CN114757231A - 一种基于cwoa-vmd算法的管道泄漏信号去噪方法 - Google Patents
一种基于cwoa-vmd算法的管道泄漏信号去噪方法 Download PDFInfo
- Publication number
- CN114757231A CN114757231A CN202210410610.3A CN202210410610A CN114757231A CN 114757231 A CN114757231 A CN 114757231A CN 202210410610 A CN202210410610 A CN 202210410610A CN 114757231 A CN114757231 A CN 114757231A
- Authority
- CN
- China
- Prior art keywords
- signal
- vmd
- algorithm
- cwaa
- formula
- 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
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
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
- G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/004—Artificial life, i.e. computing arrangements simulating life
- G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2111/00—Details relating to CAD techniques
- G06F2111/04—Constraint-based CAD
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2111/00—Details relating to CAD techniques
- G06F2111/08—Probabilistic or stochastic CAD
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2111/00—Details relating to CAD techniques
- G06F2111/10—Numerical modelling
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Software Systems (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Geometry (AREA)
- Biophysics (AREA)
- Computer Hardware Design (AREA)
- Signal Processing (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biomedical Technology (AREA)
- Medical Informatics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Soundproofing, Sound Blocking, And Sound Damping (AREA)
Abstract
本发明涉及信号去噪方法技术领域,具体是一种基于CWOA‑VMD算法的管道泄漏信号去噪方法,通过混沌映射、自适应权重、自适应概率阈值改进传统的WOA(CWOA);根据CWOA算法分别建立包围猎物、泡泡网捕食和随机搜索的数学模型,将排列熵作为适应度函数,利用CWOA对VMD分解算法中参数组合K和α进行优化,使用参数优化后的VMD算法对管道泄漏信号进行自适应分解,得到一系列本征模态函数(IMF)分量;最后,根据相关系数法选取有效IMF分量进行重构,得到去噪后的管道泄漏信号。与现有技术相比,本发明经信号仿真和实测信号实验表明,使用CWOA‑VMD的寻优结果进行分解,信噪比相较于WOA‑VMD和EMD显著提高,且相对误差和均方误差均为最小,可以对信号进行有效的分解,从而去除信号中的噪声,CWOA‑VMD去噪效果更具优越性。
Description
技术领域
本发明涉及信号去噪方法技术领域,具体是一种基于CWOA-VMD算法的管道泄漏信号去噪方法。
背景技术
随着我国经济社会的高速发展,其中管道运输起着不可或缺的作用。管道运输具有价格低、维护简单和使用寿命长等优点被广泛应用于人们的社会生活中。但是,由于一些人为或自然原因管道泄漏时有发生,甚至严重威胁着人们的安全。因此,及时发现泄漏、降低管网道损率对保障人民生活具有重要意义。
管道泄漏信号是一种非平稳的信号,实际采集到的管道泄漏信号是包含泄漏信号和背景噪声的复合信号,因此直接使用该信号进行分析会对分析过程造成很大的干扰,所以需要对采集到的管道泄漏信号进行降噪处理。
Dragomiretskiy等于2014年提出的VMD算法是一种自适应非递归信号分解方法。该方法与EMD算法相比能够有效地克服信号分解产生的模态混叠、端点效应等问题,拥有更好的鲁棒性。但是,VMD算法需要预设分解个数K和惩罚因子α,如果K和α选取不够合适,则会出现模态过分解或模态混叠现象
MIRJALILI等在2018年提出了一种模拟座头鲸捕食行为的鲸鱼优化算法(WhaleOptimization Algorithm,WOA),WOA具有参数少,收敛精度高,全局搜索能力强等优点,在许多领域得到广泛应用。但是WOA也存在初始种群分布不均、容易陷入局部最优等缺点。
发明内容
本文设计开发了一种通过混沌映射、自适应权重和自适应概率阈值改进的WOA与VMD算法相结合的管道泄漏信号去噪方法,解决WOA存在初始种群分布不均、容易陷入局部最优等缺点和VMD算法难以选择合适的分解个数K和惩罚因子α的问题。
一种基于CWOA-VMD算法的管道泄漏信号去噪方法,根据CWOA算法分别建立包围猎物、泡泡网捕食和随机搜索的数学模型,其中:
①包围猎物的数学模型表达式如式(1)和式(2):
②泡泡网捕食的数学模型表达式如式(5):
式中,为当前个体与最优解之间的距离,b为螺旋方程的常量,l是[-1,1]范围内的随机数,p为[0,1]之间的随机数,t为当前的迭代次数;e是数学中的一个常数,一个无限不循环小数,且为超越数,其值约为2.718281828459045;
使用自适应概率阈值p'来平衡全局寻优和局部搜索的能力,数学模型表达式如式(6):
式中,t为当前的迭代次数,Tmax_iter为最大迭代次数;
③随机搜索的数学模型表达式如式(7)和式(8):
与现有技术相比,本发明经信号仿真和实测信号实验表明,使用CWOA-VMD的寻优结果进行分解,信噪比相较于WOA-VMD和EMD显著提高,且相对误差和均方误差均为最小,可以对信号进行有效的分解,从而去除信号中的噪声,CWOA-VMD去噪效果更具优越性。
附图说明
图1是本发明信号去噪方法的流程图。
图2是VMD参数的优化结果(仿真信号)。
图3是模拟信号VMD分解后的结果。
图4是EMD分解后的结果。
图5是VMD参数优化结果(实测信号)。
图6是实测信号VMD分解后的结果。
具体实施方式
下面结合附图对本发明作进一步详细说明。
一种基于CWOA-VMD算法的管道泄漏信号去噪方法,根据CWOA算法分别建立包围猎物、泡泡网捕食和随机搜索的数学模型,其中
①包围猎物的数学模型表达式如式(1)和式(2):
座头鲸的泡泡网捕食方式由两种策略组成:螺旋气泡捕食和缩小包围圈,通常这两种策略是同时进行的,本发明假定两种策略都有50%的概率。
由于WOA在迭代过程中的权重是不变的,在迭代后期易陷入局部最优。本发明通过引入自适应权重来保持种群的多样性,使算法跳出局部最优,避免过早收敛。
②泡泡网捕食的数学模型表达式如式(5):
式中,为当前个体与最优解之间的距离,b为螺旋方程的常量,l是[-1,1]范围内的随机数,p为[0,1]之间的随机数,t为当前的迭代次数;e是数学中的一个常数,一个无限不循环小数,且为超越数,其值约为2.718281828459045;
WOA通过随机数p与固定概率阈值0.5来同步捕食策略,然而随着迭代次数的增加,会使算法陷入局部最优等问题。所以本发明使用自适应概率阈值p'来平衡全局寻优和局部搜索的能力,数学模型表达式如式(6):
式中,t为当前的迭代次数,Tmax_iter为最大迭代次数;
在搜索猎物的过程中,若A满足|A|≥1时,表明座头鲸在全局空间内随机搜索,并根据与其他个体之间的位置来更新自身位置,③随机搜索的数学模型表达式如式(7)和式(8):
这一种基于CWOA-VMD算法的管道泄漏信号去噪方法,具体步骤包括:
S1输入原始信号f(t),初始化CWOA模型中的各项参数,包括种群规模、迭代次数、空间维度,设置VMD算法中K和α的取值范围;
