基于ICEEMDAN和分布熵的SS-Y伸缩仪信号随机噪声压制方法

结合改进的自适应噪声完备集合经验模态分解(ICEEMDAN)与分布熵(DistEn),提出一种无需自定义算法参数、去噪效果较好的伸缩仪信号随机噪声压制方法。首先将伸缩仪信号进行ICEEMDAN处理,得到若干个本征模态函数(IMF);然后计算各IMF分量的分布熵值,根据不同分布熵值的大小和表征的分量信号混乱程度,有针对性地对各IMF进行取舍;最后进行线性重构。设计仿真信号去噪实验和SS-Y伸缩仪信号去噪实验,结果表明,基于ICEEMDAN-DistEn去噪模型的伸缩仪信号重构还原度较好,去噪效果显著,明显优于CEEMDAN-DistEn、小波去噪和卡尔曼滤波等去噪模型。

随机噪声平板下光学复眼内外参联合标定

光学复眼在无人系统的精确定位制导、避障导航等任务中得到了越来越广泛的应用,其中光学复眼的高精度标定是保障上述任务质量的前提。通常经典的张氏棋盘格标定法要求光学复眼的每个子眼都必须观测到完整的棋盘格,然而,由于光学复眼结构的复杂性,在实际标定过程中难以满足这一要求。为解决张氏标定法的局限性,该文提出一种基于随机噪声平板的光学复眼内外参联合标定算法,该算法通过子眼拍摄随机噪声平板的局部信息,可简单快速地实现任意构型和子眼数量的光学复眼内外参联合标定。为了提高光学复眼标定的稳定性,设置多阈值匹配机制解决子眼视场特征点数量稀疏导致图像匹配失效的问题。同时,给出了光学复眼内外参联合标定的误差模型,用来衡量所提出算法的精确度。在与张氏棋盘格标定法进行实验对比中,验证所提算法的稳定性和鲁棒性,并在光学复眼实物系统中,验证了所提联合标定算法具有较高的精度。

基于对比学习CUTmodel网络的地震随机噪声压制

本文提出一种基于对比学习CUTmodel网络的地震随机噪声压制方法,CUTmodel网络架构基于最大化输入输出之间的相似信息进行对比学习,大大缩短了网络训练时间。网络损失函数由生成对抗损失和对比学习损失两部分组成,生成对抗损失保证生成数据与无噪数据更相似,对比学习损失保证生成数据尽可能保留有效信号,同时也防止生成器进行不必要的更改,提高了网络训练的稳定性和准确性。通过简单模型和Marmousi模型的CUTmodel去噪试验及其与CycleGAN和常规去噪方法的对比,验证了本文方法的有效性。最后,本文对实际数据进行去噪,同样获得较高的信噪比。

基于随机噪声和自适应步长的快速对抗训练方法

当前对抗训练(AT)及其变体被证明是防御对抗攻击的最有效方法,但生成对抗样本的过程需要庞大的计算资源,导致模型训练效率低、可行性不强;快速AT(Fast-AT)使用单步对抗攻击代替多步对抗攻击加速训练过程,但模型鲁棒性远低于多步AT方法且容易发生灾难性过拟合(CO)。针对这些问题,提出一种基于随机噪声和自适应步长的Fast-AT方法。首先,在生成对抗样本的每次迭代中,通过对原始输入图像添加随机噪声增强数据;其次,累积训练过程中每个对抗样本的梯度,并根据梯度信息自适应地调整对抗样本的扰动步长;最后,根据步长和梯度进行对抗攻击,生成对抗样本用于模型训练。在CIFAR-10、CIFAR-100数据集上进行多种对抗攻击,相较于N-FGSM(Noise Fast Gradient Sign Method),所提方法在鲁棒准确率上取得了至少0.35个百分点的提升。实验结果表明,所提方法能避免Fast-AT中的CO问题,提高深度学习模型的鲁棒性。

基于扩散模型的地震数据随机噪声压制方法

地震数据中的随机噪声毫无规律,常规去噪方法难以达到理想的效果,影响后续的地震数据解释和分析。为此,提出一种基于扩散模型的地震信号去噪方法。该方法的前向扩散过程是通过对地震数据进行一定程度的加噪,将地震数据变成存在大量各向同性的高斯噪声的含噪地震数据,再利用训练后的扩散模型对含噪数据进行重建,提高地震数据的信噪比。预测网络部分是基于改进的U-Net网络,该网络中引入了注意力模块和ResNet模块,以提高网络对重要区域的关注度,避免深度网络中的梯度消失问题。理论数据和实际数据的应用结果均验证了文中方法的有效性。该方法去噪效果远超FX滤波、SVD等传统去噪方法,同时也比经典的深度学习网络CNN、GAN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。

