
NATURE COMMUNICATIONSIF15.7
OAAI分享收藏Multichannel Statistical Broadband Wavelet Deconvolution for Improving Resolution of Seismic Signals提高地震信号分辨率的多通道统计宽带小波反卷积
PREAI
分享收藏Harnessing Nonlinearity: Predicting Chaotic Systems and Saving Energy in Wireless CommunicationScience
ScienceIF45.8
PREAI
分享收藏Spatial–Temporal Distribution and Focal Mechanisms for the Shallow Earthquakes in the Rongchang-Luxian Region in Southern Sichuan Basin, China中国四川盆地南部荣昌-泸县地区浅源地震的空间-时间分布与震源机制
PREAI
分享收藏
查看更多内容