共查询到16条相似文献，搜索用时 328 毫秒
1.
电磁脉冲干扰是大地电磁测深系统(MT)信号的主要噪声之一,严重影响后续视电阻率和阻抗的计算及目标信息的提取。针对脉冲类噪声在时间域中的变化特征,利用经验模态分解（EMD）对脉冲类电磁噪声进行压制处理。首先,对大地电磁信号经EMD分解后得到N个本征模态函数（IMF）;然后,对每一阶的IMF选择一个合适的阀值,对于该IMF中超出该阀值的部分进行截断;最后,进行EMD重构。实测数据测试表明:改正后信号能量损失小, 与改正前信号相关性高, 可有效地抑制脉冲类噪声干扰。 相似文献
2.
周子勇 《物探化探计算技术》2013,35(5)
通过经验模态分解(EMD)方法,可以把高光谱曲线分解成一系列由高频到低频的本征模态函数(IMF),从而可以从不同层次分析高光谱数据特征,并进行特征提取.把EMD方法用于Hyperion高光谱数据处理,通过对每一个像元的高光谱曲线进行经验模态分解,构成IMF系列影像.通过分析IMF影像表明:对于不同的地物,其IMF也不同;不同波段,不但其噪声水平不同,而且噪声性质也不一样;原始影像的Smile效应在IMF中可以明显表现出来.由于IMF影像与原始影像的波段有一一对应的关系,因此与其它信号分析方法(如小波分析及FFT方法)相比,EMD方法得到的结果更直观,更易于数据分析.但是EMD结果受极值、插值方法、IMF判别准则以及端点效应的影响较大. 相似文献
3.
4.
在分析地震资料时,因吸收和衰减等原因,地震信号往往呈现出非稳态性。时频分解方法能将地震信号分解成多个稳态的子成分,从而为描述和分析地震信号的属性提供了便利,如短时傅里叶变换、小波分析、经验模式分解(EMD)等方法。本文引入了一种新的时频分析方法——局部均值分解(LMD)。该方法将地震信号按其时频属性分解成多个乘积分量信号(PFs),较EMD分解所得的固有模态函数(IMFs)保留了更多的局部信息,同时模态混叠效应更少。对模型数据和实际数据的处理结果验证了LMD方法能够合理地分解地震信号,更准确地描述地震资料中不同时间尺度的构造信息,为进一步的地震数据处理和解释提供参考。 相似文献
5.
6.
探地雷达(GPR)噪声信号通常具有非稳态、非线性特征,为去除这些噪声提高GPR图像解译的准确性,对利用HHT方法去噪进行了研究。首先阐述HHT的基本理论,然后通过对探地雷达数值模拟信号中噪声的去除验证基于HHT方法的可行性,最后将该方法用于探地雷达隧道地质超前预报的数据处理中。通过研究表明:该方法可以用于探地雷达信号的去噪,通过Hilbert变换得到三特征参数图像与EMD分解后合成图像进行对比验证,从而达到提高GPR信号解译精度的目的。 相似文献
7.
基于经验模态分解(EMD)的小波熵阈值地震信号去噪 总被引：1，自引：0，他引：1
针对EMD阈值去噪算法中阈值由经验选取以及无法有效区分各固有模态函数上有用信息的不足,本文对各固有模态函数进行小波变换,对各层小波系数进行相关处理,以突出有效信息,抑制噪声;将细节系数的有效信号和突变点置零并等分为若干区间,选取小波熵最大子区间的高频小波系数平均值作为噪声方差计算得到阈值。该阈值选取方法依据小波熵的特点,自适应地根据对应尺度上信号自身的能量特征确定该尺度阈值。将该算法应用于仿真信号和实际地震信号去噪,结果表明该方法优于基于EMD的小波阈值去噪,在提高去噪效果的同时,也更好地保护有效信号。 相似文献
8.
