CN115932971A - 一种微动探测数据强噪声的检测和去除方法及系统 - Google Patents
一种微动探测数据强噪声的检测和去除方法及系统 Download PDFInfo
- Publication number
- CN115932971A CN115932971A CN202211454767.2A CN202211454767A CN115932971A CN 115932971 A CN115932971 A CN 115932971A CN 202211454767 A CN202211454767 A CN 202211454767A CN 115932971 A CN115932971 A CN 115932971A
- Authority
- CN
- China
- Prior art keywords
- seismic
- micro
- time window
- time
- strong 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
Images
Classifications
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T90/00—Enabling technologies or technologies with a potential or indirect contribution to GHG emissions mitigation
Landscapes
- Geophysics And Detection Of Objects (AREA)
- Measurement Of Mechanical Vibrations Or Ultrasonic Waves (AREA)
Abstract
本发明公开了一种微动探测数据强噪声的检测和去除方法及系统，包括以下步骤：读入微动原始数据，并对微动原始数据进行时移校正；通过能量分析方法获得每道地震道中每个采样点振幅的短时窗均值与长时窗均值的比值；判断振幅的短时窗均值与长时窗均值的比值是否大于阈值，若是，则将大于阈值的采样点标记为强噪声；采用归零法将每道地震道中标记为强噪声的采样点进行剔除；保存剔除强噪声后的微动原始数据作为压制强噪声后的微动数据；其中，微动原始数据包括若干道地震道，每道地震道包含若干个采样点。本发明解决了传统的微动探测数据去噪手段无法去除与有用信号频带重合的噪声以及可能会损伤有用信号的技术问题。
Description
技术领域
本发明涉及地震检测技术领域，具体涉及一种微动探测数据强噪声的检测和去除方法。
背景技术
煤矿采空区微动探测实际工程应用中,通过微动检波器采集到的信号都带有噪声信息，尤其在矿区建筑、交通及人类活动频繁等人文强噪声较为普遍的区域，这些强噪声会淹没很多有用信号。传统的微动探测数据去噪手段通常为带通、低通以及高通滤波技术。
带通滤波技术即采用带通滤波器对微动探测数据进行去噪，带通滤波器是一种对波进行过滤的器件，实质上为一个选频电路，其允许有用频率的信号顺利通过，将没用频率的信号阻拦住不让其通过，从而达到对频率进行过滤的功能。带通滤波是从被噪声畸变和污染的信号中提取原始信号所携带的信息的过程，结果是得到一个特定频率或消除一个特定频率。
低通滤波技术即采用低通滤波器对微动探测数据进行去噪，低通滤波器对于需要截断的高频，用电容吸收电感，阻其通过，对于需要释放的低频，利用电容的高阻和电感的低阻的特性让它通过。
高通滤波技术即采用高通滤波器对微动探测数据进行去噪，高通滤波器让某一个频率以上的信号分量通过，但是对于该频率之下的信号分量阻不允许通过。
但是带通滤波、低通以及高通滤波技术均存在以下问题：
(1)三种滤波技术均无法去除与有用信号频带重合的噪声；
(2)三种滤波技术在滤波截止频率参数设置不合适时，会损伤有用信号频率成分。
发明内容
