排序方式： 共有2条查询结果，搜索用时 0 毫秒
1
1.
利用天然地震震源和人工爆破震源之间信号能量分布的差异,结合RBF神经网络技术,对2类事件进行分类,具体步骤如下:使用8个带通滤波器对事件波形进行滤波,并划分为4个波形段:P波、P波尾波、S波和S波尾波,分别计算每个滤波器信道和波形段的能量特征值,以所得32个特征参数作为输入向量,利用RBF神经网络,对地震和爆破事件进行分类识别。结果表明,基于RBF神经网络的地震事件识别方法,识别率为88.1%,具有较高的准确性,可作为地震与爆破事件识别的一个重要依据。 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
1