经颅随机噪声刺激的研究进展

经颅随机噪声刺激(tRNS)是一种利用随机噪声电流调控大脑神经元活动的技术,其通过随机共振等机制影响大脑活动和认知行为,在神经科学和神经病理学等领域展示出较为突出的调控效果,得到越来越多的关注和应用。综述经颅随机噪声刺激的生理效应和实施方法,以及在知觉、运动、学习和记忆以及脑疾病康复等方面的应用,总结相关研究现状和发展趋势。

PCA优化CEEMD的DSQ水管倾斜仪信号随机噪声压制方法

提出一种基于主成分分析(PCA)优化完备集合经验模态分解(CEEMD)的DSQ水管倾斜仪信号随机噪声压制方法CEEMD-PCA。该方法融合了相关系数、分布熵、MSE、R^(2)、SSE、RMSE、MAE、MAPE等8个IMF分量质量评价指标,借助PCA实施指标值矩阵的降维压缩,将其转化为一个能代表全部不同类型指标特点的新参数,并构建IMF分量质量综合评价函数,根据分数排名结果完成原始含噪信号的线性重构。仿真信号和实测信号去噪实验结果皆表明,CEEMD-PCA模型优于卡尔曼滤波、70阶低通FIR滤波等经典模型,能提高原始信号的信噪比,精准完成信号重构,更好地保留有效成分。

基于改进对抗网络的地震数据随机噪声压制

针对地球物理勘探中,采集的地震数据被大量随机噪声所覆盖的问题,提出基于改进生成对抗网络(GAN)的地震数据随机噪声压制方法。该网络的核心是将卷积层引入GAN,建立合适的生成器与判别器并引入LeakyReLU、Sigmoid激活函数以优化网络训练效果;卷积层代替全连接层,通过局部连接与权值共享实现在保留数据有效信息的同时提升计算效率。以实际地震数据与合成地震数据进行实验,在数据可视化、峰值信噪比的评价指标下,结果表明与原始GAN、传统方法相比,该方法在不同噪声水平下均有较好的去噪效果,有利于后续地震资料解释等环节。

基于结构保护去噪神经网络的地震数据随机噪声压制

随机噪声压制是地震数据处理中的重要环节,直接关系到后续地震资料处理和解释质量.与相干噪声不同,随机噪声具有频谱较宽、规律性差等特点,很难利用常规方法区分随机噪声与地震数据有效信号.相较于传统的基于稀疏域的噪声压制方法,基于神经网络深度学习的随机噪声压制方法具有自动化程度高的特点.现有的网络结构在压制地震数据随机噪声时,不可避免地破坏地震数据结构,尤其是对于含有复杂构造的地震数据.基于以上问题,本文在充分探索地震数据随机噪声特征的基础上,利用结构保护的深层卷积神经网络对野外采集的含噪地震数据进行随机噪声压制研究.研究中利用模拟数据与真实去噪地震数据作为标签数据对,结构保护的深层卷积神经网络可以学习含噪和去噪地震数据之间的内在特征联系.考虑到常规神经网络在地震数据随机噪声压制过程中不能有效保护地下复杂结构特征,文中采用地震数据局部倾角作为约束,并通过修改目标函数达到保护地震数据结构特征的目的.文中利用模拟数据与野外地震数据,对本文方法的噪声压制能力与常用的包括中值滤波、多道奇异谱分解方法在内的地震数据随机噪声压制方法进行了分析对比.数值结果表明,深层卷积神经网络可以有效压制地震数据中的随机噪声,地震倾角的加入可以有效保护地震数据中的复杂构造特征.

基于高阶TV正则化的叠前动校正域随机噪声压制方法

常规全变分(Total Variation,TV)去噪模型只考虑水平方向和垂直方向的一阶导数信息,处理存在弯曲同相轴的叠前地震资料时会严重破坏振幅信息,而且振幅的横向渐变特征会被压制,从而引起“阶梯效应”。常利用地震数据的局部倾角信息提高TV模型的保幅能力,但局部倾角信息的计算会受到噪声的严重影响。为此,提出在动校正(NMO)域中利用高阶TV正则化去噪模型对叠前地震资料进行随机噪声压制。该方法首先将叠前地震数据转换到NMO域,NMO对噪声的鲁棒性强,同时避免了局部倾角的计算;在NMO域中弯曲同相轴被拉平,然后对其进行高阶TV去噪;最后通过反NMO还原叠前地震数据。以二阶导数为例构造了高阶TV正则化反演去噪目标函数,并在分裂Bregman优化框架下推导了快速优化求解方法。合成地震数据和实际地震资料的处理结果表明,该方法不仅可以有效压制随机噪声,而且可以消除同相轴弯曲和“阶梯效应”造成的振幅失真,提高了TV去噪方法的保幅性能。

