CN111985383A - 基于改进变分模态分解的瞬变电磁信号噪声分离识别方法 - Google Patents
基于改进变分模态分解的瞬变电磁信号噪声分离识别方法 Download PDFInfo
- Publication number
- CN111985383A CN111985383A CN202010817219.6A CN202010817219A CN111985383A CN 111985383 A CN111985383 A CN 111985383A CN 202010817219 A CN202010817219 A CN 202010817219A CN 111985383 A CN111985383 A CN 111985383A
- Authority
- CN
- China
- Prior art keywords
- modal
- parameter combination
- transient electromagnetic
- updating
- noise
- 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.)
- Pending
Links
- 230000001052 transient effect Effects 0.000 title claims abstract description 64
- 238000000034 method Methods 0.000 title claims abstract description 51
- 238000000354 decomposition reaction Methods 0.000 title claims abstract description 48
- 238000000926 separation method Methods 0.000 title claims abstract description 22
- 238000005457 optimization Methods 0.000 claims abstract description 19
- 241000283153 Cetacea Species 0.000 claims abstract description 8
- 230000008030 elimination Effects 0.000 claims abstract description 4
- 238000003379 elimination reaction Methods 0.000 claims abstract description 4
- 230000009467 reduction Effects 0.000 claims description 10
- 230000000630 rising effect Effects 0.000 claims description 8
- 230000008569 process Effects 0.000 claims description 6
- 239000000126 substance Substances 0.000 claims description 6
- 150000001875 compounds Chemical class 0.000 claims description 3
- 230000009286 beneficial effect Effects 0.000 abstract 1
- 238000010586 diagram Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 229910052500 inorganic mineral Inorganic materials 0.000 description 2
- 239000011707 mineral Substances 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 230000009466 transformation Effects 0.000 description 2
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 2
- 230000006399 behavior Effects 0.000 description 1
