CN111679323A - 一种利用误差矢量优化的微震信号滤波方法和系统 - Google Patents
一种利用误差矢量优化的微震信号滤波方法和系统 Download PDFInfo
- Publication number
- CN111679323A CN111679323A CN202010515497.6A CN202010515497A CN111679323A CN 111679323 A CN111679323 A CN 111679323A CN 202010515497 A CN202010515497 A CN 202010515497A CN 111679323 A CN111679323 A CN 111679323A
- Authority
- CN
- China
- Prior art keywords
- matrix
- eigenvalue
- error
- signal sequence
- power matrix
- 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.)
- Withdrawn
Links
- 238000005457 optimization Methods 0.000 title claims abstract description 62
- 239000013598 vector Substances 0.000 title claims abstract description 44
- 238000000034 method Methods 0.000 title claims abstract description 37
- 238000001914 filtration Methods 0.000 title claims abstract description 36
- 239000011159 matrix material Substances 0.000 claims abstract description 127
- 108010076504 Protein Sorting Signals Proteins 0.000 claims abstract description 71
- RVRCFVVLDHTFFA-UHFFFAOYSA-N heptasodium;tungsten;nonatriacontahydrate Chemical compound O.O.O.O.O.O.O.O.O.O.O.O.O.O.O.O.O.O.O.O.O.O.O.O.O.O.O.O.O.O.O.O.O.O.O.O.O.O.O.[Na+].[Na+].[Na+].[Na+].[Na+].[Na+].[Na+].[W].[W].[W].[W].[W].[W].[W].[W].[W].[W].[W] RVRCFVVLDHTFFA-UHFFFAOYSA-N 0.000 claims abstract description 15
- 238000004364 calculation method Methods 0.000 claims description 30
- 230000000694 effects Effects 0.000 description 7
- 238000012544 monitoring process Methods 0.000 description 7
- 238000001514 detection method Methods 0.000 description 5
- 238000005516 engineering process Methods 0.000 description 5
- 238000011161 development Methods 0.000 description 4
- 239000011435 rock Substances 0.000 description 4
- 238000010586 diagram Methods 0.000 description 3
- 238000009826 distribution Methods 0.000 description 3
- 238000011160 research Methods 0.000 description 3