多态增强机抖激光陀螺随机噪声注入技术

针对机抖激光陀螺存在的随机噪声注入效率低的问题,深入研究了随机噪声对消除激光陀螺动态锁区的影响,获得了噪声频率分量与动态锁区之间的函数关系。基于伪随机序列并结合对激光陀螺噪声注入传递函数的分析,提出了多态增强随机噪声注入技术,在现场可编程门阵列(field programmable gate array,FPGA)中设计了多态随机噪声增强注入算法,并对多态随机噪声增强注入技术进行了实验验证。结果表明,相对于传统随机噪声注入技术,多态增强随机噪声注入明显丰富了随机噪声的频率分量,并在高频段增强了噪声幅度,从而使激光陀螺的噪声注入效率提高了约50.57%,陀螺精度提高了约33.62%,角随机游走系数降低了约17.62%。多态增强随机噪声注入技术为提高机抖激光陀螺的性能提供了重要参考。

DSQ水管倾斜仪信号随机噪声压制研究

基于自适应噪声完备集合经验模态分解CEEMDAN和小波去噪,提出一种DSQ水管倾斜仪信号随机噪声压制方法。首先将信号进行CEEMDAN分解,得到若干个本征模态函数IMF,分解数量随不同信号噪声动态变化;然后计算每条IMF和原信号的相关性系数,对处于系数阈值范围内的IMF作小波变换处理;最后执行线性重构,得到去噪后的信号。仿真和实际去噪实验结果表明,随机噪声压制效果明显,信号有效成分保留比率较高,优于其他同类方法。

基于IR-ADMM组合技术对地震随机噪声的压制

稀疏表示是一种现行有效的随机噪声压制方法,常采用交替方向乘子法逐道分解地震信号,但实际应用中交替方向乘子法计算效率高但精度不足,难以满足高保真地震数据处理的要求。通过结合迭代重加权和交替方向乘子法2种算法,提出了一种新的基于迭代重加权交替方向乘子法的联合稀疏表示方法,兼具收敛速度快和重建精度高的优点。共偏移距道集地震数据具有水平同相轴结构,满足共稀疏性条件,将联合稀疏表示算法应用于共偏移距道集就能够利用信号的空间相干性,提高去噪算法性能。理论和实际资料试算结果表明,所提算法具有较好的应用效果。

压制空间非平稳地震勘探随机噪声的ROAD径向时频峰值滤波算法

径向时频峰值滤波算法是一种有效保持低信噪比地震勘探记录中反射同相轴的随机噪声压制方法,但该算法对空间非平稳地震勘探随机噪声压制效果不理想.本文研究空间非平稳地震勘探随机噪声,即各道噪声功率不同的地震勘探随机噪声,其在径向滤波轨线上表征近似脉冲噪声,在径向时频峰值滤波过程中干扰相邻道滤波结果.为了减小空间非平稳随机噪声的影响,本文提出一种基于绝对级差统计量(ROAD)的径向时频峰值滤波随机噪声压制方法.该方法首先根据径向轨线上信号的绝对级差统计量检测空间非平稳地震勘探随机噪声,然后结合局部时频峰值滤波和径向时频峰值滤波压制地震勘探记录中的随机噪声.将ROAD径向时频峰值滤波方法应用于合成记录和实际共炮点地震记录,结果表明ROAD径向时频峰值滤波方法可以压制空间非平稳地震勘探随机噪声且不损害有效信号,有效抑制随机噪声空间非平稳对滤波结果的影响.与径向时频峰值滤波相比,ROAD径向时频峰值滤波方法更适用于空间非平稳地震勘探随机噪声压制.

局部相关加权中值滤波技术及其在叠后随机噪声衰减中的应用

随机噪声的衰减和同相轴连续性的提高可以极大地改善地震资料解释的精度.本文提出一种新的滤波技术,既能够有效地衰减随机噪声义可以很好地保护地震资料中的断层等信息不被破坏,增强地震剖面中弯曲、倾斜同相轴的连续性.该方法结合新的加权中值滤波技术和两种构造信息保护滤波策略,实现基于预测数据体和基于倾角走向的加权中值滤波.通过设计局部相关系数改进加权中值滤波器的特性,达到保护断层信息的效果.使用地震数据的局部倾角属性设计预测构造数据体和构造走向,进而构建两种滤波策略,通过匹配加权中值滤波器和不同的处理策略,达到保护断层信息和噪声衰减的平衡点.通过对比离散小波变换阈值去噪方法,理论模型和实际数据的处理结果证明了局部相关加权中值滤波技术的有效性.

