CN104699949B - 一种基于混沌退火小波硬阈值法xlpe电缆局部放电消噪方法 - Google Patents
一种基于混沌退火小波硬阈值法xlpe电缆局部放电消噪方法 Download PDFInfo
- Publication number
- CN104699949B CN104699949B CN201510022905.3A CN201510022905A CN104699949B CN 104699949 B CN104699949 B CN 104699949B CN 201510022905 A CN201510022905 A CN 201510022905A CN 104699949 B CN104699949 B CN 104699949B
- Authority
- CN
- China
- Prior art keywords
- mrow
- msub
- msup
- wavelet
- chaos
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
Landscapes
- Testing Relating To Insulation (AREA)
Abstract
一种基于混沌退火小波硬阈值法XLPE电缆局部放电消噪方法：S1，输入XLPE电缆的局部放电信号；S2，选择db5小波基函数，分解层次J设置为5层，小波分解得到低频系数C(j,n)和高频系数W(j,n)；S3，采用广义交叉验证准则作为选取阈值的评估条件；S4，运用混沌优化方法进行全局粗搜索，采用Logistic映射作为混沌优化序列；S5，运用模拟退火原理进行细搜索，采用渐进收缩扰动方式，将有效的促进算法收敛；S6，根据混沌退火算法选取最优硬阈值，对小波系数进行硬阈值处理，得处理后的小波系数为W(j,n)’，进行小波重构；S7，对消噪效果进行评估，采用消噪后的信噪比(SNR)和均方根误差(RMSE)作为标准；S8，输出消噪后的XLPE电缆局部放电信号。本发明能实现智能化消噪。
Description
技术领域
本发明涉及一种XLPE电缆局部放电信号的消噪方法，尤其涉及一种基于混沌退火小波硬阈值法的XLPE电缆局部放电信号消噪方法。
背景技术
交联聚乙烯(XLPE)电缆自问世以来，其所具有的绝缘性能好、供电安全可靠、易于制造和安装方便等特点，使其在电力系统得到了广泛地应用。随着XLPE电缆运行时间的增长，以及交联聚乙烯材料老化造成的电缆绝缘击穿事故与日俱增，XLPE电缆的绝缘状况越来越受到供电运行部门的重视。
在现场检测条件下，XLPE电缆的局部放电检测会受到多种噪声源的干扰，导致检测信号的信噪比很低，严重影响到检测的可靠性。因此，如何消除现场噪声成为局部放电检测研究中的首要任务。
用于局部放电信号小波消噪的主要方法是阈值法。小波阈值选择会造成消噪信号畸变，因此，阈值选择是小波消噪效果优劣的关键问题。
发明内容
本发明所要解决的技术问题，就是提供一种基于混沌退火小波硬阈值法的XLPE电缆局部放电信号消噪方法，它可以将全局混沌粗搜索与局部模拟退火细搜索相结合，以广义交叉验证准则为评估函数选取阈值，对小波硬阈值进行全局搜索寻优，进而提高特高频局部放电信号的消噪水平，实现智能化消噪。
解决上述技术问题，本发明采用如下的技术方案：
一种基于混沌退火小波硬阈值法的XLPE电缆局部放电消噪方法，其特征在于包括下述步骤：
S1，输入XLPE电缆的局部放电信号；
S2，选择db5小波基函数，分解层次J设置为5层，小波分解得到低频系数C(j,n)和高频系数W(j,n)；
S3，采用广义交叉验证准则作为选取阈值的评估条件；
把小波系数值的绝对值与阈值进行比较，小于或等于阈值的点变为0，大于阈值的点变为该点值与阈值的差值，如式(1)：
其中，W为原始小波系数值，Wδ为阈值化的小波系数值，δ为阈值，sgn为符号函数；
风险评估函数定义为式(2)：
其中，No是小波系数被置为0的个数，N是小波系数的总个数；
对于大量的小波系数，GCV(δ)最小的同时，也使得均方差函数R(δ)最小化；
其中，V是无噪声干扰时的小波系数矢量；
S4，运用混沌优化方法进行全局粗搜索，采用Logistic映射作为混沌优化序列，如公式(4)：
X(n+1)＝μX(n)(1-X(n)),(n＝0,1,…,N) (4)
其中，X(0)＝0.5，μ＝4。由Logistic映射得到的混沌变量X(n)通过式(5)，变换到阈值的变化域中：
X(n)′＝αX(n),(n＝0,1,…,N) (5)
于是，针对小波阈值寻优问题，α即小波阈值的初始值δ0，混沌粗搜索寻优的公式表示如式(6)所示：
δn,k′＝Tk′δ0X(n),n,k＝0,1…,N (6)
式中，T′为模拟退火状态产生函数；
S5，运用模拟退火原理进行细搜索，采用渐进收缩扰动方式，将有效的促进算法收敛；
随机扰动为跳变性的优化模式，即目标函数值与结构元的扰动幅度成正相关；
设可变范围[0,1]的T变换后的新解为：
其中，Γ是[0,1]上的随机数，gmax为初始接受率时的最大目标函数，S是决定扰动步幅收缩程度的调节参数，取值为1.5；