- NAXKFVIRJICPAO-LHNWDKRHSA-N [(1R,3S,4R,6R,7R,9S,10S,12R,13S,15S,16R,18S,19S,21S,22S,24S,25S,27S,28R,30R,31R,33S,34S,36R,37R,39R,40S,42R,44R,46S,48S,50R,52S,54S,56S)-46,48,50,52,54,56-hexakis(hydroxymethyl)-2,8,14,20,26,32,38,43,45,47,49,51,53,55-tetradecaoxa-5,11,17,23,29,35,41-heptathiapentadecacyclo[37.3.2.23,7.29,13.215,19.221,25.227,31.233,37.04,6.010,12.016,18.022,24.028,30.034,36.040,42]hexapentacontan-44-yl]methanol Chemical compound OC[C@H]1O[C@H]2O[C@H]3[C@H](CO)O[C@H](O[C@H]4[C@H](CO)O[C@H](O[C@@H]5[C@@H](CO)O[C@H](O[C@H]6[C@H](CO)O[C@H](O[C@H]7[C@H](CO)O[C@@H](O[C@H]8[C@H](CO)O[C@@H](O[C@@H]1[C@@H]1S[C@@H]21)[C@@H]1S[C@H]81)[C@H]1S[C@@H]71)[C@H]1S[C@H]61)[C@H]1S[C@@H]51)[C@H]1S[C@@H]41)[C@H]1S[C@H]31 NAXKFVIRJICPAO-LHNWDKRHSA-N 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 2
- 230000014509 gene expression Effects 0.000 description 1
- 230000004807 localization Effects 0.000 description 1
- 238000005065 mining Methods 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 238000010008 shearing Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01V—GEOPHYSICS; GRAVITATIONAL MEASUREMENTS; DETECTING MASSES OR OBJECTS; TAGS
- G01V1/00—Seismology; Seismic or acoustic prospecting or detecting
- G01V1/28—Processing seismic data, e.g. for interpretation or for event detection
- G01V1/36—Effecting static or dynamic corrections on records, e.g. correcting spread; Correlating seismic signals; Eliminating effects of unwanted energy
- G01V1/364—Seismic filtering
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01V—GEOPHYSICS; GRAVITATIONAL MEASUREMENTS; DETECTING MASSES OR OBJECTS; TAGS
- G01V2210/00—Details of seismic processing or analysis
- G01V2210/30—Noise handling
- G01V2210/32—Noise reduction
- G01V2210/324—Filtering
Landscapes
- Engineering & Computer Science (AREA)
- Remote Sensing (AREA)
- Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Acoustics & Sound (AREA)
- Environmental & Geological Engineering (AREA)
- Geology (AREA)
- General Life Sciences & Earth Sciences (AREA)
- General Physics & Mathematics (AREA)
- Geophysics (AREA)
- Ultra Sonic Daignosis Equipment (AREA)
Abstract
本发明的实施例公开一种利用误差矢量优化的微震信号滤波方法和系统，所述方法包括：步骤101获取按时间顺序采集的信号序列S；步骤102求取误差矢量稀疏度P；步骤103求取误差优化调整因子T；步骤104求取误差优化矩阵A；步骤105求取
模误差优化调整因子δ；步骤106求取滤除噪声之后的信号序列Snew。
Description
技术领域
本发明涉及地学领域，尤其涉及一种微震信号滤波方法和系统。
背景技术