高阶seislet变换及其在随机噪声消除中的应用

Seislet变换是一种小波类数学变换方法,主要根据不同小波级数上地震同相轴的局部倾角的不同来分析数据.一般意义上,测线方向上的离散小波变换(DWT)是一种特殊的零局部地震倾角的seislet变换.早期的工作基于低阶版本的离散小波变换来构建seislet变换,在本文中,通过使用Cohen-Daubechies-Feauveau(CDF)9/7双正交小波变换(常用于JPEG2000压缩标准)作为框架,扩展高阶seislet变换方法.通过分析理论模型和实际数据的处理结果,并对比傅里叶变换、离散小波变换和低阶seislet变换,高阶seislet变换可以为地震数据提供更好的压缩比.因此更加适用于地震数据去噪处理.

基于Shearlet变换的地震随机噪声压制

地震勘探中的噪声对地震信号产生严重的畸变和干扰,常规的地震去噪方法已经不能满足当前高精度地震勘探的要求。提出了基于Shearlet变换的地震数据去噪方法,Shearlet变换是一种新的多尺度变换方法,具有多方向、多分辨率及最佳稀疏逼近性质,并且计算效率高。Shearlet变换在去除随机噪声的同时能最大程度保留有效信号,有效地提高信噪比。利用Shearlet变换阈值去噪法与其他地震去噪方法分别对不同信噪比的合成地震记录和实际地震记录进行对比,结果表明Shearlet变换具有更强的去噪能力和更高的运算效率。

时变中值滤波技术在地震随机噪声衰减中的应用

地震勘探中的随机噪声一直是影响地震信号信噪比的主要因素之一。本文针对一维经典中值滤波器对地震信号去噪能力过强而导致有用信息被破坏的缺点,基于噪声特性设定一个窗口长度控制阈值,再根据地震数据与阈值的关系选取合适的时变窗口进行中值滤波,以取得有效信号与不同强度噪声之间的最佳平衡效果。通过理论模型处理及对多个处理方法的对比,表明本方法的去噪能力优于二维多级中值滤波器,而保护有效信号的能力要优于经典中值滤波器。实际剖面的处理效果也表明,此方法不仅能有效地滤除脉冲噪声,而且能很好地保护有用信号。

强随机噪声条件下时窗类型局部线性化对TFPF技术的影响

为了更广泛地应用时频峰值滤波方法消减地震勘探记录中强随机噪声,本文比较详细地探讨了该方法在应用时需要处理的时窗选取、一个时窗内局部线性化等主要基础技术问题.经过时变时窗的仿真计算,运用多项指标比较,包括整体背景强弱、振幅谱、信噪比、均方误差、有效子波波峰波谷幅值、畸变程度,综合评价出(L_0+L_x)时窗滤波的效果较理想.对于三角波这类简单类型的周期波,其时频峰值滤波效果与边线段平均曲率变化、时窗长度等条件有关,即三角波边线段平均曲率越大,滤波结果的均方误差越大;兄外,边线段平均曲率增大时,选取的时窗长度有变小的趋势,总之,在地震勘探中应用时频峰值滤波方法消减强随机噪声时,一方面要合理地选取时窗参数,另一方面时窗参数又不能变化过大,以避免对有效子波波形产生畸变影响.

基于经验模态分解的分数维地震随机噪声衰减方法

经验模态分解算法(EMD)是一种基于有效波和噪声尺度差异进行波场分离的随机噪声压制方法,但由于实际地震数据波场复杂,导致模态混叠较严重,仅凭该方法进行去噪很难达到理想效果.本文基于EMD算法对信号多尺度的分解特性,结合Hausdorff维数约束条件,提出一种用于地震随机噪声衰减的新方法.首先对地震数据进行EMD自适应分解,得到一系列具有不同尺度的、分形自相似性的固有模态分量(IMF);在此基础上,基于有效信号和随机噪声的Hausdorff维数差异,识别混有随机噪声的IMF分量,对该分量进行相关的阈值滤波处理,从而实现有效信号和随机噪声的有效分离.文中从仿真信号试验出发,到模型地震数据和实际地震数据的测试处理,同时与传统的EMD处理结果相对比.结果表明,本文方法对地震随机噪声的衰减有更佳的压制效果.