- 239000003795 chemical substances by application Substances 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000011835 investigation Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/02—Preprocessing
- G06F2218/04—Denoising
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Signal Processing (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Noise Elimination (AREA)
Abstract
本发明公开了一种基于改进变分模态分解的瞬变电磁信号噪声分离识别方法,包括:利用鲸鱼优化(WOA)算法对变分模态分解算法中的模态数K和惩罚因子α进行全局搜优,得到最优参数组合;利用得到的最优参数组合对瞬变电磁信号进行变分模态分解(VMD),实现信噪分离;通过改进的巴氏距离算法来识别模态分量中的噪声模态,实现噪声的剔除。本发明的优化方法参数设置简单,所需算子少,大大减少了传统优化方法的工作量;能根据优化参数更加精准地将瞬变电磁信号分解为一系列频率从低到高的模态分量,大大减少传统人为主观选取参数带来的模态混叠问题;计算简便,方便识别,有利于后续的信号重构。
Description
技术领域
本发明涉及信号处理技术领域,更具体地说,涉及一种基于改进变分模态分解的瞬变电磁信号噪声分离识别方法。
背景技术
瞬变电磁法(TEM)作为一种成熟、快速的勘探方法,广泛应用于资源探查、地质研究、环境调查和考古勘探等诸多领域。尤其是在测绘地下水和定位矿产资源方面,取得了巨大的进展,充分满足了全世界对矿产资源和地下水不断增长的需求。不同于其他信号,瞬变电磁信号是一种非线性、非平稳性的信号,而且晚期信号十分微弱。在测量过程中线圈接收的瞬变电磁法二次场信号不可避免地受到自然和人为噪声的干扰,掩盖住有效信号,限制了数据的解释精度,进而影响深部地质信息的反映。
针对瞬变电磁的噪声问题,新兴的信号处理算法——变分模态分解(VMD)算法被应用于该领域,提高了瞬变电磁信号的可靠性和准确性。但VMD方法还存在着一些固有的局限性。如模态数K和惩罚因子α的选择对分解结果来说至关重要,然而,当前选择这两个参数主要依靠人为经验选取或者手动试错选取,不仅浪费时间而且耗费人力,结果也很主观,不能达到最优分解,致使噪声和有效信号混叠在一起,影响噪声的分离和识别。因此,有必要对变分模态分解方法进行改进,提出一种新的瞬变电磁信号噪声分离和识别的方法。
发明内容
本发明解决其技术问题所采用的技术方案是:构造一种基于改进变分模态分解的瞬变电磁信号噪声分离识别方法,包括:
利用鲸鱼优化(WOA)算法对变分模态分解算法中的模态数K和惩罚因子α进行全局搜优,得到最优参数组合;
利用得到的最优参数组合对瞬变电磁信号进行变分模态分解(VMD),实现信噪分离;
通过改进的巴氏距离算法来识别模态分量中的噪声模态,实现噪声的剔除。
其中,在得到最优参数组合的步骤中,包括步骤:
设置模态数K和惩罚因子α的取值范围,并在参数范围内随机选取n组(K,α)的参数组合;
将n组参数依次带入VMD算法中对瞬变电磁信号进行分解,计算分解后模态分量的能量熵和;
选择最小能量熵对应的参数组合为初始的最优参数组合。
其中,在将n组参数依次带入VMD算法中对瞬变电磁信号进行分解的步骤中,利用维纳滤波器、傅里叶等距变换和交替方向乘子算法来迭代搜寻模态分量,把瞬变电磁信号分解为K个模态分量u1,u2,…,uK;
模态分量的迭代公式为:
式中,f(ω)为瞬变电磁信号傅里叶变换的结果,ui(ω)为第i个模态分量傅里叶变换的结果,λ(ω)为拉格朗日乘子的傅里叶变换结果,ωκ为第k个模态分量的中心频率。
其中,在计算分解后模态分量的能量熵和的步骤中,包括步骤:
计算每个模态分量的能量E1,E2,…,EK,将能量求和得到信号的总能量E;
每个模态分量的能量熵表示为:
求和得到总能量熵H=∑kH(uk)。
其中,根据参数更新的情况选择模型,并根据模型类型更新n组参数中的每组参数组合;其中,随机更新参数a、A、l、b、p,根据A和p的大小选择不同模型围绕目标更新第i组参数组合;在更新过程中如果更新的参数结果不在设置的参数范围内,则重新设置a、A、l、b、p参数进行更新,直到符合条件,并计算更新后参数组合对应的能量熵,循环n次,保留n次结果中最小的能量熵;模型包括:环绕包围模型、螺旋上升模型和随机寻找猎物模型;
a、A、l、b、p参数的更新公式为:
当p<0.5且|A|<1时,选择环绕模型,更新步骤为:先计算第i组参数组合与第t次迭代后的最优参数组合的距离,然后再更新第i组参数组合,公式表示为:
式中,i=1,2,…,n,为循环次数;为第t次迭代后的最优参数组合,为第i组参数组合,为更新后的第i组参数组合;当p≥0.5且|A|<1时,选择螺旋上升模型;更新步骤为:计算第i组参数组合与初始的最优参数组合的距离,更新第i组参数组合;公式表示为:
当p<0.5且|A|>1时,选择随机搜索模型;该模型为全局搜索模型,不再以第t次迭代后的最优参数组合为目标进行更新,而是随机选择n组参数组合中的任意一个参数组合为目标进行更新,更新步骤为:计算第i组参数组合与随机选择的参数组合的距离,更新第i组参数组合;公式表示为:
设置迭代次数m,得到m个最优参数组合(K1,α1),(K2,α2),…,(Km,αm)和对应的最小能量熵H1,H2,…,Hm,选择其中最小的能量熵min(H1,H2,…,Hm)对应的参数组合作为最优结果。
其中,通过计算每个模态分量与瞬变电磁原始信号的巴氏距离:D1,D2,…,Dk,来度量模态分量和瞬变电磁信号之间的相似性:
Di=-ln[BC(D(ui),D(x))]
计算相邻巴氏距离之间的斜率:θ1,θ2,…,θk-1;根据最大斜率确定有效信号模态和噪声模态之间的分界点;若θmax在第i个和第i+1个巴氏距离之间达到最大,则选取第i个点作为分界点,u1,u2,…,ui为有效模态,ui+1,ui+2,…,uK为噪声模态;其中,
根据分界点将识别出的噪声模态剔除,将有效模态重构,得到降噪后的瞬变电磁信号。
区别于现有技术,本发明提供的基于改进变分模态分解算法的瞬变电磁信号噪声分离和识别的方法,利用鲸鱼优化算法对变分模态分解算法中的参数进行优化,相比其他仅对K或者α进行优化的算法,这种方法能同时对两个参数进行优化,得到的参数组合更加理想,有利于信号分解;优化方法参数设置简单,所需算子少,算法的收敛速度较快,全局优化能力较好,具有较高的优化性能和效率,大大减少了传统优化方法的工作量;通过对变分模态分解中参数的优化,能根据优化参数更加精准地将瞬变电磁信号分解为一系列频率从低到高的模态分量,大大减少传统人为主观选取参数带来的模态混叠问题;传统的噪声识别方法需要对信号进行时频分析,结合瞬变电磁信号的特征和噪声的特点来分析判断噪声模态,本发明利用改进的巴氏距离实现定量识别噪声模态,计算简便,方便识别,有利于后续的信号重构。
附图说明
下面将结合附图及实施例对本发明作进一步说明,附图中:
图1是本发明提供的一种基于改进变分模态分解的瞬变电磁信号噪声分离识别方法的流程示意图。
图2是本发明提供的一种基于改进变分模态分解的瞬变电磁信号噪声分离识别方法中瞬变电磁信号原始衰减曲线图。
图3是本发明提供的一种基于改进变分模态分解的瞬变电磁信号噪声分离识别方法中瞬变电磁信号加噪后的衰减曲线图。
图4是本发明提供的一种基于改进变分模态分解的瞬变电磁信号噪声分离识别方法中鲸鱼优化算法对变分模态分解参数优化的迭代曲线图。
图5是本发明提供的一种基于改进变分模态分解的瞬变电磁信号噪声分离识别方法中的巴氏距离折线图。
图6是本发明提供的一种基于改进变分模态分解的瞬变电磁信号噪声分离识别方法中变分模态分解的降噪效果图。
图7是本发明提供的一种基于改进变分模态分解的瞬变电磁信号噪声分离识别方法中集成经验模态分解的降噪效果图。
具体实施方式
为了对本发明的技术特征、目的和效果有更加清楚的理解,现对照附图详细说明本发明的具体实施方式。
参阅图1,本发明提供了一种基于改进变分模态分解的瞬变电磁信号噪声分离识别方法,包括:
利用鲸鱼优化(WOA)算法对变分模态分解算法中的模态数K和惩罚因子α进行全局搜优,得到最优参数组合;
利用得到的最优参数组合对瞬变电磁信号进行变分模态分解(VMD),实现信噪分离;
通过改进的巴氏距离算法来识别模态分量中的噪声模态,实现噪声的剔除。
其中,在得到最优参数组合的步骤中,包括步骤:
设置模态数K和惩罚因子α的取值范围,并在参数范围内随机选取n组(K,α)的参数组合;
将n组参数依次带入VMD算法中对瞬变电磁信号进行分解,计算分解后模态分量的能量熵和;
选择最小能量熵对应的参数组合为初始的最优参数组合。
其中,在将n组参数依次带入VMD算法中对瞬变电磁信号进行分解的步骤中,利用维纳滤波器、傅里叶等距变换和交替方向乘子算法来迭代搜寻模态分量,把瞬变电磁信号分解为K个模态分量u1,u2,…,uK;
模态分量的迭代公式为:
式中,f(ω)为瞬变电磁信号傅里叶变换的结果,ui(ω)为第i个模态分量傅里叶变换的结果,λ(ω)为拉格朗日乘子的傅里叶变换结果,ωκ为第k个模态分量的中心频率。
其中,在计算分解后模态分量的能量熵和的步骤中,包括步骤:
计算每个模态分量的能量E1,E2,…,EK,将能量求和得到信号的总能量E;
每个模态分量的能量熵表示为:
求和得到总能量熵H=∑kH(uk)。
其中,根据参数更新的情况选择模型,并根据模型类型更新n组参数中的每组参数组合;其中,随机更新参数a、A、l、b、p,根据A和p的大小选择不同模型围绕目标更新第i组参数组合;在更新过程中如果更新的参数结果不在设置的参数范围内,则重新设置a、A、l、b、p参数进行更新,直到符合条件,并计算更新后参数组合对应的能量熵,循环n次,保留n次结果中最小的能量熵;模型包括:环绕包围模型、螺旋上升模型和随机寻找猎物模型;
a、A、l、b、p参数的更新公式为:
当p<0.5且|A|<1时,选择环绕模型,更新步骤为:先计算第i组参数组合与第t次迭代后的最优参数组合的距离,然后再更新第i组参数组合,公式表示为:
式中,i=1,2,…,n,为循环次数;为第t次迭代后的最优参数组合,为第i组参数组合,为更新后的第i组参数组合;当p≥0.5且|A|<1时,选择螺旋上升模型;更新步骤为:计算第i组参数组合与初始的最优参数组合的距离,更新第i组参数组合;公式表示为:
当p<0.5且|A|>1时,选择随机搜索模型;该模型为全局搜索模型,不再以第t次迭代后的最优参数组合为目标进行更新,而是随机选择n组参数组合中的任意一个参数组合为目标进行更新,更新步骤为:计算第i组参数组合与随机选择的参数组合的距离,更新第i组参数组合;公式表示为:
设置迭代次数m,得到m个最优参数组合(K1,α1),(K2,α2),…,(Km,αm)和对应的最小能量熵H1,H2,…,Hm,选择其中最小的能量熵min(H1,H2,…,Hm)对应的参数组合作为最优结果。
其中,通过计算每个模态分量与瞬变电磁原始信号的巴氏距离:D1,D2,…,Dk,来度量模态分量和瞬变电磁信号之间的相似性:
Di=-ln[BC(D(ui),D(x))]
计算相邻巴氏距离之间的斜率:θ1,θ2,…,θk-1;根据最大斜率确定有效信号模态和噪声模态之间的分界点;若θmax在第i个和第i+1个巴氏距离之间达到最大,则选取第i个点作为分界点,u1,u2,…,ui为有效模态,ui+1,ui+2,…,uK为噪声模态;其中,
根据分界点将识别出的噪声模态剔除,将有效模态重构,得到降噪后的瞬变电磁信号。
本发明采用鲸鱼优化算法来优化VMD中的参数,采用寻找随机或最佳搜索代理来模拟座头鲸的泡泡网狩猎行为,并建立螺旋上升模型来模拟座头鲸的泡泡网攻击机制来进行全局优化。
步骤1:确定一个暂时的最优参数组合。此次实施过程中,设置模态数K的取值范围为5~15,惩罚因子α的取值范围为2000~6000,并在参数范围内随机选取30组(K,α)的参数组合,将这30组参数依次带入VMD算法中对瞬变电磁信号(如图3所示)进行分解,计算分解后模态分量的能量熵和,选择最小能量熵对应的参数组合为初始的最优参数组合。
步骤2:随机更新a、A、l、b、p参数,以步骤1中确定的最优参数组合为目标,根据A和p的大小选择环绕包围模型、螺旋上升模型以第t次迭代后的最优参数组合为围绕目标或者选择随机寻找猎物模型围绕随机选择的参数组合更新每一组参数组合(第一次迭代更新n组参数组合时,以初始的最优参数组合为围绕目标),在更新过程中如果更新的参数结果不在步骤1中设置的参数范围内,则重新设置a、A、l、b、p参数进行更新,直到符合条件,并计算更新后每一组参数组合对应的能量熵,循环30次,保留30次结果中最小的能量熵。步骤3:设置迭代次数为20,对步骤1和步骤2进行20次迭代,得到20个最优参数组合(K1,α1),(K2,α2),…,(K20,α20)和对应的最小能量熵H1,H2,…,H20。迭代结果如图4所示,从图中可以看出第4次迭代的结果为最小能量熵,对应的参数组合为(5,6000)作为最优结果。
对瞬变电磁信号进行变分模态分解
将第一部分中参数的优化结果(5,6000)带入变分模态分解算法中,得到5个模态分量u1,u2,u3,u4,u5。
噪声模态的识别与剔除
步骤1:通过计算每个模态分量与瞬变电磁原始信号的巴氏距离:D1,D2,…,D5,来度量模态分量和瞬变电磁信号之间的相似性,结果如图5所示。
步骤2:计算相邻巴氏距离之间的斜率:θ1,θ2,θ3,θ4。根据最大斜率确定有效信号模态和噪声模态之间的分界点。从图5中可以看出,斜率在第4个和第5个巴氏距离之间达到最大,则选取第4个点作为分界点,u1,u2,u3,u4为有效模态,u5为噪声模态。
步骤3:根据分界点将识别出的噪声模态u5剔除,将u1,u2,u3,u4模态重构,得到降噪后的瞬变电磁信号如图6所示。经对比,可以看出经过变分模态分解降噪后的曲线与图2中瞬变电磁信号原始曲线相差无几,实现噪声的有效分离和识别。同时,也采用集成经验模态分解对瞬变电磁信号进行处理,降噪结果如图7所示,对比图6和图7,发现改进后的变分模态分解方法降噪后的曲线比集成经验模态分解降噪后的曲线更加平滑,毛刺更少,进一步证明了改进的变分模态分解方法在噪声分离和识别方面的优异性能。
