3为本发明步骤S3的分步骤流程图。
[0056] 图4为相似度与移动量关系图。
[0057] 图5为本发明步骤S35的分步骤流程图。
[0058] 图6为未拉平的道集剖面图。
[0059] 图7为未进行种子点移动量优化的拉平的道集剖面图。
[0060] 图8为对种子点移动量进行全局优化后的道集拉平剖面图。
【具体实施方式】
[0061] 下面结合附图对本发明的实施例作进一步的说明。
[0062] 本发明提供了一种基于全局优化的叠前地震信号同相轴拉平方法，如图1所示， 包括W下步骤：
[0063]S1、初始化道集拉平参数。
[0064] 道集拉平参数包括叠前道集时窗大小N"、窗口移动量心捜索半径（小于窗口移动 量）Nf和相似度矩阵分位数阔值Toi。
[0065] 通常叠前道集在时间方向上的数据样点数为几千个样点，在时间方向上取时窗， 窗口可W上下移动，时窗内包含的数据点数记为时窗大小N。。的大小取道集波形的两个 周期，可W任意抽取道集的一道做傅里叶变换，估算主频确定一个周期内数据点数。
[0066] 窗口上下移动的范围不超过窗口移动量化。窗口移动量成通常取一个周期数据 量大小。
[0067] 捜索半径（小于窗口移动量）是指时窗上下滑动时的最大移动量。
[0068] 相似度矩阵分位数阔值Toi，在介绍如何设置该参数前先简单介绍下分位数，分位 数来自数据集合中每隔相等间隔的点，在求分位数之前都需要将数据集合中的数进行由大 到小的排序。如2-分位数，就是将数据分成两部分，小于和大于2-分位数对应的数据点的 数据量各占整个数据集合的一半，同理可知，4-分位数对应3个数据点，运3个数据点将数 据集合分成相等的四个部分，使得每部分数据表示整个数据分布的四分之一。相似度矩阵 分位数阔值Toi通常取相似度矩阵的第=个4-分位数值，即取值0. 75,对于道集质量较差 的叠前道集，Toi可W取到0. 8-0. 9之间。
[0069]S2、选取基准道。
[0070] 在进行道集拉平前，首先需要确定参考的道集，在叠前道集中剖面中，一个剖面通 常有几十道，需要从运几十道中选择一道作为基准道。
[0071] 基准道选取依靠道集与道集之间相似性的计算，采用近邻相似传播迭代求取基准 道，如图2所示，包括W下步骤：
[0072]S21、对叠前道集剖面的每一道从时间0ms起，W时窗大小N".为长度截取大小，根 据公式（8)计算任意两个道集之间的相似度：
[0073]
(8)
[0074] 其中ji和j2代表不同道的标号，取值范围为1-N，N是道集的道数。计算得到的 矩阵C就是相似度矩阵。
[00巧]S22、W相似度矩阵C作为基础，定义吸引度矩阵R(i，k)和归属度矩阵A(i，k)表 示道集之间的两类信息，其中R(i，k)是从道集i指向候选基准道k，它反映了道集k适合 作为道集i的基准道集的合适程度；A(i，k)是从候选基准道k指向道集i，它反映了道集i 选择k作为其基准道的合适程度。
[0076] 为了便于计算将矩阵C中的每个元素取负号，定义吸引度矩阵R(i，k)和归属度矩 阵A(i，k)两个目标函数，迭代求解R(i，k)和A(i，k)。吸引度和归属度矩阵的大小和相似 度矩阵C大小一致，都是NXN，将运两个矩阵初始化为0矩阵，定义吸引度目标函数和归属 度目标函数进行迭代更新，定义函数由公式巧）、（10)、（11)、（12)表示：
[00引]其中，P似取矩阵C的均值。
[0082] S23、通过公式（13)迭代更新吸引度矩阵与归属度矩阵：
[0083]
(13)