水力压裂微震监测技术是近年来在低渗透率储层压裂、油藏驱动和水驱前缘等领域发展起来的一项重要新技术，也是页岩气开发的重要支撑技术。该项技术在邻井中布置多级三分量检波器排列，监测压裂井目的层段在水力压裂过程中所产生的微震事件，反演微震事件求取震源位置等参数，从而描述水力压裂过程中裂缝生长的几何形状及空间分布，实时提供水力压裂产生裂缝的长度、高度、宽度及方位，实现页岩气的工业化开发。水力压裂微震检测是当前页岩气开发领域科学研究的热点和难点。从社会和国家的需求角度考虑，开展微震监测系统方面的研究十分重要，具有重大的社会和经济价值。
微震监测系统中重要的一项工作是微震事件的定位。定位精度是影响微震监测系统应用效果的最为重要的因素，而微震事件定位的准确程度则主要依赖于波动初至(又可称为初至)读取的准确性等有关因素。但问题是，初至拾取并不如想象中的那般简单。受地面仪器采动以及地质构造的影响，岩石破裂形式十分复杂，继而产生各种形式和能量的微震波动，其形式可多达几十甚至上百种，不仅主频、延时和能量等方面有差异，而且在初至位置附近的波形形态差异巨大，这种波形特征的不统一为初至拾取到来了很大困难。进一步的研究还表明，微震震源机制也会影响初至点特征：硬岩剪切作用产生的微震波动大多能量大、主频较高、延时短以及最大峰值位置紧跟初始初至，这类波的初至点清晰、起跳延时短，拾取较为容易；但拉伸作用产生的微震波动大多能量小、主频低、延时长、起跳缓慢、能量分布较为均匀，这类波初至点处振幅较小，容易被干扰信号淹没，初至点的特征表现不一致，初至拾取并不容易；而软岩所产生的微震波动，能量分布集中、初始初至点模糊、分界线不明显，与硬岩有明显的不同，初至拾取也较为困难。同时，根据国外的研究发现，由于P波速度大于S波速度，很多算法想当然地认为初至波为P波，但事实可能更为复杂：初至可能是P波，也可能是S波，甚至还有可能是异常点(outliers)。根据研究，41％的初至为S波，10％的初至是outliers造成的。这些都给初至拾取带来了相当大的难度。
除了初至点特征复杂外，初至拾取还面临着另外一个更大的挑战：微震记录是海量数据。例如，2005年1月某试验区记录了近1万个微震事件。同时为了满足生产需求，微震监测系统需要一天24小时连续记录。不但如此，这些数据中有很大一部分都是人类或者机械活动所造成的噪声和干扰，与微震无关。文献更是将噪声分为三种基本类型：高频(>200Hz)噪声，由各种作业相关活动造成；低频噪声(<10Hz)，通常是由远离记录地点的机器活动造成，以及工业电流(50Hz)。除此之外，微震信号本身也并不纯粹，例如我国学者窦林名教授等认为微震信号包括多种信号。
因此，如何从海量数据中识别微震事件、拾取初至，是微震数据处理的基础。与此形成对比的是，生产上多采取人工方法，费时费力且精度与可靠性差，拾取质量无法保证，也无法处理海量数据。初至自动拾取是解决方法之一，微震波动初至自动拾取是微震监测数据处理的关键技术之一，也是实现微震震源自动定位的技术难点。
发明内容
由于水利压力微震检测工作环境复杂，微震信号遭受到严重的背景噪声干扰，背景噪声呈现出明显的非平稳性和非高斯特性，常用的低通滤波器在非平稳和非高斯噪声环境中难以达到理想的滤波效果，很难滤除非平稳非高斯噪声，严重影响了微震事件检测算法的性能。
本发明的目的是提供一种利用误差矢量优化的微震信号滤波方法和系统，所提出的方法利用了微震信号和背景噪声在信号表示领域中的差异，通过误差矢量优化性质区分微震信号和背景噪声。所提出的方法具有较好的噪声滤除性能，计算也较为简单。
为实现上述目的，本发明提供了如下方案：
一种利用误差矢量优化的微震信号滤波方法，包括：
步骤101 获取按时间顺序采集的信号序列S；
步骤102 求取误差矢量稀疏度P，具体为：所述误差矢量稀疏度P的计算公式为
其中，N为所述信号序列S的长度；σ0为所述信号序列S的均方差；snr为所述信号序列S的信噪比；λmin为功率矩阵B的非零最小特征值；λmax为所述功率矩阵B的最大特征值；所述功率矩阵B的计算公式为
m0为所述信号序列S的均值；
为下取整运算；
步骤103 求取误差优化调整因子T，具体为：所述误差优化调整因子T的计算公式为
其中，λj为所述功率矩阵B的第j个特征值；j为特征值序号，所述特征值序号j的取值范围为j＝1,2,···,P；ωj为第j个权重，所述第j个权重ωj的计算公式为
m0为所述信号序列S的均值；mj为第j个段落均值，所述第j个段落均值mj的计算公式为
so为所述信号序列S的第o个元素；o为元素序号，所述元素序号o的取值范围为o＝1,2,···,P；
步骤104 求取误差优化矩阵A，具体为：所述误差优化矩阵A的计算公式为A＝UΓV。其中，U为所述功率矩阵B的左特征矢量矩阵；V为所述功率矩阵B的右特征矢量矩阵；Γ为误差优化特征值矩阵，所述误差优化特征值矩阵Γ的计算方法为：判断所述功率矩阵B第q个特征值λq是否大于或者等于
得到第一判断结果；如果所述功率矩阵B第q个特征值λq大于或者等于
则所述误差优化特征值矩阵Γ的第q个特征值
为
如果所述功率矩阵B第q个特征值λq小于
则所述误差优化特征值矩阵Γ的第q个特征值
为
q为所述功率矩阵B特征值序号，所述功率矩阵B特征值序号q的取值范围为q＝1,2,···,N；N为所述信号序列S的长度；
步骤105 求取
模误差优化调整因子δ，具体为：所述
模误差优化调整因子δ的计算公式为
步骤106 求取滤除噪声之后的信号序列Snew，具体为：在所有中间参数矢量x中，选择
取值最小的所述中间参数矢量x作为所述滤除噪声之后的信号序列Snew。
一种利用误差矢量优化的微震信号滤波系统，包括：
模块201 获取按时间顺序采集的信号序列S；
模块202 求取误差矢量稀疏度P，具体为：所述误差矢量稀疏度P的计算公式为
其中，N为所述信号序列S的长度；σ0为所述信号序列S的均方差；snr为所述信号序列S的信噪比；λmin为功率矩阵B的非零最小特征值；λmax为所述功率矩阵B的最大特征值；所述功率矩阵B的计算公式为
m0为所述信号序列S的均值；
为下取整运算；
模块203 求取误差优化调整因子T，具体为：所述误差优化调整因子T的计算公式为
其中，λj为所述功率矩阵B的第j个特征值；j为特征值序号，所述特征值序号j的取值范围为j＝1,2,···,P；ωj为第j个权重，所述第j个权重ωj的计算公式为
m0为所述信号序列S的均值；mj为第j个段落均值，所述第j个段落均值mj的计算公式为
so为所述信号序列S的第o个元素；o为元素序号，所述元素序号o的取值范围为o＝1,2,···,P；
模块204 求取误差优化矩阵A，具体为：所述误差优化矩阵A的计算公式为A＝UΓV。其中，U为所述功率矩阵B的左特征矢量矩阵；V为所述功率矩阵B的右特征矢量矩阵；Γ为误差优化特征值矩阵，所述误差优化特征值矩阵Γ的计算方法为：判断所述功率矩阵B第q个特征值λq是否大于或者等于
得到第一判断结果；如果所述功率矩阵B第q个特征值λq大于或者等于
则所述误差优化特征值矩阵Γ的第q个特征值
为
如果所述功率矩阵B第q个特征值λq小于
则所述误差优化特征值矩阵Γ的第q个特征值
为
q为所述功率矩阵B特征值序号，所述功率矩阵B特征值序号q的取值范围为q＝1,2,···,N；N为所述信号序列S的长度；
模块205 求取
模误差优化调整因子δ，具体为：所述
模误差优化调整因子δ的计算公式为
模块206 求取滤除噪声之后的信号序列Snew，具体为：在所有中间参数矢量x中，选择
取值最小的所述中间参数矢量x作为所述滤除噪声之后的信号序列Snew。
根据本发明提供的具体实施例，本发明公开了以下技术效果：
由于水利压力微震检测工作环境复杂，微震信号遭受到严重的背景噪声干扰，背景噪声呈现出明显的非平稳性和非高斯特性，常用的低通滤波器在非平稳和非高斯噪声环境中难以达到理想的滤波效果，很难滤除非平稳非高斯噪声，严重影响了微震事件检测算法的性能。
本发明的目的是提供一种利用误差矢量优化的微震信号滤波方法和系统，所提出的方法利用了微震信号和背景噪声在信号表示领域中的差异，通过误差矢量优化性质区分微震信号和背景噪声。所提出的方法具有较好的噪声滤除性能，计算也较为简单。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例中所需要使用的附图作简单地介绍。显而易见，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1为本发明的方法流程示意图；
图2为本发明的系统流程示意图；
图3为本发明的具体实施案例流程示意图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述。显然，所描述的实施例仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合附图和具体实施方式对本发明作进一步详细的说明。
图1一种利用误差矢量优化的微震信号滤波方法的流程示意图
图1为本发明一种利用误差矢量优化的微震信号滤波方法的流程示意图。如图1所示，所述的一种利用误差矢量优化的微震信号滤波方法具体包括以下步骤：
步骤101 获取按时间顺序采集的信号序列S；
步骤102 求取误差矢量稀疏度P，具体为：所述误差矢量稀疏度P的计算公式为
其中，N为所述信号序列S的长度；σ0为所述信号序列S的均方差；snr为所述信号序列S的信噪比；λmin为功率矩阵B的非零最小特征值；λmax为所述功率矩阵B的最大特征值；所述功率矩阵B的计算公式为
m0为所述信号序列S的均值；
为下取整运算；
步骤103 求取误差优化调整因子T，具体为：所述误差优化调整因子T的计算公式为
其中，λj为所述功率矩阵B的第j个特征值；j为特征值序号，所述特征值序号j的取值范围为j＝1,2,···,P；ωj为第j个权重，所述第j个权重ωj的计算公式为
m0为所述信号序列S的均值；mj为第j个段落均值，所述第j个段落均值mj的计算公式为
