共查询到10条相似文献，搜索用时 46 毫秒
1.
小波分析在前兆数据处理中的应用 总被引：1，自引：0，他引：1
运用小波分析将不同频率成分组成的数据序列按尺度分解为低频和高频成分，并对低频和高频系数进行分析，然后根据小波系数的重构原理还原数据序列。本文以地下流体资料进行研究，结果表明：①小波方法可以较好地抑制流体数据中的随机噪声，并可有效地将数据的趋势变化和局部变化分开；②通过分析各频段小波系数，将降雨干扰的小波系数去掉后重构，从而达到消除降雨干扰的目的。 相似文献
2.
小波变换是近年兴起的信号处理方法,具有良好的时频局部化特征。它不但可以准确地描述瞬变信号的局部特征,还可以通过多尺度变换,从不同频带上观察信号的特征。利用小波变换的以上特征将其运用于数字化水位观测资料不同频率潮汐波的分离、同震水震波及震前水位长周期“前驱波”的识别、干扰与同震效应的识别等方面,都取得了较好的效果。 相似文献
3.
为高精度识别定点潮汐形变观测中干扰信号的时频响应特征,提出一种基于小波分解和同步挤压变换的形变干扰数据分频时频分析方法.首先,选用合适的小波基和分解层数对原始数据做多尺度分解和重构,提取出目标异常干扰分量信号;其次,基于分频策略采用高频分辨率较好的同步挤压广义S变换处理高频干扰分量,采用低频分辨率较好的同步挤压小波变换处理中低频干扰分量,同步挤压变换可以在传统方法结果基础上进一步“挤压”瞬时频带,获得更高精度的时频谱结果.利用该方法处理分析2016—2020年西昌小庙台形变观测中受调零标定、人为进洞、道路施工交通、抽水、降雨、地震波等因素影响的典型干扰数据,得到各类形变观测手段在不同干扰因素下的时频响应特征,为准确识别干扰及异常特征提供时频谱特征方面的参考. 相似文献
4.
小波多尺度分析方法在位场数据处理领域得到了广泛关注.目前,人们对利用该方法分离位场数据所得到的小波细节横向边缘信息认知不够深入,有必要做进一步探究.本文首先采用小波多尺度位场分离方法分离出区域和局部重力异常,然后利用haar小波变换HVD模法对局部异常信息进行多尺度分析,将所得到的小波细节信息进行水平、垂直和对角线方向分解,探测出局部异常体的横向边缘特征,并利用频谱分析方法估测出场源深度.最后,通过理论模型和南非Witwatersrand Basin航空实测重力数据进行分析,表明小波多尺度分析方法不仅能很好地实现位场分离、近似提取异常体场源深度,还可以利用小波细节信息有效地分辨出局部异常体的横向边缘特征,提高其识别精度. 相似文献
5.
以隶属合肥中心台的大蜀山台和合肥形变台地电阻率观测数据为研究对象,从时域上揭示了受地铁运行干扰的基本特征,经分析发现地电阻率受地铁干扰影响最大的为与轨道走向一致的测向,与轨道走向垂直测向所受的干扰最小;分别利用小波包阈值去噪和夜间观测均值代替日均值2种方法,对存在尖峰和突变的地铁干扰数据进行分析和去噪,结果表明:合肥形变台利用小波包阈值抑制地铁干扰效果较好,重构后的信号不仅大幅降低了地铁干扰的幅度,还去除了日常干扰所带来的背景噪声,能够较好地反映其原始信号变化特征,而大蜀山台更适用于夜间观测均值代替日均值的方法,可以提高地电阻率观测精度。 相似文献
6.
随着城镇化发展的加快, 上海的地电场观测受到来自周围环境噪声的影响日益严重, 这些噪声干扰对于地震前兆异常的分析判断带来很多不确定性. 本文主要探讨通过小波变换方法来分解地电场观测原始信号, 分析环境噪声对原始观测数据的影响强度. 利用异常信号的小波模值对比分析了滤波结果, 并通过绘制极化方位图检验了该方法在实际运用中的效果. 结果表明: 数字滤波方法能很好地去除日常干扰所带来的背景噪声, 对于重构的地电场信号, 也能较好地反映其原始信号变化特征; 滤波后的自然电场异常信号保留了原始信号中主要的变化特征, 并能反映其原始变化规律; 重构的地电场信号能够突出信号中异常信号极化方位角, 使极化方位收敛有利于实际运用. 相似文献
7.
多尺度分析方法实现了信号分析的时频局部化,是测井数据时频分析与地质解释恰当的数学工具.测井资料作为地层岩性、物性的反映,其中必然蕴含了大量与沉积地层旋回变化有关的信息.以胜坨油田某井为例,采用db4最佳小波基分别对自然伽马、自然电位和声波等测井曲线进行了多尺度分析,将一维测井数据拓展为二维深度-尺度空间,提取小波变换系数的时频色谱信息和能量信息,从而确定出测井曲线识别准层序界面的最佳尺度.依据最佳尺度下的小波系数幅度振荡特征和时频色谱信息实现了对准层序界面的自动划分,与传统方法所划分的界面基本一致.这些探索为层序地层的定量划分提供了一种新的思路. 相似文献
8.
9.
地核与固体地球之间角动量的交换虽然可以明显引起十年尺度的日长变化,但两者之间的耦合机制尚不明确.为了对日长年代际变化进行更深入的分析,有必要对其中主要的周期信号进行识别和提取.为此,本文利用标准Morlet小波变换方法,对精度相对较差的长期日长数据(1760-2018)进行处理,识别和提取出了 7个频率稳定的长周期信号,周期分别为11.7年、13.5年、15.6年、19.4年、22.5年、32.4年和67.4年.此外,基于信号的时域提取结果,计算获得了相应信号的平均振幅,分别为0.07 ms、0.11 ms、0.10 ms、0.21 ms、0.36 ms、0.49 ms和0.96 ms,并对信号的时域变化特征做了初步分析,可以为进一步研究与日长年代际变化相关的的物理机制提供一定的参考. 相似文献