状态接受函数采用min{1,exp(-Δ/δ′)}＞random[0,1]作为接受新状态的条件，其中Δ为新旧状态的目标值差；同时及时更新最优状态以免遗失最优解；
算法终止准则：若满足连续50代最优解无变化，则算法停止工作；
S6，根据混沌退火算法选取最优硬阈值，对小波系数进行硬阈值处理，根据公式(1)得处理后的小波系数为W(j,n)’，按C(j,n)和W(j,n)’进行小波重构；
S7，对消噪效果进行评估，采用消噪后的信噪比(SNR)和均方根误差(RMSE)作为标准
1)均方根误差
式中，S为真实信号，为消噪后信号，N为信号长度；
2)消噪后信噪比
式中，var(Si)为原始信号的方差，其表达式如下所示：
其中，
S8，输出消噪后的XLPE电缆局部放电信号。
有益效果：本发明引入混沌退火理论，对小波硬阈值进行优化处理，在保持传统阈值消噪方法优势的基础上，效果提高显著，可针对不同的XLPE电缆局部放电信号进行消噪处理，有利于XLPE电缆智能化诊断，提高检测的准确性。
附图说明
图1为XLPE电缆局部放电信号消噪处理流程框架图；
图2为现场XLPE电缆局部放电信号图；
图3为本发明方法消噪后得到的局部放电信号图。
具体实施方式
参见图1，本发明的基于混沌退火小波硬阈值法的XLPE电缆局部放电消噪方法，包括下述步骤：
(1)输入广东佛山某处XLPE电缆的局部放电信号，参见图2；
(2)选择的小波基函数为db5小波，并确定分解层次为5层，小波分解得到低频系数C(j,n)和高频系数W(j,n)；
(3)硬阈值评估函数，采用广义交叉验证准则作为选取阈值的评估条件，对于大量的小波系数，GCV(δ)最小的同时，也使得均方差函数R(δ)最小化。
(4)运用混沌优化方法进行全局粗搜索，采用Logistic映射作为本文混沌优化序列，Logistic映射完全处于混沌状态，且X(n)在(0,1)内全局遍历。由于混沌状态具有对初始值极其敏感的特点，取不同初始值，就可得到不同轨迹的混沌变量，本文取X(0)＝0.5。
(5)运用模拟退火原理进行细搜索，采用渐进收缩扰动方式，将有效的促进算法收敛。退火代数设置为150代，随机扰动可视为跳变性的优化模式，即目标函数值与结构元的扰动幅度成正相关。S是决定扰动步幅收缩程度的调节参数，取S＝1.5。这样选取的函数允许偏差(g值)较大时，通过大的扰动跳出局部最小值，从而搜索域转向可能具有优化潜力的解空间，当偏差较小时逐渐收缩扰动步幅，以保护较优解不被分化破坏，并向最优解方向逼近。
(6)根据混沌退火算法选取最优硬阈值，对小波系数进行硬阈值处理，根据公式(1)可得，处理后的小波系数为W(j,n)’，按C(j,n)和W(j,n)’进行小波重构；
(7)对消噪效果进行评估，采用的是消噪后的信噪比(SNR)和均方根误差(RMSE)作为标准。均方根误差越小，说明消噪效果越好。消噪后信噪比越高，说明消噪效果和质量越好。本发明方法对采集的原始XLPE局部放电信号进行评估，计算得到均方根误差为32.2097，消噪后的信噪比为48.4141。
(8)输出消噪后的XLPE电缆局部放电信号，参见图3。
Claims (2)
1.一种基于混沌退火小波硬阈值法的XLPE电缆局部放电消噪方法，其特征在于包括下述步骤：
S1，输入XLPE电缆的局部放电信号；
S2，选择db5小波基函数，分解层次J设置为5层，小波分解得到低频系数C(j,n)和高频系数W(j,n)；
S3，采用广义交叉验证准则作为选取阈值的评估条件；
把小波系数值的绝对值与阈值进行比较，小于或等于阈值的点变为0，大于阈值的点变为该点值与阈值的差值，如式(1)：
<mrow>
<msub>
<mi>W</mi>
<mi>&delta;</mi>
</msub>
<mo>=</mo>
<mfenced open = "{" close = "">
<mtable>
<mtr>
<mtd>
<mrow>
<mi>W</mi>
<mo>,</mo>
<mo>|</mo>
<mi>W</mi>
<mo>|</mo>
<mo>></mo>
<mi>&delta;</mi>
</mrow>
</mtd>
</mtr>
<mtr>
<mtd>
<mrow>
<mn>0</mn>
<mo>,</mo>
<mo>|</mo>
<mi>W</mi>
<mo>|</mo>
<mo>&le;</mo>
<mi>&delta;</mi>
</mrow>
</mtd>
</mtr>
</mtable>
</mfenced>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>1</mn>
<mo>)</mo>
</mrow>
</mrow>
其中，W为原始小波系数值，Wδ为阈值化的小波系数值，δ为阈值，sgn为符号函数；
风险评估函数定义为式(2)：
<mrow>
<mi>G</mi>
<mi>C</mi>
<mi>V</mi>
<mrow>
<mo>(</mo>
<mi>&delta;</mi>
<mo>)</mo>
</mrow>
<mo>=</mo>
<mfrac>
<mrow>
<mi>N</mi>
<mo>|</mo>
<mo>|</mo>
<mi>W</mi>