so为所述信号序列S的第o个元素；o为元素序号，所述元素序号o的取值范围为o＝1,2,···,P；
步骤104 求取误差优化矩阵A，具体为：所述误差优化矩阵A的计算公式为A＝UΓV。其中，U为所述功率矩阵B的左特征矢量矩阵；V为所述功率矩阵B的右特征矢量矩阵；Γ为误差优化特征值矩阵，所述误差优化特征值矩阵Γ的计算方法为：判断所述功率矩阵B第q个特征值λq是否大于或者等于
得到第一判断结果；如果所述功率矩阵B第q个特征值λq大于或者等于
则所述误差优化特征值矩阵Γ的第q个特征值
为
如果所述功率矩阵B第q个特征值λq小于
则所述误差优化特征值矩阵Γ的第q个特征值
为
q为所述功率矩阵B特征值序号，所述功率矩阵B特征值序号q的取值范围为q＝1,2,···,N；N为所述信号序列S的长度；
步骤105 求取
模误差优化调整因子δ，具体为：所述
模误差优化调整因子δ的计算公式为
步骤106 求取滤除噪声之后的信号序列Snew，具体为：在所有中间参数矢量x中，选择
取值最小的所述中间参数矢量x作为所述滤除噪声之后的信号序列Snew。
图2一种利用误差矢量优化的微震信号滤波系统的结构意图
图2为本发明一种利用误差矢量优化的微震信号滤波系统的结构示意图。如图2所示，所述一种利用误差矢量优化的微震信号滤波系统包括以下结构：
模块201 获取按时间顺序采集的信号序列S；
模块202 求取误差矢量稀疏度P，具体为：所述误差矢量稀疏度P的计算公式为
其中，N为所述信号序列S的长度；σ0为所述信号序列S的均方差；snr为所述信号序列S的信噪比；λmin为功率矩阵B的非零最小特征值；λmax为所述功率矩阵B的最大特征值；所述功率矩阵B的计算公式为
m0为所述信号序列S的均值；
为下取整运算；
模块203 求取误差优化调整因子T，具体为：所述误差优化调整因子T的计算公式为
其中，λj为所述功率矩阵B的第j个特征值；j为特征值序号，所述特征值序号j的取值范围为j＝1,2,···,P；ωj为第j个权重，所述第j个权重ωj的计算公式为
m0为所述信号序列S的均值；mj为第j个段落均值，所述第j个段落均值mj的计算公式为
so为所述信号序列S的第o个元素；o为元素序号，所述元素序号o的取值范围为o＝1,2,···,P；
模块204 求取误差优化矩阵A，具体为：所述误差优化矩阵A的计算公式为A＝UΓV。其中，U为所述功率矩阵B的左特征矢量矩阵；V为所述功率矩阵B的右特征矢量矩阵；Γ为误差优化特征值矩阵，所述误差优化特征值矩阵Γ的计算方法为：判断所述功率矩阵B第q个特征值λq是否大于或者等于
得到第一判断结果；如果所述功率矩阵B第q个特征值λq大于或者等于
则所述误差优化特征值矩阵Γ的第q个特征值
为
如果所述功率矩阵B第q个特征值λq小于
则所述误差优化特征值矩阵Γ的第q个特征值
为
q为所述功率矩阵B特征值序号，所述功率矩阵B特征值序号q的取值范围为q＝1,2,···,N；N为所述信号序列S的长度；
模块205 求取
模误差优化调整因子δ，具体为：所述
模误差优化调整因子δ的计算公式为
模块206 求取滤除噪声之后的信号序列Snew，具体为：在所有中间参数矢量x中，选择
取值最小的所述中间参数矢量x作为所述滤除噪声之后的信号序列Snew。
下面提供一个具体实施案例，进一步说明本发明的方案
图3为本发明具体实施案例的流程示意图。如图3所示，具体包括以下步骤：
步骤301 获取按时间顺序采集的信号序列S；
步骤302 求取误差矢量稀疏度P，具体为：所述误差矢量稀疏度P的计算公式为
其中，N为所述信号序列S的长度；σ0为所述信号序列S的均方差；snr为所述信号序列S的信噪比；λmin为功率矩阵B的非零最小特征值；λmax为所述功率矩阵B的最大特征值；所述功率矩阵B的计算公式为
m0为所述信号序列S的均值；
为下取整运算；
步骤303 求取误差优化调整因子T，具体为：所述误差优化调整因子T的计算公式为
其中，λj为所述功率矩阵B的第j个特征值；j为特征值序号，所述特征值序号j的取值范围为j＝1,2,···,P；ωj为第j个权重，所述第j个权重ωj的计算公式为
m0为所述信号序列S的均值；mj为第j个段落均值，所述第j个段落均值mj的计算公式为
so为所述信号序列S的第o个元素；o为元素序号，所述元素序号o的取值范围为o＝1,2,···,P；
步骤304 求取误差优化矩阵A，具体为：所述误差优化矩阵A的计算公式为A＝UΓV。其中，U为所述功率矩阵B的左特征矢量矩阵；V为所述功率矩阵B的右特征矢量矩阵；Γ为误差优化特征值矩阵，所述误差优化特征值矩阵Γ的计算方法为：判断所述功率矩阵B第q个特征值λq是否大于或者等于
得到第一判断结果；如果所述功率矩阵B第q个特征值λq大于或者等于
则所述误差优化特征值矩阵Γ的第q个特征值
为
如果所述功率矩阵B第q个特征值λq小于
则所述误差优化特征值矩阵Γ的第q个特征值
为
q为所述功率矩阵B特征值序号，所述功率矩阵B特征值序号q的取值范围为q＝1,2,···,N；N为所述信号序列S的长度；
