Oleh :

Titis Lestyowati 22314016

Anjar Evita 22314023

TEKNIK GEOFISIKA
FAKULTAS PERTAMBANGAN DAN PERMINYAKAN
INSTITUT TEKNOLOGI BANDUNG
2014

1. Introduction

2. Fundamentals of fractional Fourier

Transformation
3. The Proposed Noise Mitigation
Based on the FrFT Transform
4. The Application of The FrFT to
Seismic Signal Filtering
5. Conclusion

1.

2.

3.

4.

5.

Permasalahan dalam pengolahan sinyal adalah banyaknya

random noise yang terkandung dalam sinyal sehingga
menyulitkan proses pengolahan sinyal.
Teknik mitigasi noise diperlukan untuk supresi noise
inkoheren.
Mengubah nilai koefisien curvelet akan berdampak merusak
sinyal.
FrFT menawarkan solusi alternatif yang menjanjikan untuk
menghilangkan noise (denoising) data seismik dalam
domain time-frequency.
Prinsip FrFT adalah menguraikan sinyal dalam kombinasi
linear dari komponen sinyal dalam domain kerja FrFT
tersebut.

1.

Dasar FrFT adalah literatur matematika dari

transformasi Fourier. Persamaan FrFT dapat
didefinisikan sebagai:

(1)
Dengan Kernel
berikut (
)

didefinisikan sebagai

(2)

Perhatikan bahwa untuk , yang FrFT adalah

dengan beberapa sifat khusus yang kita dapat
menggunakan . Sebagai contoh, jika = 4k , k ,
yang FrFT menjadi identitas f4k ( , x ) = f ( ) ,
maka kernel dalam kasus tersebut:
(3)

dan untuk 2 + 4 , ini adalah f2 Operator paritas

+ 4k ( , x ) = f ( - ) , sesuai dengan f2 kernel +
4k ( , x ) = ( + x ) .
Selain itu, sifat berikut ini juga sangat penting
dalam sinyal pemisahan . Untuk 1 + 4 , F a =
F1 = F hanya operator Fourier F , dan untuk 3 +
4 , Fa = F3 = F2 F di otherwords, jika f1 ( ) = F [
f ( x ) ] adalah Fourier transform, kemudian f3 ( )
= f1 ( - ) . Ini harus membuat jelas bahwa F dapat
diartikan sebagai kekuatan ath dari Fourier
transform yang dapat ditafsirkan modulo 4. Jadi,
kita memiliki misalnya sifat terkenal FaFb = Fa + b
, dan FAF - a = I adalah identitas

Seperti untuk Transformasi Fourier, terdapat versi

diskrit dari Transformasi Fourier pecahan. Hal ini
didasarkan pada dekomposisi eigenvalue dari
transformasi Fourier diskrit matriks . Urutan sinyal
dapat ditulis sebagai
(4)
Transformasi Fourier diskrit vektor ini didefinisikan
sebagai vektor
,

selanjutnya dapat dinyatakan sebagai:

(5)
dimana N N DFTmatrix F memiliki entri yang
akar Nth persatuan
Sehingga
(6)

Jika diskrit Fourier transformmatrix F = EE - 1

adalah dekomposisi yang telah disebutkan
sebelumnya , maka F = EaE - 1 adalah diskrit
yang sesuai Transformasi Fourier pecahan . Perlu
dicatat bahwa DFT matriks F memenuhi F4 = I
dengan I matriks identitas . Ini memiliki nilai eigen
[ 1 , - i, - 1 , i] = [ eik / 2 , k = 0 , 1 , ... , N - 1 ]
. Hal ini juga N vektor eigen ortonormal
independen yang dapat diatur sebagai kolom dari
matriks E , sehingga dekomposisi eigenvalue nya
adalah F = EET . Definisi Fourier pecahan diskrit
transformasi kemudian mudah diberikan sebagai
perkalian dengan ( pecahan ) kekuatan matriks
Fourier.

3.1. Fundamentals of signal separation based on the

FrFT
1.

FrFT dapat menguraikan sinyal dalam satu

dimensi ( t domain dalam kasus kami ) menjadi
dua dimensi ( [a , ] domain ) . Pertama dimensi ,
yang disebut urutan pecahan , adalah domain
pecahan, sedangkan dimensi kedua dapat
diartikan sebagai makna yang berbeda sesuai
dengan properti sinyal dan nilai pertama domain
a.

Salah satu aplikasi dari FrFT adalah memisahkan

sinyal dari noise / gangguan dalam domain FrFT di
mana Transformasi Fourier konvensional mungkin
gagal . Ada potensi untuk memisahkan sinyal dari
noise / interferensi di beberapa domain FrFT .
Seperti misalnya numerik , contohnya adalah sinyal
dicampur dalam domain waktu :

di mana dua sinyal adalah dengan amplitudo A0

yang sama . Sinyal kicauan pertama adalah dengan
fungsi frekuensi linier dengan waktu f1t + a1,
sedangkan yang kedua dengan frekuensi linier
dengan waktu sebagai f2t + a2 .
dua sinyal tumpang tindih dalam domain waktu ,
dalam domain frekuensi , dan dalam domain
waktu-frekuensi . Tidak ada kemungkinan untuk
memisahkan mereka dalam domain ini

3.2. The proposed signal filtering scheme

Skema ini terdiri dari dua langkah . Langkah pertama adalah
penyaringan sinyal biasa dalam domain frekuensi, sedangkan
seismik disaring sinyal diproses lebih lanjut oleh pemisahan
sinyal FrFT di kedua Langkah .
1. Random noise dimodelkan sebagai white Gaussian noise,
yang power density-nya menempati seluruh frekuensi band
penerima . Oleh karena itu , ada residual dari Gaussian
kebisingan di sinyal seismik yang dapat difilter ketika
pelaksanaan penyaringan di langkah pertama . Tidak ada
kemungkinan untuk mengurangi residu tersebut hanya di
domain frekuensi .

