基于EWT-分量阈值与SVD的微震信号降噪方法

针对微震信号采集过程中存在大量不同频率的干扰信号,导致信号初至拾取难度大的问题,提出一种经验小波变换（EWT）结合分量阈值重构规则及奇异值分解（SVD）技术对微震信号进行降噪的方法。该方法利用EWT自适应分解和抗模态混叠的特点分解微震信号,得到各分量信号。对于高信噪比信号,选取相关系数大于0.3且方差贡献率大于15%的固有模态分量进行重构,具有较好的降噪效果;对于低信噪比信号,在高信噪比降噪方法的基础上利用SVD去除高频分量中的噪声,并与EWT分解出的低频有效分量进行重构。实验表明,对不同信噪比的构造信号与实际微震信号进行降噪,信噪比均得到明显改善;以修改的能量比法和分形维数法拾取实际微震降噪信号初至到时作为验证,拾取相对误差均小于1%,证明了本文降噪方法的有效性。     

一种削弱信噪混叠的EMD降噪方法

针对经验模态分解(empirical mode decomposition,EMD)降噪过程中存在信号与噪声模态混叠及直接将分界本征模态函数(intrinsic mode function,IMF)分量归入高频噪声造成真实信号被“湮没”等问题,提出一种改进的EMD降噪方法。该方法将经EMD得到的第2个IMF分量至分界IMF分量进行重构,对重构信号进行下一次EMD,获取其中的“真实”信号,多次重复此操作,最后将所有获得的低频信号累加,从而达到降噪的目的。利用2种模拟数据和1种GPS实测高程数据进行实验,模拟数据与实测数据采用不同的评价指标评价降噪效果,结果表明,改进的EMD方法较传统EMD方法降噪效果更佳,验证了该方法的可靠性。     

GPS高程时间序列降噪分析的改进EMD方法

针对经验模态分解(empirical mode decomposition,EMD)降噪过程中不能直接确定分界本征模态函数(intrinsic mode function,IMF)的K值,以及当高频噪声IMF分量个数少于低频IMF分量个数时,利用低频信号重构实现降噪的计算量较大等问题,提出一种新的EMD降噪方法。采用平均周期与能量密度乘积指标的方法来自动确定分界IMF的K值,将高频噪声IMF分量进行重构,然后用原始信号减去重构噪声,从而达到降噪的目的。利用模拟数据和BJFS站的实测GPS高程时间序列数据进行验证。实验结果表明,该方法能够直接确定分界IMF的K值,降低计算量,在GPS高程时间序列降噪中较传统EMD方法更可靠。     

基于经验小波变换的GNSS多路径误差改正

多路径误差是影响GNSS测量精度的主要因素及误差改正难点。将经验小波变换(EWT)算法在分解复杂信号上的优势与GNSS多路径误差的周日重复特性相结合,提出基于EWT的多路径误差提取及改正新方法。将能量熵与相关系数相结合来定义筛选系数,并将其变化显著的点作为含噪分量及信息分量的分界点;通过对含噪分量进行去噪并与信息分量重构的方式建立基于EWT的去噪新方法。模拟和实测数据实验表明,EWT能较好地提取及改正GNSS多路径误差,并且其效果显著优于EMD及小波分析方法。     

VMD-SG-WT去噪法及其在混沌去噪中的应用

为对混沌信号进行降噪,提出基于变分模态分解(VMD)的混合去噪(VMD-SG-WT)方法,首先基于各分量间的最小巴氏距离确定VMD分解模态参数,通过VMD将混沌信号分解成多个本征模态函数(IMFs);然后分别计算各个IMF分量与原始信号间的相关因数,根据相关关系指标确定IMF分量的含噪程度,对有效成分主导的信息分量重构进行Savitzky-Golay平滑滤波,对噪声主导的噪声分量重构进行小波降噪处理;最后利用平滑的信息分量与小波去噪的噪声分量进行重构,得到最终去噪的信号。采用VMD-SG-WT去噪法对Lorenz系统产生的仿真信号和实测的太阳黑子数序列进行降噪处理,并与局部投影去噪法、小波去噪法、经验模态分解(EMD)去噪法和单一VMD去噪法进行对比。结果表明:VMD-SG-WT去噪法能够有效对混沌信号进行降噪,去噪效果相对优于其他去噪方法的去噪效果。     

基于CEEMDAN和小波变换的地震信号随机噪声压制新方法

提出一种结合自适应噪声完备集合经验模态分解（CEEMDAN）和小波变换（WT）的地震信号去噪新方法CEEMDAN-WT。首先利用CEEMDAN将地震信号自适应地分解为若干个固有模态函数（IMF）和余量;然后计算各分量与原始信号的皮尔森相关系数,对处在不同相关系数阈值区间内的分量分别作小波滤波、维持原状及直接剔除等处理,并进行线性重构;最后构建样本熵变化量、互信息、信噪比等指标体系,定量评估去噪效果。模拟实验与实测数据（青海玛多地震）计算结果表明,与EMD、EEMD等方法相比,CEEMDAN-WT方法能有效抑制随机噪声的影响,提高信噪比,并且地震信号的精细化重构效果较好,信号有效成分得到较大保留。     

地震与爆破波形信号的EEMD多尺度分布熵提取和WOA-SOM神经网络识别研究

针对地震信号中存在大量环境噪声的问题,基于天然地震事件和人工爆破事件建立初始数据集,利用集合经验模态分解（EEMD）技术对波形信号进行分解、降噪,提取出较纯净的各阶本征模态函数（IMF）分量,然后对前10阶分量分别计算分布熵,即EEMD多尺度分布熵,建立神经网络输入矩阵。应用鲸鱼优化算法（WOA）对自组织特征映射（SOM）神经网络参数（竞争层维数、网络训练次数）进行优化,针对不同训练样本寻找对应的最优参数值以改善模式识别的稳定性,从而提高地震识别率。结果表明,EEMD多尺度分布熵结合WOA-SOM模型可有效识别天然地震和人工地震。     