步骤305 求取
模误差优化调整因子δ，具体为：所述
模误差优化调整因子δ的计算公式为
步骤306 求取滤除噪声之后的信号序列Snew，具体为：在所有中间参数矢量x中，选择
取值最小的所述中间参数矢量x作为所述滤除噪声之后的信号序列Snew。
本说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似部分互相参见即可。对于实施例公开的系统而言，由于其与实施例公开的方法相对应，所以描述较为简单，相关之处参见方法部分说明即可。
本文中应用了具体个例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想；同时，对于本领域的一般技术人员，依据本发明的思想，在具体实施方式及应用范围上均会有改变之处。综上所述，本说明书内容不应理解为对本发明的限制。
Claims (2)
1.所述一种利用误差矢量优化的微震信号滤波方法，其特征在于，包括：
步骤101获取按时间顺序采集的信号序列S；
步骤102求取误差矢量稀疏度P，具体为：所述误差矢量稀疏度P的计算公式为
其中，N为所述信号序列S的长度；σ0为所述信号序列S的均方差；snr为所述信号序列S的信噪比；λmin为功率矩阵B的非零最小特征值；λmax为所述功率矩阵B的最大特征值；所述功率矩阵B的计算公式为
m0为所述信号序列S的均值；
为下取整运算；
步骤103求取误差优化调整因子T，具体为：所述误差优化调整因子T的计算公式为
其中，λj为所述功率矩阵B的第j个特征值；j为特征值序号，所述特征值序号j的取值范围为j＝1,2,···,P；ωj为第j个权重，所述第j个权重ωj的计算公式为
m0为所述信号序列S的均值；mj为第j个段落均值，所述第j个段落均值mj的计算公式为
so为所述信号序列S的第o个元素；o为元素序号，所述元素序号o的取值范围为o＝1,2,···,P；
步骤104求取误差优化矩阵A，具体为：所述误差优化矩阵A的计算公式为A＝UΓV。其中，U为所述功率矩阵B的左特征矢量矩阵；V为所述功率矩阵B的右特征矢量矩阵；Γ为误差优化特征值矩阵，所述误差优化特征值矩阵Γ的计算方法为：判断所述功率矩阵B第q个特征值λq是否大于或者等于
得到第一判断结果；如果所述功率矩阵B第q个特征值λq大于或者等于
则所述误差优化特征值矩阵Γ的第q个特征值
为
如果所述功率矩阵B第q个特征值λq小于
则所述误差优化特征值矩阵Γ的第q个特征值
为
q为所述功率矩阵B特征值序号，所述功率矩阵B特征值序号q的取值范围为q＝1,2,···,N；N为所述信号序列S的长度；
步骤105求取
模误差优化调整因子δ，具体为：所述
模误差优化调整因子δ的计算公式为
步骤106求取滤除噪声之后的信号序列Snew，具体为：在所有中间参数矢量x中，选择
取值最小的所述中间参数矢量x作为所述滤除噪声之后的信号序列Snew。
2.所述一种利用误差矢量优化的微震信号滤波系统，其特征在于，包括：
模块201获取按时间顺序采集的信号序列S；
模块202求取误差矢量稀疏度P，具体为：所述误差矢量稀疏度P的计算公式为
其中，N为所述信号序列S的长度；σ0为所述信号序列S的均方差；snr为所述信号序列S的信噪比；λmin为功率矩阵B的非零最小特征值；λmax为所述功率矩阵B的最大特征值；所述功率矩阵B的计算公式为
m0为所述信号序列S的均值；
为下取整运算；
模块203求取误差优化调整因子T，具体为：所述误差优化调整因子T的计算公式为
其中，λj为所述功率矩阵B的第j个特征值；j为特征值序号，所述特征值序号j的取值范围为j＝1,2,···,P；ωj为第j个权重，所述第j个权重ωj的计算公式为
m0为所述信号序列S的均值；mj为第j个段落均值，所述第j个段落均值mj的计算公式为
so为所述信号序列S的第o个元素；o为元素序号，所述元素序号o的取值范围为o＝1,2,···,P；
模块204求取误差优化矩阵A，具体为：所述误差优化矩阵A的计算公式为A＝UΓV。其中，U为所述功率矩阵B的左特征矢量矩阵；V为所述功率矩阵B的右特征矢量矩阵；Γ为误差优化特征值矩阵，所述误差优化特征值矩阵Γ的计算方法为：判断所述功率矩阵B第q个特征值λq是否大于或者等于
得到第一判断结果；如果所述功率矩阵B第q个特征值λq大于或者等于
则所述误差优化特征值矩阵Γ的第q个特征值
为
如果所述功率矩阵B第q个特征值λq小于
则所述误差优化特征值矩阵Γ的第q个特征值
为
q为所述功率矩阵B特征值序号，所述功率矩阵B特征值序号q的取值范围为q＝1,2,···,N；N为所述信号序列S的长度；
模块205求取
模误差优化调整因子δ，具体为：所述
模误差优化调整因子δ的计算公式为
模块206求取滤除噪声之后的信号序列Snew，具体为：在所有中间参数矢量x中，选择