<mo>-</mo>
<msub>
<mi>W</mi>
<mi>&delta;</mi>
</msub>
<mo>|</mo>
<msup>
<mo>|</mo>
<mn>2</mn>
</msup>
</mrow>
<msubsup>
<mi>N</mi>
<mn>0</mn>
<mn>2</mn>
</msubsup>
</mfrac>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>2</mn>
<mo>)</mo>
</mrow>
</mrow>
其中，No是小波系数被置为0的个数，N是小波系数的总个数；
对于大量的小波系数，GCV(δ)最小的同时，也使得均方差函数R(δ)最小化；
<mrow>
<mi>R</mi>
<mrow>
<mo>(</mo>
<mi>&delta;</mi>
<mo>)</mo>
</mrow>
<mo>=</mo>
<mfrac>
<mn>1</mn>
<mi>N</mi>
</mfrac>
<mo>|</mo>
<mo>|</mo>
<msub>
<mi>W</mi>
<mi>&delta;</mi>
</msub>
<mo>-</mo>
<mi>V</mi>
<mo>|</mo>
<msup>
<mo>|</mo>
<mn>2</mn>
</msup>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>3</mn>
<mo>)</mo>
</mrow>
</mrow>
其中，V是无噪声干扰时的小波系数矢量；
S4，运用混沌优化方法进行全局粗搜索，采用Logistic映射作为混沌优化序列，如公式(4)：
X(n+1)＝μX(n)(1-X(n)),(n＝0,1,…,N) (4)
其中，X(0)＝0.5，μ＝4；由Logistic映射得到的混沌变量X(n)通过式(5)，变换到阈值的变化域中：
X(n)′＝αX(n),(n＝0,1,…,N) (5)
于是，针对小波阈值寻优问题，α即小波阈值的初始值δ0，混沌粗搜索寻优的公式表示如式(6)所示：
δn,k′＝Tk′δ0X(n),n,k＝0,1…,N (6)
式中，T′为模拟退火状态产生函数；
S5，运用模拟退火原理进行细搜索，采用渐进收缩扰动方式促进算法收敛；
S6，根据混沌退火算法选取最优硬阈值，对小波系数进行硬阈值处理，根据公式(1)得处理后的小波系数为W(j,n)’，按C(j,n)和W(j,n)’进行小波重构；
S7，对消噪效果进行评估，采用消噪后的信噪比(SNR)和均方根误差(RMSE)作为标准
1)均方根误差
<mrow>
<mi>R</mi>
<mi>M</mi>
<mi>S</mi>
<mi>E</mi>
<mo>=</mo>
<msup>
<mrow>
<mo>(</mo>
<mfrac>
<mn>1</mn>
<mi>N</mi>
</mfrac>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>i</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>N</mi>
</munderover>
<msup>
<mrow>
<mo>(</mo>
<mrow>
<msub>
<mi>S</mi>
<mi>i</mi>
</msub>
<mo>-</mo>
<msub>
<mover>
<mi>S</mi>
<mo>^</mo>
</mover>
<mi>i</mi>
</msub>
</mrow>
<mo>)</mo>
</mrow>
<mn>2</mn>
</msup>
<mo>)</mo>
</mrow>
<mrow>
<mn>1</mn>
<mo>/</mo>
<mn>2</mn>
</mrow>
</msup>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>9</mn>
<mo>)</mo>
</mrow>
</mrow>
式中，S为真实信号，为消噪后信号，N为信号长度；
2)消噪后信噪比
<mrow>
<mi>S</mi>
<mi>N</mi>
<mi>R</mi>
<mo>=</mo>
<mn>10</mn>
<mi>lg</mi>
<mrow>
<mo>(</mo>
<mfrac>
<mrow>
<mi>var</mi>
<mrow>
<mo>(</mo>
<msub>
<mi>S</mi>
<mi>i</mi>
</msub>
<mo>)</mo>
</mrow>
</mrow>
<msup>
<mrow>
<mo>(</mo>
<mi>R</mi>
<mi>M</mi>
<mi>S</mi>
<mi>E</mi>
<mo>)</mo>
</mrow>
<mn>2</mn>
</msup>
</mfrac>
<mo>)</mo>
</mrow>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>10</mn>
<mo>)</mo>
</mrow>
