基于LLE方法的地震数据随机噪声压制

奇异值分解（SVD）方法在地震数据去噪中得到了较好的发展。在时间域或频率域进行随机噪声压制时,SVD技术往往对呈现线性模式的水平同相轴有较好的去噪效果。然而,对呈现非线性模式的弯曲同相轴效果不佳,从而限制了其在实际中的应用。为此,提出一种基于局部线性嵌入（LLE）的地震数据随机噪声压制方法,其思想是不考虑LLE方法的降维特性,而仅考虑其重构特性,利用局部线性嵌入的重构思想,对地震数据采样点用其近邻进行重构,得到去除随机噪声后的结果。正演模型及实际资料处理结果对比表明,该方法在有效压制随机噪声的同时,能够较好地保留非线性模式的有效信号,优于常规SVD滤波结果。     

SVD与小波变换相结合抑制面波与随机噪声

为了从含强面波干扰和随机噪声的地震记录中提取有效信号,将每条面波同相轴旋转为水平后,用奇异值分解（SVD）方法恢复出来,再从原始地震记录中消除面波,最后用小波变换方法滤除部分随机噪声。根据同相轴走向与SVD第一奇异值、第二奇异值之间的关系,提出了一种新的判别最佳面波同相轴走向的依据,并用于处理合成地震记录,有效地去除了面波。     

基于SVD-EMD的有效微弱信号提取算法

针对奇异值差分谱的信号提取方法不能有效提取出强噪声环境中的微弱信号这一问题,提出了一种基于奇异值分解(SVD,singular value decomposition)和经验模态分解(EMD,empirical mode decomposition)相结合的微弱信号提取方法。采用奇异值差分谱选择奇异值进行信号重构,提取出带噪部分信号,对其进行EMD分解和SVD降噪处理,叠加得到降噪后的信号。仿真结果表明,该方法能够准确提取微弱信号信息,并能有效地去除信号噪声。     

基于奇异值分解和Savitzky-Golay滤波器的信号降噪方法

为降低信号中噪声的干扰,将奇异值分解(SVD)理论和Savitzky-Golay滤波器相结合提出了一种新的降噪方法。该方法首先分析了信号负熵随信噪比变化的规律,而后通过将负熵作为降噪效果的评估参数,确定了SVD降噪过程中构造的Hankel矩阵的最优维数;其次采用Savitzky-Golay滤波器对用于重构信号的奇异值进行了平滑滤波处理,并分析了Savitzky-Golay滤波器结构对降噪效果的影响,最后通过定义误差函数确定了Savitzky-Golay滤波器的最优结构。将该方法应用于线性调频信号和多成分周期信号的降噪实验,结果表明:基于SVD和Savitzky-Golay滤波器的降噪方法能有效降低噪声干扰,是一种有效的信号降噪方法。     

全变分正则化非局部均值地震数据降噪

在地震数据的采集中往往存在随机噪声,噪声会影响地震数据分析的准确性,针对地震数据中存在的高斯噪声,传统非局部均值降噪算法在对地震数据降噪后无法有效保持地震数据中的同相轴边缘。将全变分正则化非局部均值算法应用于地震数据降噪,通过计算噪声估计值,更新去抖动非局部均值算法的权值,将去抖动非局部均值降噪结果进行全变分正则化约束,得到最佳的地震数据降噪结果。在有效去除高斯噪声的同时,保留地震数据的同相轴边缘。通过在合成地震数据、海上叠前地震数据、陆上叠后地震数据上进行降噪实验,对比该算法与非局部均值算法、基于近邻法选择策略的非局部均值算法的峰值信噪比、均方误差、平均结构相似度,得出全变分正则化非局部均值降噪算法在有效降噪的同时,可以较完整地保留地震数据的同相轴边缘细节。     

基于CEEMDAN的MEMS加速度计输出信号降噪方法

针对微机电系统(MEMS)加速度计输出信号存在误差,导致高压输电杆塔倾斜监测系统的输出倾角数据精确度不高的问题,提出了一种基于自适应噪声完备集合经验模态分解(CEEMDAN)联合奇异值分解(SVD)对杆塔的加速度计输出信号降噪方法。利用CEEMDAN对原始加速度计输出信号进行分解,得到一系列模态分量,分别计算其排列熵(PE),筛选出特征分量和含噪特征分量,然后再将需进一步降噪的特征分量通过SVD进行二次滤波,最后将降噪后的特征分量与未处理的特征分量进行叠加即得到降噪后的加速度计输出信号。仿真实验结果表明,所提出的方法可以有效地抑制噪声干扰,通过与扩展卡尔曼滤波和CEEMDAN-PE对比说明该方法滤波效果更好,有效提高了加速度信号分析精度和杆塔倾斜角测量精度。     

一种旋转机械振动信号的有效消噪方法

提出了一种基于奇异值分解(SVD)、Mallat算法和经验模态分解的信号降噪方法.首先,采用香农熵判据寻求最佳小波分解,对带噪部分小波系数进行经验模态分解,提取出信号趋势分量;其次对小波系数剩余部分采用奇异值分解方法降噪,并根据奇异值差分谱自适应的选择奇异值进行重构,将重构后的信号和趋势项叠加作为新的小波系数;最后进行小波重构得到最终的消噪信号.运用模拟信号和齿轮箱断齿故障信号进行仿真,结果表明该方法能够准确地选择用于重构的奇异值个数,并能有效去除信号噪声,保留特征信号的细节信息,尤其对含有趋势项的故障特征有很大实用性.     

Steerable Pyramid分解地震随机噪声衰减 ——基于局部Laplace先验概率密度模型

简单介绍了具有多尺度与多方向性特点的Steerable Pyramid分解和重构的基本原理。采用softLMAP阈值将其应用于地震数据随机噪声衰减中,进行了仿真计算和实际资料的处理并与自适应BayesShrink阈值及小波域softLMAP阈值去噪进行比较。结果证明利用Steerable Pyramid分解softLMAP阈值能比较彻底地去掉噪声,去噪后的图像边缘保持良好,滤除噪声同时还保留了有效部分,去噪效果良好,且易于实现,在地震资料处理中具有一定的可行性和应用前景。     

一种基于中心矩和相关系数阈值的SVD重构算法

传统的奇异值分解(SVD)去噪框架中,有效秩阶次是影响去噪效果的关键因素,对此提出一种无须选择有效秩阶次的SVD重构算法以进一步增强去噪性能.针对Hankel矩阵结构确定问题,引入中心矩的概念重新确定矩阵结构,从而减少SVD计算量;提出相关系数阈值选择有用分量实现信号重构,可最大程度保留原始信号的信息.应用该方法对一台电力变压器实测极化电流进行去噪处理.实验结果表明,该方法去噪性能优于传统SVD方法,且不需要选择有效秩阶次,信号有效分量损失较小,在强噪声背景下也能取得较好的去噪效果.     

基于IMF聚合与SVD的城轨车辆牵引电机轴承故障诊断

为有效提取城市轨道车辆牵引电机轴承的故障特征,提出一种基于本征模式分量(IMF)聚合与奇异值分解(SVD)相结合的轴承故障诊断方法.该方法首先运用经验模式分解(EMD)将原始振动信号分解成一系列本征模式分量;其次在利用皮尔逊积矩法进行本征模式分量的筛选后将剩余的分量聚合重构,再将重构信号运用奇异值分解降噪;最后对降噪信号进行Hilbert谱分析,实现轴承故障特征向量的提取.城市轨道车辆牵引电机轴承实测数据的分析结果表明该方法能够有效提取故障特征信号,对轴承故障进行有效的诊断.     

自适应多尺度SVD去噪算法及在PQMD中的应用

为了提高电能质量复合扰动（PQMD）信号的去噪指标,实现扰动信号特征的准确检测,提出一种自适应多尺度SVD（Adaptive Multi-resolution Singular Value Decomposition,AMSVD）去噪新算法及数学框架。该算法首先分析了高斯白噪声奇异值分布情况及多尺度SVD消噪原理,针对不同尺度下的噪声近似与细节信号奇异值差值规律,确定出最佳消噪尺度的约束条件,由此实现噪声先验信息未知的自适应消噪方法。研究结果表明,在对不同噪声方差下的电能质量复合扰动去噪处理中,AMSVD消噪效果优于其他5种方法。为了进一步验证AMSVD算法去噪后特征量检测的准确性,采用希尔伯特黄变换（HHT）提取扰动特征信息,仿真结果表明该算法具有可行性和鲁棒性。     

RSVP与SSVEP混合脑电信号刺激与多类事件检测

提出一种新的基于快速序列视觉呈现（Rapid Serial Visual Presentation,RSVP）与稳态视觉诱发电位（Steady-State Visually Evoked Potential,SSVEP）组合范式的脑电信号（Electroencephalogram,EEG）刺激与多类事件检测方法。对诱发的原始脑电信号通过电位重参考、基线去除、空间滤波等预处理操作去除数据的伪迹和噪声,通过自举聚合决策树（Bagging Tree,BT）和支持向量机（Supported Vector Machine,SVM）等机器学习算法,对14名受试者双重刺激诱发的脑电信号进行目标与频率相结合的多类事件检测,通过实验验证了该组合范式诱发的脑电信号具有良好的多类可分性,为开发基于RSVP和SSVEP两种范式的混合型脑-机接口应用提供了一种新的有效途径。同时,实验结果还表明,基于机器学习的BT和SVM模型对RSVP和SSVEP组合范式诱发的EEG信号进行多类识别的性能明显优于传统的典型关联分析（Canonical Correlation Analysis,CCA）算法的性能。     

液晶显示器斑痕缺陷高质量背景建模

针对目前液晶显示器斑痕(LCD-Mura)缺陷背景抑制检测中重建的背景存在引入性噪声干扰和目标缺损的问题,提出一种基于奇异值分解(SVD)和最大熵的缺陷图像背景建模方法:通过SVD图像像素矩阵,求得奇异值序列;借助矩阵范式推导出图像分量与奇异值的对应关系,进而以图像各分量奇异值所占比率计算各分量的熵值,以此利用最大熵确定重建背景的有效奇异值;再由矩阵重构得到背景,并进一步提出关于背景重建效果评价的一般方法。相比双三次B样条曲线拟合方法,该方法将区域Mura的对比度最少提升0.59倍,提升线Mura对比度最多达到7.71倍;相比离散余弦变换(DCT)方法,该方法将点Mura的噪声最少降低33.8%,将线Mura噪声降低76.76%。仿真结果表明,该模型具有低噪、低损和高亮的优点,能够更为准确地构建出缺陷图像的背景信息。     

Binary-Positive下的并行化CURE算法

当CURE算法在处理不均匀的海量数据时,针对随机抽样不具有代表性的问题,提出了一种健壮的并行化改进算法。该算法使用Binary-Positive算法得到原始数据的有效属性,并利用MapReduce并行框架对有效数据进行层次聚类,从而实现了正确率与效率的一种权衡。实验分析表明,改进后的CURE算法具有更高的执行效率,且聚类效果良好。     

全变分原理在地震数据去噪中的应用

地震图像资料的解释和后续处理中的重点环节是如何有效地降除地震资料记录中的噪声。高效的地震资料降噪算法在较好降除噪声的同时可以将图像的边缘信息予以较好的保留。论文首先全面地介绍了全变分去噪模型,同时详细介绍了参数的选取方法,最后进行实验和模型验证。结合小波阈值降噪方法进行比较,实验结果表明全变分降噪方法在很好地消除地震信号图像中的噪声,大面积提高信号剖面质量的同时,可以有效提高地震资料的信噪比。     

基于DCT和SVD变换的盲数字水印算法

结合奇异值分解（SVD）变换,提出一种基于DCT域内DC分量的数字盲水印算法。对原图像进行8×8分块DCT变换,对DC系数集合进行2×2分块的SVD变换,使用量化步长Q量化每个小块对应的最大奇异值,向量化后的结果嵌入水印。由于选择DC系数进行SVD变换,且SVD变换结果表现的是图像的内蕴特性而非视觉特性,故算法具有较高的稳健性和透明性。实验表明,该算法可以有效地抵抗中值滤波、JPEG压缩、噪声等常规篡改处理,水印的提取不需要原始图像参与,执行起来简单方便。     

一种点云数据噪声点的随机滤波处理方法

目前逆向工程中广泛采用激光扫描法来获取数据，测量过程中不可避免地混有不合理的噪声点，导致重构的曲线、曲面不光滑，因此，需要去除数据中的噪声点。对激光线扫描法获取数据的噪声点处理方法进行了研究。噪声点处理方法与点云数据的排列形式有关，通过对点云数据噪声数学模型的分析，认为激光线扫描法获取数据时，噪声点的产生主要是由随机误差引起的，其特点是幅值大，在光刀扫描线上引起较大的尖峰，据此提出一种简单、快速、实用的降噪方法——随机滤波法。该方法通过比较连续点之间的相对位置，给定一个阈值，将其中位置起伏较大的点判定为噪声点并予以去除。通过实例验证该方法能满足曲线、曲面重构的要求。     

基于递归定量分析的视听脑电应用研究

视听觉整合的脑电信号研究丰富了脑认知领域的内容，但是现有的脑电信号分析方法大部分是基于线性的分析方法，同时对数据的信噪比要求较高。而基于相空间重构的排序递归图的递归定量分析方法对被测信号的噪声要求较低，并且是基于非线性的分析方法，为视听觉整合的研究提供了新的分析方法。设计不同视听刺激范式的实验，采集被试在不同刺激范式下的脑电数据。对预处理后的数据进行相空间重构，得到排序递归图。以递归率和确定性作为整合效果的分析参数。实验结果表明，该方法可以有效地从非线性角度分析视听觉整合效果，具有较高的准确性。