共查询到20条相似文献，搜索用时 31 毫秒
1.
采用小波阈值滤波、经验模态分解滤波和基于经验模态分解的小波阈值滤波3种方法,对磁通门磁力仪观测数据进行去噪,有效去除或抑制郫县地震台地磁数据的地电干扰. 相似文献
2.
在地震观测中,地震数据中普遍包含有噪声信号。由于噪声信号的干扰,地震分析的效率会受到不同程度的影响。传统的去噪方法通常需要噪声的先验知识,并且滤波时会造成部分有效信号丢失。针对这一问题,本文提出一种将自适应噪声完全集合经验模态分解（CEEMDAN）算法与Hurst指数相结合的地震数据去噪方法。首先通过CEEMDAN方法将信号分解为一系列本征模函数（IMF）,然后利用Hurst指数对滤波后的IMF分量进行识别,最后对地震数据IMF分量进行重构,从而实现数据去噪。与传统方法的去噪效果对比表明,本文方法可将低信噪比波形的去噪效果提高32%,将高信噪比波形的去噪效果提高6倍。同时对地磁数据的去噪结果表明,本文方法能够较完整地将地铁噪声从地磁信号波形中滤除。 相似文献
3.
4.
为了重构或恢复存在严重干扰或数据缺失的台站观测数据,本文基于周边已有台站的高质量观测数据采用XGBoost机器学习方法重构地磁日变数据。仿真试验结果显示,无论是磁静日还是磁扰日,地磁场分量的绝对残差均值均低于0.1 nT。试验统计数据及重构结果残差曲线的对比分析表明,地磁日变重构精度与地磁活动性和待重构信号的时变剧烈程度有关;相较于反向传播神经网络,XGBoost方法对地磁场日变数据的重构精度更高。本文研究表明,基于XGBoost机器学习的重构方法在处理非线性复杂问题方面具有优势,能够用于高精度重构存在严重干扰或数据缺失的地磁台站观测数据的重构。 相似文献
5.
《应用地球物理》2016,(1)
传统的f-x域经验模态分解法(Empirical mode decomposition,EMD)能够有效地对主要由水平同相轴构成的地震记录进行随机噪声衰减。然而,当同相轴倾斜时,f-x域经验模态分解法在衰减随机噪声的同时去除大部分有效信号。本文提出了一种基于f-x域经验模态分解法的改进算法。我们通过局部相似度对所去除的噪声信号中的有效信号进行提取。局部相似度可以用来检测噪声信号中的有效信号点并用来构造一权重算子进行信号提取。新方法与f-x域经验模态分解法、f-x域预测滤波法以及f-x域经验模态分解预测滤波法相比能够在衰减随机噪声的同时保留更多的有用信号。数值模拟实验以及实际地震资料处理结果均表明该方法能更为有效地去噪。 相似文献
6.
随着越来越多高压直流输电线路的投入运行,地磁观测数据质量受到了严重影响.现有以人工或半人工方法识别高压直流输电干扰事件的工作量也随着受干扰范围的不断扩大和地磁观测仪器的增多而成倍增加.为了高效、准确地识别地磁观测数据中的高压直流干扰事件,本文基于卷积神经网络和长短期记忆神经网络,提出了一种高压直流输电干扰事件自动识别深度学习模型.利用2012年1月1日至2014年12月31日地磁台站原始观测数据,结合专家标注的持续时间在2 h内的高压直流输电干扰事件记录,制作高压直流输电干扰样本34360条,正常样本34360条.模型在训练集上的准确率达到了94.12%,验证集上的准确率达到了92.94%,测试集上的准确率达到了92.86%.初步研究表明深度学习方法在识别地磁观测数据中的高压直流输电干扰事件中具有较高的准确率,为下一步自动识别地磁观测数据中的车辆干扰、基建工程干扰、轻轨干扰等其他干扰事件提供了一种新的思路. 相似文献
7.
本文以提高地震数据的成像质量为目标,提出一种智能的卷积神经网络降噪框架,从带有噪声的地震数据中自适应地学习地震信号。为了加速网络训练和避免训练时出现梯度消失现象,我们在网络中加入残差学习和批标准化的方法,并采用了ReLU激活函数和Adam优化算法优化网络。此外,Marmousi和F3数据集被用来对网络进行训练和测试,经过充分训练的网络不仅能在学习中保留地震数据特征,而且能去除随机噪声。首先充分地训练网络,从中提取出随机噪声,并保留学习到的地震数据特征,之后通过重建地震数据估算测试集中的波形特征。合成记录和实际数据的处理结果显示了深度卷积神经网络在随机噪声压制任务中的潜力,并通过实验验证表明了深度卷积神经网络框架有很好的去噪效果。 相似文献
8.
Hilbert-Huang Transformation(HHT)是一种新的非线性信号处理方法(Huang,1998).通过HHT对信号进行经验模态分解(empirical mode decomposition,简称EMD),能有效地把各种频率成分以本征模态函数(intrinsic mode function,简称IMF)形式从中分离出来.再对IMF序列进行Hilbert变换,可得到包含时间、频率、振幅的三维离散时频谱.它提供了非常清晰的局部细节时频特征,适合于描述具非线性非平稳性变化特征的信号. 相似文献
9.
为了有效分离矿集区音频大地电磁（AMT）信号中的大尺度强干扰、抑制近源效应,本文提出利用变分模态分解（VMD）和匹配追踪（MP）联合压制AMT强干扰的方法.首先,对比了VMD与经验模态分解（EMD）、固有时间尺度分解（ITD）的处理效果,验证了VMD在避免模态混叠和端点效应方面的优势;讨论了VMD中模态个数对典型大尺度强干扰的去噪性能,并选择合适的模态初步获取待处理信号的重构信息.然后,运用MP对VMD重构信号做二次信噪分离处理,进一步滤除残余的尖脉冲干扰.通过对模拟和实测数据的分析处理,以及与远参考法结果对比,本研究能有效剔除时间域序列中的大尺度强干扰,且重构信号中保留了更多的低频缓变化信息和细节成分,近源干扰得到有效压制;视电阻率-相位曲线更为光滑、连续,低频段的数据质量得到明显改善,其结果能更为真实、可靠地反映地下电性结构信息. 相似文献
10.
《地球物理学进展》2015,(6)
由于实际工作中测量的位场数据存在混叠效应,并且这些观测数据具有多源性、非线性和非稳态性的特点,如何从其中提取研究对象所产生的异常信息是位场数据处理中的关键环节.二维经验模态分解(Bidimensional Empirical Mode Decomposition,BEMD)在处理非线性、非平稳信号方面具有明显的优势,且具有分解的自适应性,实现了对信号的多尺度分解.文中采用BEMD方法首先对模型试验中带噪声的重力数据进行分解,得到各级固有模态函数和剩余分量,去掉一个或多个固有模态函数实现初步去噪,或结合小波阈值实现准确、圆滑去噪;再次,对三峡地区的布格重力异常进行了多尺度分解,并且利用径向对数功率谱分析方法估计了各级模态函数所反映的地下场源似深度,定性或半定量地解释了不同深度下的场源产生的异常,较好地揭示了场源赋存的地质信息,对上述分解得到的各分量进行组合叠加,重构出局部异常和区域异常,并且同常规分场方法进行了对比分析,结果表明BEMD方法能够准确、有效地实现位场的异常分离. 相似文献
11.
在采集得到地震数据中,随机噪声常常与有效信号混合在一起,并且毫无规律,使用常规去噪方法不能够达到理想的效果,影响后续的地震数据处理工作.为有效压制地震数据中的随机噪声,本文根据深度学习的相关理论,提出了一种基于深度卷积自编码网络的数据驱动的去噪方法,可以解决随机噪声难以去除的问题.在卷积自编码器的基础之上,网络使用了较多的层数并加入跳跃连接构造,从而增加了网络的深度,能够提取并结合数据中深层与浅层特征,增强对随机噪声的处理能力,更好地恢复有效信号的细节.经过实验证明该方法对于不同水平的随机噪声的压制均有优异的表现,在去噪的效果上远超中值滤波、小波变换等传统去噪方法,同时也比经典的DnCNN网络更加优秀,能够完整地保留有效信号,极大提升地震数据的质量. 相似文献
12.
13.
拟通过MATLAB软件对地磁信号因其受到外界高频干扰的影响,进行降噪处理。通过小波分析和数学形态学融合算法所设计的滤波器,同时将该算法所设计的滤波器与小波分析算法所设计的滤波器两者之间进行对比分析,并且计算出降噪后的地磁信号相对于未受干扰记录到的原始地磁正常信号的均方误差值,同时对降噪信号滤波结果相对与未受干扰记录到的原始地磁正常信号对比分析,分别求其信噪比的大小,综合考虑两种不同算法的滤波器对地磁含噪信号处理的优势和劣势。通过仿真测试后,进而得出小波分析与数学形态学融合算法所设计的滤波器能最大化的还原地磁记录到的真实信号。通过该算法的新研究,可以对地磁相对观测数据批量直接处理提供新思路,同时也能提高地磁相对观测数据的内在质量。 相似文献
14.