[0084] 式中，A(〇<A< 1)是收敛系数（阻尼系数），主要用于调节算法的收敛速度与 迭代过程的稳定性，A越大振荡现象变得越不明显，运意味着效果越好，但缺点是收敛速度 将会变慢，反之，A减小的话，虽然收敛速度很快但是震荡现象很明显。下标old和new分 别代表上一次和本次更新消息的最终结果。迭代终止条件为迭代次数大于预先设定次数或 者迭代数次之后R(i，k)与A(i，k)保持不变。
[0085] S24、通过公式（14)计算使吸引度矩阵与归属度矩阵之和最大的道集k:
(14)
[0086]
[0087] 式中若i=k，则道集i是该叠前道集剖面的基准道集；若i声k，则道集k是道集 i的基准道集。
[0088] S25、判断迭代次数是否达到指定次数，若是则进入步骤S3,否则进入步骤S26。
[0089] S26、判断道集k是否与上次迭代时结果一致，若是则进入步骤S3,否则返回步骤 S23。
[0090] 为了使吸引度矩阵和归属度矩阵能够快速收敛，引入收缩因子P，P的定义如公 式（15)所示：
[0091]
115)
[0092] 其中，巧为构造函数变量。对R(i，k)与A(i，k)两个矩阵进行更新得到：
[0095] 本发明实施例中，梦取值为4. 1，因此可W计算得到P的值为0. 729。
[0096]S3、计算种子点移动量。
[0097] 在选出基准地震道后，在叠前道集剖面中选择某些数据点作为种子点并计算种子 点的移动量。W时窗大小为长度，在时间方向上开时窗，W时窗移动量Ng为大小滑动时 窗直到时窗覆盖时间上所有的样点，将每个时窗中屯、点作为种子点。
[0098] 如图3所示，计算种子点移动量主要包括W下几个步骤：
[0099]S31、记录道集间相似度最大时的移动量，定义最优移动量矩阵S，S的计算如公式 (18)所示：
[0100]
、IS
[OW] 设is=化-l)Nm，定义集合i= 六^,-1，武。，公式中邑1为定 义长度为成+1的向量，gi的第i个元素g1似=D(L+l+i-l，J'2)，D是输入的叠前地震道集 数据。
[0102] 固定道集ji的时窗，上下移动道集J'2的时窗，每次的移动间隔为一个数据点，移动 的边界不超过捜索半径Nf。在捜索过程中记录下相似度最高时时窗的移动量，相似度计算 按照公式（8)进行，求得记录最大相似度的矩阵Cm。、。
[010引Sa,J'2)是一个非对称矩阵，比女日：S(2, 1)与8(1，2)，8(2, 1)表示固定道集2移 动道集1得到的1道集的最优移动量，而S(1，2)表示固定1道集移动道集2得到的最优移 动量。对角线元素都为0,因为对角线上的元素代表，道集自身的自相关，显然，时窗不进行 任何移动时相似度最大。为了更形象的说明，图4展示了相似度与移动量之间的关系，其 中横坐标表示移动量，向左移动移动量为负数，向右移动移动量为正数，纵坐标是相似度系 数。从图中可W看出，道集2向上移动3个采样间隔时相关系数达到最大，记录下该移动量 即就是该种子点的移动量。
[0104]S32、计算矩阵Cm。、对应分位数阔值处的值Cm，例如，假设有6道叠前道集求出Cm。、 矩阵下表所示，对于该矩阵求出的Cm= 0. 85。
[0105]
[0106]
[0107] 统计大于Cm值的道集个数，选择个数最多的行，运就意味着运一组道集相似度最 强，道集之间很相似，可W通过移动时增强道集间的相似性。对于个数最多行不唯一的情况 可W从最多的行中选择一行，根据上表中可W选择第一行，将最优移动量矩阵的第一行中 S(1，1)，S(1，2)，S(1，5)，S(1，6)保留，其他舍弃。该行相似度所对应的移动量作为当前时窗 种子点的移动量，因此上表中1、2、5、6道种子点移动量已经确定。
[010引 S34、对于没有确定移动量的种子点根据公式（19)插值得到：
[0109]
[0110] 其中，jb代表被选中的道集的脚标，jmi。与jm。、分别表示的是移动