S2使用混沌映射初始化鲸鱼种群的位置;
S3对信号进行VMD算法进行分解,利用式(19)计算初始种群中每个个体的适应度,作为适应度函数的排列熵被用来衡量参数组合的分解效果,当排列熵取最小值时,对应的参数K和α最优,
式中,x(i)为原始信号某时刻状态,M为总点数;
S4更新鲸鱼个体的位置,保留最优适应度及对应的参数组合;
S5保留更新后的鲸鱼种群位置作为新一轮的初始种群,循环迭代,直到达到所设定的最大迭代次数为止;
S6输出最优鲸鱼个体及对应的适应度;
S7根据CWOA-VMD算法寻优结果设置VMD算法的相关参数K和α,对信号进行自适应分解;
S8计算出分解后各模态分量与原始信号的相关系数,选择有效的IMF分量进行信号的重构,从而得到去噪后的管道泄漏信号。
步骤S2中混沌映射采用Tent映射产生混沌序列,Tent映射的表达式为:
步骤S3中VMD算法是一种将信号f非递归分解成K个具有中心频率的有限带宽本征模态函数的算法,即每个本征模态分量u(k)都有一个中心频率ωK;VMD算法的具体步骤如下:
㈠对信号f进行Hilbert变换,得到对应的解析信号,从而得到每个模态函数uk(t)的单边谱;
㈢通过计算式(2)梯度的平方L2范数来估计出各模态信号带宽,受约束的变分表达式如下:
㈣引入二次惩罚因子和增广拉格朗日函数求出式的最优解,即:
VMD计算流程如下:
Step2:令n=n+1,对所有ω≥0使得:
Step3:对于所有ω≥0,使得:
Step4:重复Step2、Step3直到满足约束条件时循环结束;
式中,K为重构向量的个数,K=N-(d-1)τ,d为嵌入维数,j为重构矩阵的第j行分量,j=1~r;τ为延迟时间;
步骤S3中,根据式(19)计算排列熵的值,排列熵值越小,说明时间序列越简单、规则,表示经VMD分解后得到的IMF分量包含更多的有效信息;反之,时间序列越大,IMF分量中噪声成分更多;排列熵的构建步骤如下:
对于一时间序列{X(i),i=1,2,…,N},对该序进行相空间重构,重构后的矩阵如下:
重构矩阵中共有K个重构分量,将重构分量按升序排列,排列后的符号序列S(q)=(j1,j2,…,jm,)。其中,q=1~r,r≤m!;m!为m维相空间映射的符号序列的总数;j1,j2,…,jm表示各元素在原重构分量中的索引号;
计算每一种符号序列出现的概率{P1,P2,…,Pd},则时间序列X(i)的排列熵定义为:
步骤S4中:
当|A|≤1时,选择最小排列熵对应的鲸鱼位置作为局部开发的目标值,根据p,选择式(6)更新鲸鱼个体的位置;
当|A|>1时,随机选择一个鲸鱼的位置,根据式(9)更新鲸鱼个体的位置,最后保留最优适应度及对应的参数组合。
根据所得到的参数组合(k,α)对信号进行VMD分解,根据相关系数选择合适的IMF分量进行信号重构。
本发明利用相关系数来判断VMD分解后各IMF分量和原始信号之间的相关程度,首先通过式(20)计算出原始信号的自相关函数Rss和各IMF分量的互相关函数Rj:
则Rss与Rj的相关系数:
其中,j为各IMF分量的序号,rj的取值范围为[-1,1],rj越大,说明相关性越强,反之相关性越弱;
为了验证CWOA-VMD算法对管道泄漏信号去噪的有效性,通过MATLAB生成模拟信号进行仿真实验。使用MATLAB函数产生高斯信号设为f(t),采样频率为5000Hz,采样时间为1s。f(t)通过50Hz-500Hz的带通滤波,用滤波后的信号模拟供水管道的泄漏信号,在f(t)整个采样频带加入信噪比为15dB的高斯白噪声,作为噪声信号。在800Hz-1100Hz频带添加0dB的白噪声,模拟信噪比较低的管道泄漏信号。
对生成的模拟信号使用CWOA-VMD算法和WOA-VMD算法进行参数寻优,两个算法的种群规模设为20,迭代次数设为30,K的寻优范围为[2,10],α的寻优范围为[200,6000],为提高精确性,分别运行10次取平均值。由图3可知,WOA-VMD和CWOA-VMD分别迭代到第12次和第8次时收敛。
表1最优参数组合
使用两种算法得到参数进行VMD分解,根据相关系数选择IMF1、IMF2、IMF3进行重构,重构信号的相对误差、均方误差和信噪比能计算结果为表5所示。CWOA-VMD算法重构信号的信噪比为13.34dB高于WOA-VMD的10.16dB,并且CWOA-VMD的相对误差和均方误差为0.32和5.47E-5,小于WOA-VMD算法的0.35和9.99E-5。因此,CWOA-VMD算法的收敛精度更高,收敛速度更快,具有更好的稳定性。
表2模拟信号的IMF分量相关系数