</mrow>
式中，var(Si)为原始信号的方差，其表达式如下所示：
<mrow>
<mi>var</mi>
<mrow>
<mo>(</mo>
<msub>
<mi>S</mi>
<mi>i</mi>
</msub>
<mo>)</mo>
</mrow>
<mo>=</mo>
<mfrac>
<mn>1</mn>
<mi>N</mi>
</mfrac>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>i</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>N</mi>
</munderover>
<msup>
<mrow>
<mo>(</mo>
<msub>
<mi>S</mi>
<mi>i</mi>
</msub>
<mo>-</mo>
<mover>
<mi>S</mi>
<mo>&OverBar;</mo>
</mover>
<mo>)</mo>
</mrow>
<mn>2</mn>
</msup>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>11</mn>
<mo>)</mo>
</mrow>
</mrow>
其中，
S8，输出消噪后的XLPE电缆局部放电信号。
2.根据权利要求1所述的基于混沌退火小波硬阈值法的XLPE电缆局部放电消噪方法，其特征在于：所述的步骤S5具体为：
设可变范围[0,1]的T变换后的新解为：
<mrow>
<msup>
<mi>T</mi>
<mo>&prime;</mo>
</msup>
<mo>=</mo>
<mfenced open = "{" close = "">
<mtable>
<mtr>
<mtd>
<mrow>
<mi>T</mi>
<mo>+</mo>
<mi>&Delta;</mi>
<mrow>
<mo>(</mo>
<mi>g</mi>
<mo>,</mo>
<msub>
<mi>T</mi>
<mi>max</mi>
</msub>
<mo>-</mo>
<mi>T</mi>
<mo>)</mo>
</mrow>
<mo>,</mo>
<mi>&Gamma;</mi>
<mo>=</mo>
<mn>0</mn>
</mrow>
</mtd>
</mtr>
<mtr>
<mtd>
<mrow>
<mi>T</mi>
<mo>-</mo>
<mi>&Delta;</mi>
<mrow>
<mo>(</mo>
<mi>g</mi>
<mo>,</mo>
<mi>T</mi>
<mo>)</mo>
</mrow>
<mo>,</mo>
<mi>&Gamma;</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
</mtd>
</mtr>
</mtable>
</mfenced>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>7</mn>
<mo>)</mo>
</mrow>
</mrow>
<mrow>
<mi>&Delta;</mi>
<mrow>
<mo>(</mo>
<mi>g</mi>
<mo>,</mo>
<mi>T</mi>
<mo>)</mo>
</mrow>
<mo>=</mo>
<mi>T</mi>
<mo>[</mo>
<mn>1</mn>
<mo>-</mo>
<msup>
<mi>&Gamma;</mi>
<msup>
<mrow>
<mo>(</mo>
<mi>g</mi>
<mo>/</mo>
<msub>
<mi>g</mi>
<mi>max</mi>
</msub>
<mo>)</mo>
</mrow>
<mi>s</mi>
</msup>
</msup>
<mo>]</mo>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>8</mn>
<mo>)</mo>
</mrow>
</mrow>
其中，Γ是[0,1]上的随机数，gmax为初始接受率时的最大目标函数，S是决定扰动步幅收缩程度的调节参数，取值为1.5；
状态接受函数采用min{1,exp(-Δ/δ′)}＞random[0,1]作为接受新状态的条件，其中Δ为新旧状态的目标值差；同时及时更新最优状态以免遗失最优解；
算法终止准则：若满足连续50代最优解无变化，则算法停止工作。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201510022905.3A CN104699949B (zh) | 2015-01-16 | 2015-01-16 | 一种基于混沌退火小波硬阈值法xlpe电缆局部放电消噪方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201510022905.3A CN104699949B (zh) | 2015-01-16 | 2015-01-16 | 一种基于混沌退火小波硬阈值法xlpe电缆局部放电消噪方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN104699949A CN104699949A (zh) | 2015-06-10 |