中深层地质条件复杂,地震资料品质差,主要表现为:地震资料信噪比低、有效信号弱.如何在去噪的同时有效保留弱有效信号,获取高信噪比的地震数据成为地震数据处理的关键问题.传统小波阈值与互补集合经验模态分解(CEEMD)联合去噪方法相比单一方法可以获取更高品质的地震数据.基于压缩感知理论的去噪方法利用地震数据在变换域中的稀疏特性,通过设定稀疏基矩阵和测量矩阵,可以将地震数据去噪问题转化成求解最优化问题,通过最优解重构原始信号,实现对地震资料的去噪处理.该方法能够在有效衰减随机噪声的同时最大限度的保留有效信号.本文基于压缩感知理论开展小波阈值去噪方法研究,并在此基础上结合CEEMD方法对含噪较多的固有模态分量进行有针对性的随机噪声压制.通过对含噪数据开展不同方法的去噪结果对比可见,本文方法可以在保证高信噪比的基础上更为有效的保留弱有效信号,数值试算验证了该方法对弱有效信号地震数据去噪具有显著优势. 相似文献
15.
地震信号是典型的非平稳随机信号,容易受到场地条件和周边环境的影响,产生噪声干扰。采用自适应噪声完备集合经验模态分解（CEEMDAN）方法,对地震数据进行分析预处理,将地震信号分解成一系列具有不同特征时间尺度的固有模态函数（IMF）;对各IMF分量进行自相关计算,筛选含噪IMF分量,使用软阈值小波包方法进行去噪处理,与无噪分量进行重构,从而降低噪声干扰,提高数据质量。 相似文献
16.
《地球物理学进展》2015,(6)
作为经验模态分解(EMD)的改进型算法,完备总体经验模态分解(CEEMD)不但有效解决了EMD的模态混叠问题,同时也保留了EMD处理非平稳信号的优势,如自适应性、二进滤波特性等.CEEMD能自适应地将一个复杂信号分解为一系列本征模态函数(IMF)分量,且IMF分量满足从高频到低频系列分布,随机噪声往往分布在第一个或前几个高频IMF分量.考虑到地震信号的非平稳性和去噪方法对非平稳信号的适应性,针对CEEMD直接舍弃高频IMF分量去噪容易造成高频有效信息损失以及小波阈值去噪方法存在的不足,本文提出了一种基于CEEMD的小波阈值去噪方法.该方法首先引入自相关曲线判别出含噪较多的高频IMF分量,然后对CEEMD直接去噪要舍弃的这些含噪高频分量进行小波阈值降噪,以保留这些分量中的高频有效信息,最后与不含噪声的其他IMF分量一起重构原信号.模型和实际地震数据试算结果表明,该方法在显著提高地震数据信噪比的同时,能有效地保留原信号中的高频有效成分和弱信号信息,是一种相对保幅的有效去噪方法. 相似文献
17.
在地震勘探采集到的地震数据中不可避免的存在随机噪声,而高信噪比的地震数据是地震资料反演和解释的基础.因此随机噪声压制一直是地震资料处理中的重要工作.近些年来,随着深度学习技术的发展,基于卷积神经网络的地震数据去噪方法已经取得了丰硕的成果.常规的监督学习策略需要获取无噪数据作为标签,然而从实际地震数据中获取无噪数据只能通过传统去噪方法进行预处理,以此方法构建标签数据的监督学习去噪网络必然受构建数据集的去噪方法影响.针对此问题,本文提出了一种基于Noise-to-Noise自监督学习的地震数据去噪方法,该方法通过对实际地震数据添加不同等级的噪声构建训练数据集,仅需要含噪地震数据即可训练去噪网络.合成数据测试和实际数据测试表明,本文方法可以有效去除地震数据中的随机噪声,性能优于受数据集构建方法所限的监督学习去噪方法和传统去噪方法. 相似文献
18.
19.
在距离数据缺失台站一定范围内选取参考台作为输入,构建非线性BP神经网络并进行地磁观测数据重构研究.数据仿真结果显示,重构数据和原始记录数据吻合程度较高,重构残差较小,磁静日重构平均残差仅为0.11 nT,磁扰日平均重构残差为0.23 nT.重点对磁场活动最剧烈时段内的数据进行了短时重构,平均残差由0.4 nT降低到0.2 nT,重构效果得到较大改进.计算了原始数据与重构数据的功率谱密度,除部分高频信号外,二者变化特征基本相同,相关性高达1.0.从时域和频域验证了BP神经网络在地磁相对记录数据重构上的有效性,并将其运用于实际缺失数据重构,取得较好效果. 相似文献
20.
佘山地磁信号的小波消噪处理 总被引：3，自引：1，他引：2
上海地铁9号线开通后,佘山地震基准台地磁观测受到严重影响,本文运用小波分析的方法,对被地铁9号线干扰的余山地磁数据进行消噪处理,并将变换后得到的结果和没有地铁干扰的崇明地震台同一仪器观测的地磁数据进行时序变化和相关系数比较,消噪处理效果较明显。 相似文献