表3模拟信号重构后的评价指标
根据CWOA-VMD算法得到的最优参数组合,设置VMD的相关参数(K,α)=(5,1806),分解后的仿真信号如图3所示。图中各模态分量的中心频率相互独立,能够有效避免模态混叠的问题。为了验证CWOA-VMD算法参数寻优的有效性同时再取k=4、k=6的情况进行VMD分解,计算出k=4、5、6时各个IMF分量的中心频率。
表4模拟信号各IMF分量的中心频率
由表4可知,VMD分解在k=4、5、6时,IMF1和IMF2的中心频率相似,表明VMD分解的中低部分模态函数能够较好的分解信号,但在高频部分存在噪声干扰问题。当k=6时,虽然IMF6取得最大中心频率2259Hz,但是IMF2和IMF3的中心频率十分接近,出现了过分解现象,所以k应该取5,因此验证了CWOA-VMD算法的寻优结果的准确性。
表5模拟信号的IMF分量相关系数
为了证明VMD算法在处理复杂信号上的优势,将其与EMD算法进行对比。使用EMD算法对同一模拟信号进行分解,得到了12个模态分量如图4所示。而VMD只有5个IMF分量,因此说明VMD算法具有更好的分解效率和信息聚集性。使用相关系数对EMD的模态分量进行重构,由表6可知EMD算法的相对误差和均方误差值为1.75和2.93E-3远大于CWOA-VMD的0.32和5.47E-5,EMD的信噪比为3.02dB小于CWOA-VMD的13.34dB。这是由于塑料管道泄漏信号的泄漏频率主要分布在中低频,VMD算法是由低频向高频进行分解,因此能够更好的分解塑料管道泄漏信号,所以VMD的噪声抑制效果优于EMD。以上结果表明,CWOA-VMD算法能有效抑制信号中的噪声,可以较好的提高信号的信噪比。
表6CWOA-VMD和EMD的降噪评价指标
本实验利用PVC塑料管道作为采集目标,使用LABVIEW将信号的采样率设为5000Hz,通过采集卡采集管道泄漏的声信号。将压电加速度传感器固定到塑料管道的外壁,通过调节水阀开关模拟供水管道漏水和非漏水两种情况,采集到的管道泄漏信号是包含泄漏信号和背景噪声的复合信号,因此直接使用该信号进行分析会对分析过程造成很大的干扰,所以需要对采集到的管道泄漏信号进行降噪处理。
采用本发明提出的CWOA-VMD算法对采集到的信号进行降噪处理,种群规模设为20,迭代次数设为30,运行10次取平均值,由图5可知,WOA-VMD和CWOA-VMD分别迭代到第15次和第9次时收敛。
表7最优参数组合
表8实测信号的IMF分量相关系数
根据相关系数选择IMF1、IMF2、IMF3进行重构,重构信号的相对误差、均方误差和信噪比计算结果为表11所示。CWOA-VMD算法重构信号的信噪比为12.16dB高于WOA-VMD的11.01dB,并且CWOA-VMD的相对误差和均方误差为1.17和2.93E-4,小于WOA-VMD算法的1.24和3.52E-4。
表9实测信号重构后的评价指标
根据COWA-VMD的寻优结果分解后的IMF分量的中心频率如表10所示,各IMF分量之间相互独立没有出现模态混叠的现象,证明了CWOA-VMD寻优结果的准确性。
表10实测信号各IMF分量的中心频率
实测信号的分解结果表明,本发明提出的算法能够有效选取合适的VMD参数,且相对误差和均方误差较小,能有效提高塑料管道泄漏信号的信噪比,有较好的降噪效果。
本实施例未详细说明书的部分为本领域现有技术或公知常识。
Claims (6)
1.一种基于CWOA-VMD算法的管道泄漏信号去噪方法,其特征在于,根据CWOA算法分别建立包围猎物、泡泡网捕食和随机搜索的数学模型,其中:
①包围猎物的数学模型表达式如式(1)和式(2):
②泡泡网捕食的数学模型表达式如式(5):
式中,为当前个体与最优解之间的距离,b为螺旋方程的常量,l是[-1,1]范围内的随机数,p为[0,1]之间的随机数,t为当前的迭代次数;e是数学中的一个常数,一个无限不循环小数,且为超越数,其值约为2.718281828459045;
使用自适应概率阈值p'来平衡全局寻优和局部搜索的能力,数学模型表达式如式(6):
式中,t为当前的迭代次数,Tmax_iter为最大迭代次数;
③随机搜索的数学模型表达式如式(7)和式(8):
2.根据权利要求1所述的一种基于CWOA-VMD算法的管道泄漏信号去噪方法,其特征在于,具体步骤包括:
S1输入原始信号f(t),初始化CWOA模型中的各项参数,包括种群规模、迭代次数、空间维度,设置VMD算法中K和α的取值范围;
S2使用混沌映射初始化鲸鱼种群的位置;