取值最小的所述中间参数矢量x作为所述滤除噪声之后的信号序列Snew。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010515497.6A CN111679323A (zh) | 2020-06-09 | 2020-06-09 | 一种利用误差矢量优化的微震信号滤波方法和系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010515497.6A CN111679323A (zh) | 2020-06-09 | 2020-06-09 | 一种利用误差矢量优化的微震信号滤波方法和系统 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN111679323A true CN111679323A (zh) | 2020-09-18 |
Family
ID=72435565
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010515497.6A Withdrawn CN111679323A (zh) | 2020-06-09 | 2020-06-09 | 一种利用误差矢量优化的微震信号滤波方法和系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111679323A (zh) |
-
2020
- 2020-06-09 CN CN202010515497.6A patent/CN111679323A/zh not_active Withdrawn
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110146920B (zh) | 基于幅值相对变化的微震事件检测方法和系统 | |
| CN110146918B (zh) | 基于分群的微震事件检测方法和系统 | |
| CN110794456A (zh) | 一种利用高斯模型的微震信号重构方法和系统 | |
| CN111596362A (zh) | 一种利用拉格朗日因子的微震信号滤波方法和系统 | |
| CN110703321B (zh) | 一种利用字典理论的微震事件检测方法和系统 | |
| CN110361779B (zh) | 一种基于卡方分布的微震事件检测方法和系统 | |
| CN110703319B (zh) | 一种基于Khinchin-Einstein定理的微震事件检测方法和系统 | |
| CN111679321A (zh) | 一种利用泛化梯度的微震信号重构方法和系统 | |
| CN111856563A (zh) | 一种利用转换稀疏性的微震信号重构方法和系统 | |
| CN111596367A (zh) | 一种利用子空间学习优化的微震信号重构方法和系统 | |
| CN110161560B (zh) | 一种微震事件的检测方法和装置 | |
| CN111679323A (zh) | 一种利用误差矢量优化的微震信号滤波方法和系统 | |
| CN110703324A (zh) | 一种利用随机字典表示的微震事件检测方法和系统 | |
| CN112257560B (zh) | 一种利用累积相似性的微震事件检测方法和系统 | |
| CN112394403B (zh) | 一种利用边缘探测的微震事件检测方法和系统 | |
| CN110685665A (zh) | 一种基于边界探测的微震事件检测方法和系统 | |
| CN110146921B (zh) | 基于狄拉克分布概率的微震事件检测方法和系统 | |
| CN111679322A (zh) | 一种利用l1模优化的微震信号滤波方法和系统 | |
| CN111596361A (zh) | 一种利用局限点的微震信号滤波方法和系统 | |
| CN110333530B (zh) | 一种微震事件检测方法和系统 | |
| CN110146919B (zh) | 基于正交投影的微震事件检测方法和系统 | |
| CN111614344A (zh) | 一种利用近端梯度的微震信号滤波方法和系统 | |
| CN112257565B (zh) | 一种利用最大Hull距离的微震事件检测方法和系统 | |
| CN112162320A (zh) | 一种利用相似时间窗口的微震事件检测方法和系统 | |
| CN112180439A (zh) | 一种利用凸函数优化的微震事件检测方法和系统 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| WW01 | Invention patent application withdrawn after publication |
Application publication date: 20200918 |
|
| WW01 | Invention patent application withdrawn after publication |