2. Sinyal seismik yang difilter didekomposisikan dalam

bentuk representasi FrFT . Sinyal seismik dan residual dari

Gauss noise dapat dipisahkan lebih mudah . Alasan yang
mendasari adalah bahwa sinyal seismik sebenarnya sinyal
array dan sumber gelombang seismik yang di bawah
permukaan . Sinyal Array tersebut memiliki modulasi
frekuensi tertentu. Namun, untuk Gaussian noise, sumber
kebisingan tidak di bawah array penerima sehingga
frekuensinya berbeda. Oleh karena itu, antara sinyal dan
noise dapat dipisahkan.

4. Apllication of the FrFT to Seismic Sinyal Filtering

4.1 The Ricker Wavelet
Illustration of the Ricker Wavelets FrFt with the order 0,9

The Simulated Ricker Wavelets and The Filtering Errors by The Time Filter and
FrFT Filter

The Filtered Ricker Wavelets by Ordinary Filter and FrFT Filter

The Filtering Errors Compared Between The Proposed and

Wavelet-Based Methods

4.2The Convolution Model

Simulated Seismic Signal with Convolution Model and Results of the
Butterworth Filtering in the Domain of Time

The Time-Frequency Property of The Residual Time Filtering Method

The FrFT Decomposition of The Seismic Signal

The Filtered Signal Seismic and Errors with The FrFT Filtering

The Filtering Errors Compared Between The Proposed and Wavelet

Based Methods

4.3 Measurements
Data berasal dari Institute of Geology and Geophysics, China Academy
of Sciences :

Metode FrFT Filtering yang diusulkan dalam paper

ini, memiliki beberapa kelebihan, diantaranya :
1. Memiliki Performance yang lebih bagus
2. Recontruksi sinyalnya lebih bagus
3. Mean Errornya lebih kecil
4. Relative errornya lebih kecil

Beckouche, Simon,Ma, Jianwei, 2014.

Simultaneous
dictionary
learning
and
denoising for seismic data. Geophysics 79
(3), A27A31.
Bonar, D., Sacchi, M., 2012. Denoising seismic data using the nonlocal means algorithm.
Geophysics 77, A5A8.
Chen, Yangkang,Ma, Jitao, 2014. Random noise attenuation by fx empirical-mode
decomposition predictive filtering. Geophysics 79 (3), V81V91.
Forghani, F., Willis, M., Haines, S., Batzle, M., Behura, J., Davidson, M., 2012. Noisesuppression
in surface microseismic data. Lead. Edge 31, 14961501.

Hennenfent, G., Herrmann, F., 2006. Seismic denoising with nonuniformly sampled
curvelets. Comput. Sci. Eng. 8, 1625.
Hennenfent, Gilles, Fenelon, Lloyd,Herrmann, Felix J., 2010. Nonequispaced curvelet
transform for seismic data reconstruction: a sparsity-promoting approach. Geophysics
75 (6), WB203WB210.
Oropeza, Vicente,Sacchi,Mauricio, 2011. Simultaneous seismic data denoising and reconstruction
via multichannel singular spectrum analysis. Geophysics 76 (3), V25V32.
Ibrahim, Amr, Sacchi, Mauricio D., 2014. Simultaneous source separation using a robust
Radon transform. Geophysics 79 (1), V1V11.
Hui-Qun, X.U., Zhi-Xian, G.U.I., 2014. Signal-to-noise ratio application to seismic marker
analysis and fracture detection. Appl. Geophys. 11 (1), 7379.
Kustowski, Bogdan, Cole, Jeffrey,Martin, Harry,Hennenfent, Gilles, 2013. Curvelet noise
attenuation with adaptive adjustment for spatio-temporally varying noise. SEG Annual
Meeting, pp. 42994303.

Liang, Jingwei,Ma, Jianwei,Zhang, Xiaoqun, 2014. Seismic data restoration via data-driven tight
frame. Geophysics 79 (3), V65V74.
Liu, Yike, 2013. Noise reduction by vector median filtering. Geophysics 78 (3), V79V86.
Ma, J.,Plonka, G., 2010. The curvelet transform. IEEE Signal Process. Mag. 27 (2), 118133.
Neelamani, R.,Baumstein, A.,Gillard, D.,Hadidi,M.,Soroka,W., 2008. Coherent and random noise
attenuation using the curvelet transform. Lead. Edge 27, 240248.
Chen, Ying-Pin, Peng, Zhen-Ming, He, Zhen-Hua, Tian, Lin, Zhang, Dong-Jun, 2013. The optimal
fractional Gabor transform based on the adaptive window function and its application.
Appl. Geophys. 10 (3), 305313.
Zhang, X.,Burger, M.,Bresson, X.,Osher, S., 2010. Bregmanized nonlocal regularization for
deconvolution and sparse reconstruction. SIAM J. Imaging Sci. 3, 253276.
Zhi-Na, L.I.,Zhen-Chun, L.I.,Peng, W.A.N.G.,Qiang, X.U., 2013. Multiple attenuation using domain
high-resolution radon transform. Appl. Geophys. 10 (4), 433441.
Mcbride, A.C.,Kerr, F.H., 1987. On namias. Fractional fourier transforms. IMA J. Appl.Math. 39,
159175.
Namias, V., 1980. The fractional order fourier transform and its application to quantum
mechanics. J. Inst. Math. Appl. 25, 241265.
Zhang, Rongfeng,Ulrych, Tadeusz J., 2003. Physical wavelet frame denoising. Geophysics 68 (1),
225231.