S3对信号进行VMD算法进行分解,利用式(19)计算初始种群中每个个体的适应度,作为适应度函数的排列熵被用来衡量参数组合的分解效果,当排列熵取最小值时,对应的参数K和α最优,
式中,x(i)为原始信号某时刻状态,M为总点数;
S4更新鲸鱼个体的位置,保留最优适应度及对应的参数组合;
S5保留更新后的鲸鱼种群位置作为新一轮的初始种群,循环迭代,直到达到所设定的最大迭代次数为止;
S6输出最优鲸鱼个体及对应的适应度;
S7根据CWOA-VMD算法寻优结果设置VMD算法的相关参数K和α,对信号进行自适应分解;
S8计算出分解后各模态分量与原始信号的相关系数,选择有效的IMF分量进行信号的重构,从而得到去噪后的管道泄漏信号。
4.根据权利要求2所述的一种基于CWOA-VMD算法的管道泄漏信号去噪方法,其特征在于,步骤S3中VMD算法是一种将信号f非递归分解成K个具有中心频率的有限带宽本征模态函数的算法,即每个本征模态分量u(k)都有一个中心频率ωK;VMD算法的具体步骤如下:
㈠对信号f进行Hilbert变换,得到对应的解析信号,从而得到每个模态函数uk(t)的单边谱;
㈢通过计算式(2)梯度的平方L2范数来估计出各模态信号带宽,受约束的变分表达式如下:
㈣引入二次惩罚因子和增广拉格朗日函数求出式的最优解,即:
VMD计算流程如下:
Step2:令n=n+1,对所有ω≥0使得:
Step3:对于所有ω≥0,使得:
Step4:重复Step2、Step3直到满足约束条件时循环结束;
式中,K为重构向量的个数,K=N-(d-1)τ,d为嵌入维数,j为重构矩阵的第j行分量,j=1~r;τ为延迟时间;
步骤S3中,根据式(20)计算排列熵的值,排列熵值越小,说明时间序列越简单、规则,表示经VMD分解后得到的IMF分量包含更多的有效信息;反之,时间序列越大,IMF分量中噪声成分更多;排列熵的构建步骤如下:
对于一时间序列{X(i),i=1,2,…,N},对该序进行相空间重构,重构后的矩阵如下:
重构矩阵中共有K个重构分量,将重构分量按升序排列,排列后的符号序列S(q)=(j1,j2,…,jm,)。其中,q=1~r,r≤m!;m!为m维相空间映射的符号序列的总数;j1,j2,…,jm表示各元素在原重构分量中的索引号;
计算每一种符号序列出现的概率{P1,P2,…,Pd},则时间序列X(i)的排列熵定义为:
5.根据权利要求2所述的一种基于CWOA-VMD算法的管道泄漏信号去噪方法,其特征在于,步骤S4中:
当|A|≤1时,选择最小排列熵对应的鲸鱼位置作为局部开发的目标值,根据p,选择式(6)更新鲸鱼个体的位置;
当|A|>1时,随机选择一个鲸鱼的位置,根据式(9)更新鲸鱼个体的位置,最后保留最优适应度及对应的参数组合。
根据所得到的参数组合(k,α)对信号进行VMD分解,根据相关系数选择合适的IMF分量进行信号重构。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210410610.3A CN114757231A (zh) | 2022-04-19 | 2022-04-19 | 一种基于cwoa-vmd算法的管道泄漏信号去噪方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210410610.3A CN114757231A (zh) | 2022-04-19 | 2022-04-19 | 一种基于cwoa-vmd算法的管道泄漏信号去噪方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114757231A true CN114757231A (zh) | 2022-07-15 |
Family
ID=82330481
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210410610.3A Pending CN114757231A (zh) | 2022-04-19 | 2022-04-19 | 一种基于cwoa-vmd算法的管道泄漏信号去噪方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114757231A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117591812A (zh) * | 2024-01-18 | 2024-02-23 | 山东黄海智能装备有限公司 | 一种智能电子听诊器电信号降噪处理优化方法 |