| CN104699949B true CN104699949B (zh) | 2017-08-25 |
Family
ID=53347061
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201510022905.3A Active CN104699949B (zh) | 2015-01-16 | 2015-01-16 | 一种基于混沌退火小波硬阈值法xlpe电缆局部放电消噪方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN104699949B (zh) |
Families Citing this family (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106093724B (zh) * | 2016-06-20 | 2019-02-01 | 山东大学 | 一种基于混合粒子群的局部放电小波去噪方法 |
| CN108427063A (zh) * | 2018-02-01 | 2018-08-21 | 国网电力科学研究院武汉南瑞有限责任公司 | 一种基于交叉验证法、经验模态和Teager峭度的首波定位方法 |
| CN108828403A (zh) * | 2018-04-26 | 2018-11-16 | 广东电网有限责任公司 | 电缆测试信号消噪方法、装置及终端 |
| CN113808034B (zh) * | 2021-08-09 | 2023-07-28 | 天津大学 | 一种结合全局阈值的局部自适应小波图像去噪方法 |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102590716A (zh) * | 2012-02-11 | 2012-07-18 | 广东电网公司电力科学研究院 | 一种基于小波分析的电力电缆局部放电信号去噪方法 |
| CN103675617A (zh) * | 2013-11-20 | 2014-03-26 | 西安交通大学 | 一种用于高频局部放电信号检测的抗干扰方法 |
| CN103901330A (zh) * | 2014-04-15 | 2014-07-02 | 上海君世电气科技有限公司 | 一种xlpe电缆局部放电在线监测方法 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| GB0504600D0 (en) * | 2005-03-04 | 2005-04-13 | Univ Strathclyde | Detecting partial discharge in high voltage cables |
-
2015
- 2015-01-16 CN CN201510022905.3A patent/CN104699949B/zh active Active
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102590716A (zh) * | 2012-02-11 | 2012-07-18 | 广东电网公司电力科学研究院 | 一种基于小波分析的电力电缆局部放电信号去噪方法 |
| CN103675617A (zh) * | 2013-11-20 | 2014-03-26 | 西安交通大学 | 一种用于高频局部放电信号检测的抗干扰方法 |
| CN103901330A (zh) * | 2014-04-15 | 2014-07-02 | 上海君世电气科技有限公司 | 一种xlpe电缆局部放电在线监测方法 |
Non-Patent Citations (1)
| Title |
|---|
| XLPE电缆局部放电信号的特征提取及模式识别研究;原美琳;《中国优秀硕士学位论文全文数据库 工程科技II辑》;20110515(第5期);第C042-417 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN104699949A (zh) | 2015-06-10 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| EP3832553A1 (en) | Method for identifying energy of micro-energy device on basis of bp neural network | |
| CN104699949B (zh) | 一种基于混沌退火小波硬阈值法xlpe电缆局部放电消噪方法 | |
| Luo et al. | An ensemble 4D-seismic history-matching framework with sparse representation based on wavelet multiresolution analysis | |