地震信号属于典型的非线性、非平稳信号,其中通常夹杂一定的噪声,噪声会对后续的数据处理和解释产生一定的影响.经验模式分解(Empirical Mode Decomposition,EMD)是一种有效且自适应的非线性、非平稳信号分解方法.当原始地震记录转换到F-X域进行EMD时,可以将噪声分频分波数析出,首先通过Fourier变换将原始含噪的地震信号变换到频率域中,对实部和虚部分别进行EMD;然后剔除第一固有模式函数,将其余固有模式函数叠加,将叠加后的实部和虚部分量组合成新的复数序列;最后通过反Fourier变换将此序列转换至时间域,达到F-X域EMD压制地震信号噪声的目的.应用该方法对合成的单炮记录剖面和实测地震记录进行实验,结果表明,F-X域EMD法能有效且自适应地压制地震信号中的噪声. 相似文献
9.
格陵兰冰芯氧同位素显示近千年气候变化的多尺度分析 总被引：4，自引：0，他引：4
用经验模态分解(EMD)方法对格陵兰冰盖GISP2冰芯古气候代用指标δ~ (18) O 序列进行分解, 结果表明: 格陵兰近10 ka来气候变化总趋势出现历时约490 a的中世纪暖期和历时约570 a的小冰期, 其间还存在次级的冷暖期变化;气候波动具有3 a、 6.5 a、 12 a、 24 a、 49 a、 96 a、 213 a、 468 a准周期, 既有NESO的因素, 也受制于太阳活动周期的影响. 第7, 第8内在模函数(IMF7, IMF8)波动振幅以及总体趋势分量res在1350A.D.出现明显的转型, 表明1350A.D.为中世纪暖期和小冰期的分界. 相似文献
10.
针对曲波阈值去噪方法阈值选取单一造成的有效信号损失或随机噪声压制不完全的问题,笔者提出了一种基于经验模态分解的曲波阈值去噪方法。该方法首先对带噪信号进行经验模态分解得到一系列固有模态函数,根据每个固有模态函数所含噪声强弱的不同,选取不同的阈值分别对分解得到的含噪固有模态函数进行曲波阈值降噪处理;最后将去噪后的固有模态函数与不含噪声的固有模态函数进行信号重构得到最终压噪的结果。由于引入经验模态分解,对分解得到的不同含噪程度的固有模态函数,选取不同的阈值进行处理,这样能够有效减小直接曲波阈值方法阈值选取单一产生的问题。模型和实际数据试算表明,该方法在提高数据信噪比的同时,能够有效地保留有效信号,是一种相对保幅的去噪方法。 相似文献
11.
12.
13.
14.
为了消除大地电磁测深数据中的工频干扰,提出基于DWT-EEMD的盲源算法,利用DWT、EEMD和盲源分离的优良特性,在进行DWT和EEMD处理之后再进行盲源分离以消除噪声。该方法主要优势在于DWT-EEMD模型的采用和自适应权重因子的引入,在降低独立分量分析算法对恢复信号的幅值的不确定性的同时,使得在工频干扰噪声的幅值高于原始信号很多的情况下依然能较好地分离出原始信号。通过对实测大地电磁信号进行处理后发现,该方法使视电阻率曲线和相位曲线均变得平滑而稳定,较好地消除了大地电磁信号中的工频干扰噪声。 相似文献
15.
Natural Hazards - This study proposes a novel ensemble empirical mode decomposition (EEMD) time-dependent intrinsic cross-correlation (TDICC)-coupled framework to investigate the correlation... 相似文献
16.
Displacement prediction model of landslide based on a modified ensemble empirical mode decomposition and extreme learning machine 总被引：5，自引：1，他引：4
In this paper, an M–EEMD–ELM model (modified ensemble empirical mode decomposition (EEMD)-based extreme learning machine (ELM) ensemble learning paradigm) is proposed for landslide displacement prediction. The nonlinear original surface displacement deformation monitoring time series of landslide is first decomposed into a limited number of intrinsic mode functions (IMFs) and one residual series using EEMD technique for a deep insight into the data structure. Then, these sub-series except the high frequency are forecasted, respectively, by establishing appropriate ELM models. At last, the prediction results of the modeled IMFs and residual series are summed to formulate an ensemble forecast for the original landslide displacement series. A case study of Baishuihe landslide in the Three Gorges reservoir area of China is presented to illustrate the capability and merit of our model. Empirical results reveal that the prediction using M–EEMD–ELM model is consistently better than basic artificial neural networks (ANNs) and unmodified EEMD–ELM in terms of the same measurements. 相似文献