CN117648536A (zh) * | 2024-01-26 | 2024-03-05 | 浙江威利坚科技股份有限公司 | 一种空调专用电弧信号的去噪方法 |
-
2022
- 2022-04-19 CN CN202210410610.3A patent/CN114757231A/zh active Pending
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117591812A (zh) * | 2024-01-18 | 2024-02-23 | 山东黄海智能装备有限公司 | 一种智能电子听诊器电信号降噪处理优化方法 |
CN117591812B (zh) * | 2024-01-18 | 2024-04-26 | 中国人民解放军总医院第二医学中心 | 一种智能电子听诊器电信号降噪处理优化方法 |
CN117648536A (zh) * | 2024-01-26 | 2024-03-05 | 浙江威利坚科技股份有限公司 | 一种空调专用电弧信号的去噪方法 |
CN117648536B (zh) * | 2024-01-26 | 2024-04-19 | 浙江威利坚科技股份有限公司 | 一种空调专用电弧信号的去噪方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN114757231A (zh) | 一种基于cwoa-vmd算法的管道泄漏信号去噪方法 | |
KR101958674B1 (ko) | 시퀀스 재귀 필터링 3차원 변분(3d-var) 기반의 실측 해양 환경 데이터 동화방법 | |
CN111734961B (zh) | 一种天然气管道泄漏检测方法 | |
CN110361778B (zh) | 一种基于生成对抗网络的地震数据重建方法 | |
CN111947045B (zh) | 基于gvmd参数优化和奇异值分解的流体管道泄漏定位方法 | |
CN111639429B (zh) | 基于切比雪夫多项式谱的水下声场数值模拟方法、系统及介质 | |
CN113361777B (zh) | 基于vmd分解和ihho优化lstm的径流预测方法及系统 | |
CN108876021B (zh) | 一种中长期径流预报方法及系统 | |
CN110456332B (zh) | 一种基于自动编码器的水声信号增强方法 | |
CN110568485B (zh) | 一种基于神经网络的多道地震连续记录分离方法 | |
Georgiou | Solution of the general moment problem via a one-parameter imbedding | |
CN115442191B (zh) | 基于相对平均生成对抗网络的通信信号降噪方法及系统 | |
CN113486574A (zh) | 基于历史数据以及机器学习的声速剖面补全方法及装置 | |
CN111553513A (zh) | 一种基于二次分解与回声状态网络的中长期径流预测方法 | |
CN115062670A (zh) | 基于mpa-vmd去噪的管道泄漏检测方法及系统 | |
CN113864665B (zh) | 基于自适应ica和改进的rls滤波器的流体管道泄漏定位方法 | |
CN108566256B (zh) | 一种频谱地图的构建方法 | |
CN104715146B (zh) | 一种水声信号的粒子滤波降噪方法 | |
CN116559579A (zh) | 基于改进的VMD和Teager能量算子故障定位方法 | |
Estévez et al. | Nonlinear time series analysis by using gamma growing neural gas | |
CN114065822B (zh) | 海洋潮流涨落的电磁识别方法及系统 | |
CN111898476A (zh) | 一种耦合随机共振的自适应线谱增强方法 | |
CN109632071A (zh) | 一种基于时频特征产生水声环境噪声数据的方法及装置 | |
CN114441111A (zh) | 一种管道泄漏次声波信号分析方法及系统 | |
Znak | Co-phased median filters, some peculiarities of sweep signal processing |
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 |