上面结合附图对本发明的实施例进行了描述,但是本发明并不局限于上述的具体实施方式,上述的具体实施方式仅仅是示意性的,而不是限制性的,本领域的普通技术人员在本发明的启示下,在不脱离本发明宗旨和权利要求所保护的范围情况下,还可做出很多形式,这些均属于本发明的保护之内。
Claims (6)
1.一种基于改进变分模态分解的瞬变电磁信号噪声分离识别方法,其特征在于,包括:
利用鲸鱼优化(WOA)算法对变分模态分解算法中的模态数K和惩罚因子α进行全局搜优,得到最优参数组合;
利用得到的最优参数组合对瞬变电磁信号进行变分模态分解(VMD),实现信噪分离;
通过改进的巴氏距离算法来识别模态分量中的噪声模态,实现噪声的剔除。
2.根据权利要求1所述的基于改进变分模态分解的瞬变电磁信号噪声分离识别方法,其特征在于,在得到最优参数组合的步骤中,包括步骤:
设置模态数K和惩罚因子α的取值范围,并在参数范围内随机选取n组(K,α)的参数组合;
将n组参数依次带入VMD算法中对瞬变电磁信号进行分解,计算分解后模态分量的能量熵和;
选择最小能量熵对应的参数组合为初始的最优参数组合。
5.根据权利要求2所述的基于改进变分模态分解的瞬变电磁信号噪声分离识别方法,其特征在于,在选择最小能量熵对应的参数组合为初始的最优参数组合的步骤之后,包括步骤:
根据参数更新的情况选择模型,并根据模型类型更新n组参数中的每组参数组合;其中,随机更新参数a、A、l、b、p,根据A和p的大小选择不同模型围绕目标更新第i组参数组合;在更新过程中如果更新的参数结果不在设置的参数范围内,则重新设置a、A、l、b、p参数进行更新,直到符合条件,并计算更新后参数组合对应的能量熵,循环n次,保留n次结果中最小的能量熵;模型包括:环绕包围模型、螺旋上升模型和随机寻找猎物模型;
a、A、l、b、p参数的更新公式为:
当p<0.5且|A|<1时,选择环绕模型,更新步骤为:先计算第i组参数组合与第t次迭代后的最优参数组合的距离,然后再更新第i组参数组合,公式表示为:
当p≥0.5且|A|<1时,选择螺旋上升模型;更新步骤为:计算第i组参数组合与初始的最优参数组合的距离,更新第i组参数组合;公式表示为:
当p<0.5且|A|>1时,选择随机搜索模型;该模型为全局搜索模型,不再以第t次迭代后的最优参数组合为目标进行更新,而是随机选择n组参数组合中的任意一个参数组合为目标进行更新,更新步骤为:计算第i组参数组合与随机选择的参数组合的距离,更新第i组参数组合;公式表示为:
设置迭代次数m,得到m个最优参数组合(K1,α1),(K2,α2),…,(Km,αm)和对应的最小能量熵H1,H2,…,Hm,选择其中最小的能量熵min(H1,H2,…,Hm)对应的参数组合作为最优结果。
6.根据权利要求1所述的基于改进变分模态分解的瞬变电磁信号噪声分离识别方法,其特征在于,在通过改进的巴氏距离算法来识别模态分量中的噪声模态的步骤中,包括步骤:
通过计算每个模态分量与瞬变电磁原始信号的巴氏距离:D1,D2,…,Dk,来度量模态分量和瞬变电磁信号之间的相似性:
Di=-ln[BC(D(ui),D(x)]
计算相邻巴氏距离之间的斜率:θ1,θ2,…,θk-1;根据最大斜率确定有效信号模态和噪声模态之间的分界点;若θmax在第i个和第i+1个巴氏距离之间达到最大,则选取第i个点作为分界点,u1,u2,…,ui为有效模态,ui+1,ui+2,…,uK为噪声模态;其中,
根据分界点将识别出的噪声模态剔除,将有效模态重构,得到降噪后的瞬变电磁信号。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010817219.6A CN111985383A (zh) | 2020-08-14 | 2020-08-14 | 基于改进变分模态分解的瞬变电磁信号噪声分离识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010817219.6A CN111985383A (zh) | 2020-08-14 | 2020-08-14 | 基于改进变分模态分解的瞬变电磁信号噪声分离识别方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111985383A true CN111985383A (zh) | 2020-11-24 |
Family
ID=73434503
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010817219.6A Pending CN111985383A (zh) | 2020-08-14 | 2020-08-14 | 基于改进变分模态分解的瞬变电磁信号噪声分离识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111985383A (zh) |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112464923A (zh) * | 2021-02-03 | 2021-03-09 | 四川轻化工大学 | 一种基于改进变分模态分解的磁瓦内部缺陷检测方法 |
CN112506908A (zh) * | 2020-12-10 | 2021-03-16 | 云南电网有限责任公司玉溪供电局 | 一种电能计量数据清洗方法和系统 |
CN112597930A (zh) * | 2020-12-28 | 2021-04-02 | 西安理工大学 | 一种基于woa-vmd算法的信号去噪方法 |
CN113514783A (zh) * | 2021-03-16 | 2021-10-19 | 国网江苏省电力有限公司南京供电分公司 | 空载合闸下的变压器绕组机械状态检测判断方法 |
CN113591652A (zh) * | 2021-07-22 | 2021-11-02 | 中南大学 | 一种基于优化变分模态分解的电磁信号处理方法和装置 |
CN113673471A (zh) * | 2021-08-31 | 2021-11-19 | 国网山东省电力公司滨州供电公司 | 一种变压器绕组振动信号特征提取方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108845306A (zh) * | 2018-07-05 | 2018-11-20 | 南京信息工程大学 | 基于变分模态分解的激光雷达回波信号去噪方法 |
CN109828318A (zh) * | 2019-01-25 | 2019-05-31 | 吉林大学 | 一种基于变分模态分解的磁共振测深信号噪声滤除方法 |
CN111062533A (zh) * | 2019-12-16 | 2020-04-24 | 国家能源集团谏壁发电厂 | 一种基于鲸鱼优化算法优化加权最小二乘支持向量机的风机故障预测方法 |
CN111488710A (zh) * | 2020-04-01 | 2020-08-04 | 武汉理工大学 | 基于自适应woa-vmd和范围熵的结构损伤识别方法 |
-
2020
- 2020-08-14 CN CN202010817219.6A patent/CN111985383A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108845306A (zh) * | 2018-07-05 | 2018-11-20 | 南京信息工程大学 | 基于变分模态分解的激光雷达回波信号去噪方法 |
CN109828318A (zh) * | 2019-01-25 | 2019-05-31 | 吉林大学 | 一种基于变分模态分解的磁共振测深信号噪声滤除方法 |
CN111062533A (zh) * | 2019-12-16 | 2020-04-24 | 国家能源集团谏壁发电厂 | 一种基于鲸鱼优化算法优化加权最小二乘支持向量机的风机故障预测方法 |
CN111488710A (zh) * | 2020-04-01 | 2020-08-04 | 武汉理工大学 | 基于自适应woa-vmd和范围熵的结构损伤识别方法 |
Non-Patent Citations (3)
Title |
---|
GUORUI FENG 等: "A transient electromagnetic signal denoising method based on an improved variational mode decomposition algorithm", 《MEASUREMENT》 * |
SEYEDALI MIRJALILI 等: "The Whale Optimization Algorithm", 《ADVANCES IN ENGINEERING SOFTWARE》 * |
戚庭野 等: "基于WOA-VMD的瞬变电磁探测信号降噪方法", 《中南大学学报(自然科学版)》 * |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112506908A (zh) * | 2020-12-10 | 2021-03-16 | 云南电网有限责任公司玉溪供电局 | 一种电能计量数据清洗方法和系统 |
CN112597930A (zh) * | 2020-12-28 | 2021-04-02 | 西安理工大学 | 一种基于woa-vmd算法的信号去噪方法 |
CN112464923A (zh) * | 2021-02-03 | 2021-03-09 | 四川轻化工大学 | 一种基于改进变分模态分解的磁瓦内部缺陷检测方法 |
CN113514783A (zh) * | 2021-03-16 | 2021-10-19 | 国网江苏省电力有限公司南京供电分公司 | 空载合闸下的变压器绕组机械状态检测判断方法 |
CN113514783B (zh) * | 2021-03-16 | 2023-12-15 | 国网江苏省电力有限公司南京供电分公司 | 空载合闸下的变压器绕组机械状态检测判断方法 |
CN113591652A (zh) * | 2021-07-22 | 2021-11-02 | 中南大学 | 一种基于优化变分模态分解的电磁信号处理方法和装置 |
CN113673471A (zh) * | 2021-08-31 | 2021-11-19 | 国网山东省电力公司滨州供电公司 | 一种变压器绕组振动信号特征提取方法 |
CN113673471B (zh) * | 2021-08-31 | 2024-04-09 | 国网山东省电力公司滨州供电公司 | 一种变压器绕组振动信号特征提取方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111985383A (zh) | 基于改进变分模态分解的瞬变电磁信号噪声分离识别方法 | |
CN109271926B (zh) | 基于gru深度卷积网络的智能辐射源识别方法 | |
CN108845306B (zh) | 基于变分模态分解的激光雷达回波信号去噪方法 | |
CN110865357B (zh) | 一种基于参数优化vmd的激光雷达回波信号降噪方法 | |
CN108764006B (zh) | 一种基于深度强化学习的sar图像目标检测方法 | |
CN110441819B (zh) | 一种基于均值偏移聚类分析的地震初至波自动拾取方法 | |
CN110133714B (zh) | 一种基于深度学习的微震信号分类辨识方法 | |
CN111310833B (zh) | 一种基于贝叶斯神经网络的出行方式识别方法 | |
CN110008948B (zh) | 基于变分自编码网络的高光谱图像目标检测方法 | |
CN112364291B (zh) | 一种前置滤波极值点优化集合经验模态分解方法及装置 | |
CN113657491A (zh) | 一种用于信号调制类型识别的神经网络设计方法 | |
CN111597981B (zh) | 基于改进多尺度散布熵的大地电磁信号去噪方法及系统 | |
CN104038792B (zh) | 用于iptv监管的视频内容分析方法及设备 | |
CN114564982A (zh) | 雷达信号调制类型的自动识别方法 | |
CN111754447A (zh) | 基于多状态上下文隐马尔科夫模型的红外和可见光图像融合方法 | |
CN107292855B (zh) | 一种结合自适应非局部样本和低秩的图像去噪方法 | |
CN113887398A (zh) | 一种基于变分模态分解和奇异谱分析的gpr信号去噪方法 | |
CN102867104B (zh) | 一种电子设备的电磁环境影响因素的定量分析装置及方法 | |
CN113568058B (zh) | 一种基于多分辨率奇异值分解的大地电磁信噪分离方法及系统 | |
CN112907458B (zh) | 用于地震勘探的f-xy域改进非局部均值去噪方法及设备 | |
CN117609702A (zh) | 一种管道泄漏声发射信号去噪方法、系统、设备及介质 | |
CN117473414A (zh) | 一种基于少噪声时频图像的轴承故障位置识别方法 | |
CN115563500A (zh) | 基于数据增强技术的配电设备局部放电模式识别方法、装置及系统 | |
CN115905919A (zh) | 基于afgan的雷达信号样本数据处理方法、目标识别方法及系统 | |
CN102509268B (zh) | 基于免疫克隆选择的非下采样轮廓波域图像去噪方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20201124 |
|
RJ01 | Rejection of invention patent application after publication |