顾及GNSS坐标时间序列中季节信号的CEEMD降噪方法

针对互补集合经验模态分解（complementary ensemble empirical mode decomposition,CEEMD）在GNSS坐标时间序列降噪过程中需要选取筛选准则的问题,提出一种顾及GNSS坐标时间序列中季节信号的CEEMD降噪方法。首先利用CEEMD方法对GNSS坐标时间序列进行分解,然后计算各本征模态函数（intrinsic mode function,IMF）的平均周期,将平均周期低于120 d的IMF分量作为噪声分量扣除,并重构剩余分量为信号分量。利用该方法对中国大陆227个GNSS垂向坐标时间序列进行降噪,并与以连续均方误差和相关系数为筛选准则的CEEMD降噪方法的结果进行对比。结果表明,本文方法未出现过度降噪,而其他2种方法均导致部分测站的季节信号被扣除;在未过度降噪站点,本文方法GNSS坐标时间序列的RMS、幂律噪声和速度不确定度的平均改正率分别为19.13%、88.29%和86.46%,优于其他2种方法。     

一种确定分界IMF分量的改进EMD方法

针对经验模态分解(empirical mode decomposition, EMD)降噪过程中采用相关系数(p)准则确定分界本征模态函数(intrinsic mode function, IMF)分量K值存在不准确性的问题，选用复合评价指标(T)，综合考虑曲线平滑度(r)与均方根误差(RMSE)2个指标值，提出一种改进的EMD降噪方法。利用9个模拟数据和2个陆态网基准站的实测GPS高程时间序列数据进行验证，结果表明，复合评价指标比单一的相关系数指标所确定的分界IMF分量K值更准确，能够更可靠地识别噪声与信号的分界点，使降噪效果更佳。     

EMD用于GPS时间序列降噪分析

针对GPS位置时间序列噪声成分复杂、建模困难、噪声与信号难以有效分离等特点,用自适应信号分析方法经验模态分解（EMD）对中国区域9个IGS站时间序列的N、E、U方向作降噪处理。首先对各方向分量作EMD分解,获取各方向噪声强度依次降低的一系列本征模态分量及其趋势项;其次利用相关系数辨别出噪声与信号的分界本征模态分量,并按重构方法重构各本征模态分量;最后用相关系数、信噪比、能量百分比等参数评价EMD方法降噪的有效性。结果表明,EMD方法能合理地分离序列中的信号与噪声,有效削弱噪声对GPS位置时间序列的影响,进一步提高GPS位置时间序列的精度。     

CEEMD阈值滤波在MEMS陀螺信号消噪中的应用

现阶段的经典模态分解MEMS陀螺消噪是一种易造成信号失真缺陷的强制消噪算法。针对该问题,在由本征模态函数样本熵和相似度参数线性组合确定复合指标的基础上,提出基于复合指标筛选本征模态函数的互补集合经验模态分解的阈值滤波降噪算法,根据信号的随机噪声特征参数确定阈值,并对筛选后的本征模态函数进行处理。仿真和实例分析结果表明,该算法的消噪效果较强制消噪滤波有较大提高,使MEMS陀螺信号的零偏不稳定性下降了76.4%,速率斜坡下降了62.3%,均方根误差下降了67.5%,同时能够提高MEMS-IMU在行人导航中的定位精度。     

基于EWT-Prophet方法的地表沉降预测

针对地表沉降预测研究中单一传统方法预测精度较低、预测过程不稳定等问题,提出一种经验小波变换(EWT)与Prophet预测模型相结合的优化预测方法.以江西省上饶市德兴矿区为例,采用30景哨兵1号影像进行SBAS-InSAR沉降研究,并获取该区域研究时段内的沉降时序数据.首先对原始沉降时序数据进行EWT自适应分解,分解产生...     

基于改进的主成分分析法提取GRACE时变重力场信号

针对主成分分析法提取时变重力场模型信号中存在信号泄漏和去条带噪声不明显的问题,提出对球谐位系数主成分分析的改进方法。首先对球谐位系数进行主成分分析,提取主要的模态,再对不同模态根据其自身噪声特点选择合适的滤波方法和参数,最后在此基础上进行信号提取。以CSR发布的2005-01~2013-12(108个月)GRACE时变地球重力场模型进行实验,提取2006-06和2006-12等效水高数据和改进前的主成分分析进行比较,表明此方法在有效地剔除条带误差的同时又使得信号泄漏减小。     

Research on weak signal extraction and noise removal for GPR data based on principal component analysis

The ground penetrating radar( GPR) detection data is a wide band signal,always disturbed by some noise,such as ambient random noise and multiple reflection waves. The noise affects the target identification of underground medium seriously. A method based on principal component analysis( PCA) was proposed to extract the target signal and remove the uncorrelated noise. According to the correlation of signal,the authors get the eigenvalues and corresponding eigenvectors by decomposing the covariance matrix of GPR data and make linear transformation for the GPR data to get the principal components( PCs). The lower-order PCs stand for the strong correlated target signals of the raw data,and the higher-order ones present the uncorrelated noise.Thus the authors can extract the target signal and filter uncorrelated noise effectively by the PCA. This method was demonstrated on real ultra-wideband through-wall radar data and simulated GPR data. Both of the results show that the PCA method can effectively extract the GPR target signal and remove the uncorrelated noise.