| Wu et al. | Removal of multisource noise in airborne electromagnetic data based on deep learning | |
| Babu et al. | A new fast discrete S‐transform and decision tree for the classification and monitoring of power quality disturbance waveforms | |
| CN103034981B (zh) | 基于多时相数据的遥感影像加权回归恢复方法 | |
| Wu et al. | A deep learning estimation of the earth resistivity model for the airborne transient electromagnetic observation | |
| CN105607122B (zh) | 一种基于全变分地震数据分解模型的地震纹理提取与增强方法 | |
| CN104820993A (zh) | 一种联合粒子滤波和跟踪置前检测的水下弱目标跟踪方法 | |
| Didenkulova | New trends in the analytical theory of long sea wave runup | |
| Deng et al. | A deep learning method based on long short term memory and sliding time window for type recognition and time location of power quality disturbance | |
| CN115359771A (zh) | 一种水声信号降噪方法、系统、设备及存储介质 | |
| Zhao | Improvement on the numerical dispersion of 2-D ADI-FDTD with artificial anisotropy | |
| Albani et al. | Statistical analysis of wind power density based on the Weibull and Rayleigh models of selected site in Malaysia | |
| CN105044680A (zh) | 多峰值低多普勒旁瓣的相位编码信号设计方法 | |
| Chakraborty et al. | Application of hybrid techniques (self-organizing map and fuzzy algorithm) using backscatter data for segmentation and fine-scale roughness characterization of seepage-related seafloor along the western continental margin of India | |
| CN105700019B (zh) | 一种基于Born‑Jordan时频分布的地震信号时频峰值滤波方法 | |
| CN103475608A (zh) | 模拟退火与果蝇混合优化小波广义离散多模盲均衡方法 | |
| Jin et al. | A deep learning enhanced full waveform inversion scheme | |
| Vaghmare et al. | Unsupervised noise removal technique based on constrained NMF | |
| CN105093312A (zh) | 基于频率域多阶微分的地震相对波阻抗预测方法和装置 | |
| CN104618033B (zh) | 一种多层自适应形态滤波重力信号噪声抑制方法 | |
| Shen et al. | An adaptive brightness preserving bi-histogram equalization | |
| Ji | Robust inversion using biweight norm | |
| Ranji et al. | Inter-comparison of recent tide models for the Persian Gulf and Oman Sea |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| C06 | Publication | ||
| PB01 | Publication | ||
| C10 | Entry into substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |