大地電磁探測法以天然場作為源信號,被廣泛用于地球深部探測。但是,天然的大地電磁信號微弱、不穩定且隨機,因此容易受到人文噪聲的影響。本文利用自組織競爭神經網絡(Self-organizing competitive neural network,SCNN)結合小生境粒子群(Niche particle swarm optimization,NPSO)-正交匹配追蹤(Orthogonal matching pursuit,OMP)稀疏分解的方法進行大地電磁高質量數據提取以及大尺度噪聲分離,主要研究工作如下:(1)系統的分析了高質量大地電磁數據與受強人文噪聲污染的大地電磁數據在時間域的特征。對采集的大地電磁時間序列進行合理的分段(每一段為一個樣本),標記出高質量樣本與低信噪比樣本。然后計算每個樣本的峰值、均方根值、方差、標準差、樣本熵、模糊熵等特征參數。發現高質量樣本與低信噪比樣本有著明顯不同的特征值。(2)利用自組織競爭神經網絡算法代替人工判別,實現自動化的信噪辨識。人工判別需要工作人員具有較豐富的經驗,不僅工作量大,且存在不同工作人員評判標準不一等問題。為此,研究了基于自組織競爭神經網絡...

【文章頁數】：83 頁

【學位級別】：碩士

【部分圖文】：

圖2-7前后15分鐘每20s的數據峰值分布情況

碩士學位論文12數據按每20s分段，則可分成45段，由測點TS4道采樣頻率為150Hz可知，每段的采樣點數為3000。再計算出每一段的峰值、均方根值、方差值、標準差值、樣本熵值以及模糊熵值以此來做分析。圖2-7前后15分鐘每20s的數據峰值分布情況圖2-7為選取EX道前后15分鐘....

圖2-8前后15分鐘每20s的數據均方根值分布情況

碩士學位論文12數據按每20s分段，則可分成45段，由測點TS4道采樣頻率為150Hz可知，每段的采樣點數為3000。再計算出每一段的峰值、均方根值、方差值、標準差值、樣本熵值以及模糊熵值以此來做分析。圖2-7前后15分鐘每20s的數據峰值分布情況圖2-7為選取EX道前后15分鐘....

圖2-9前后15分鐘每20s的數據方差值分布情況

基于稀疏度自適應和NPSO-OMP的大地電磁強干擾壓制13到干擾的數據分成45段后每一段數據的均方根值分布情況，由圖2-8可知前15分鐘高質量數據段的均方根值主要分布在1000一下，波動幅度不大，數據光滑平穩，而受到干擾的數據段均方根值基本分布在2000以上，每一個點的均方根值均....

圖2-10前后15分鐘每20s的數據標準差值分布情況

基于稀疏度自適應和NPSO-OMP的大地電磁強干擾壓制13到干擾的數據分成45段后每一段數據的均方根值分布情況，由圖2-8可知前15分鐘高質量數據段的均方根值主要分布在1000一下，波動幅度不大，數據光滑平穩，而受到干擾的數據段均方根值基本分布在2000以上，每一個點的均方根值均....

本文編號：3993132