为了克服现有技术的不足，本发明提供一种微动探测数据强噪声的检测和去除方法及系统，用于解决传统的微动探测数据去噪手段无法去除与有用信号频带重合的噪声以及可能会损伤有用信号的技术问题，从而达到不损伤有用信号且能对微动探测数据进一步去噪的目的。
为解决上述问题，本发明所采用的技术方案如下：
一种煤矿采空区微动探测数据强噪声检测和去除方法，包括以下步骤：
读入微动原始数据，并对所述微动原始数据进行时移校正；
通过STA/LTA方法获得每道地震道中每个采样点振幅的短时窗均值与长时窗均值的比值；
判断所述振幅的短时窗均值与长时窗均值的比值是否大于阈值，若是，则将大于阈值的采样点标记为强噪声；
采用归零法将每道地震道中标记为强噪声的采样点进行剔除；
保存剔除强噪声后的微动原始数据作为压制强噪声后的微动数据；
其中，所述微动原始数据包括若干道地震道，每道地震道包含若干个采样点。
作为本发明优选的实施方式，在获得每道地震道中每个采样点振幅的短时窗均值与长时窗均值的比值时，包括：
根据短时窗长度获取每个采样点振幅的短时窗均值，具体如公式1所示：
式中，n代表该地震道上某一采样点，长时窗均值和短时窗均值均在该采样点上计算，L1为短时窗长度，所述微动原始数据包括M道地震道，每道地震道包含N个采样点，任意地震道上的任意采样点用Xij表示，i＝1,......,M，j＝1,.......,N；
根据长时窗长度获取每个采样点振幅的长时窗均值，具体如公式2所示：
式中，L2为长时窗长度。
作为本发明优选的实施方式，在获得每道地震道中每个采样点振幅的短时窗均值与长时窗均值的比值时，还包括：
以采样点数为计量单位，通过微动有效频带上限和微动数据采样频率获得所述短时窗长度和所述长时窗长度，具体如公式3和公式4所示：
L1＝3FS/F (3)；
L2＝10FS/F (4)；
式中，F为微动有效频带上限，FS为微动数据采样频率。
作为本发明优选的实施方式，在采用归零法将每道地震道中标记为强噪声的采样点进行剔除时，包括：
每道地震道应用所述STA/LTA方法后生成一条Rij曲线，设置阈值为R，则Rij＞R的采样点均标记为强噪声，对所述标记为强噪声的采样点进行归零处理，具体如公式5所示：
式中，xij为经归零处理后的采样点数据。
作为本发明优选的实施方式，在读入微动原始数据时，包括：
获取多道地震道数据，对每道地震道进行地震信号识别，得到每道地震道中的地震信号；
对所有所述地震信号进行真实性判断，得到每个所述地震信号的真实性判断结果；
基于所有所述地震信号的真实性判断结果对获取的多道地震道数据进行过滤，得到所述微动原始数据。
作为本发明优选的实施方式，在得到每个所述地震信号的真实性判断结果时，包括：
判断所有所述地震信号中的任一地震信号是否满足预设约束条件；
所述预设约束条件包括：所述任一地震信号是否包括横波和纵波，所述任一地震信号对应的频率范围是否处于预设频率范围内，同一时段从所述多道微地震数据中识别出地震信号的比例超过预设阈值；
若满足，则确定所述任一地震信号为真实地震信号；
若不满足，则确定所述任一地震信号为非真实地震信号。
作为本发明优选的实施方式，在对所述微动原始数据进行时移校正时，包括：
对所述微动原始数据进行滤波，去除噪声干扰；
选用滑动时窗将去除噪声干扰后的所述微动原始数据划分成连续的多段记录；
分析所述多段记录的信噪比，获取所述多段记录中信噪比高的一段记录作为参考道，其他段记录作为时移道；
获取所述参考道与其他时移道的互相关函数，并得到所述互相关函数最大值所对应的时间采样点，所述时间采样点即为所述参考道与所述时移道之间的时差；
根据所述时差调整各个时移道的时间窗位置，从而对多段记录进行时移校正。
作为本发明优选的实施方式，在得到所述参考道与所述时移道之间的时差时，包括：
根据归一化系数，得到所述参考道与其他时移道的互相关函数，具体如公式6所示：
式中，s是第s道时移道，c是参考道，n是指第s道时移道相对于c道的时间位置量，N是归一化系数；
在计算互相关函数时，假设互相关函数Rs(n)的最大值所对应的时间采样点为nmax，则nmax表示当Xs(i)向左或向右平移nmax个采样点时，Xs(i)和Xc(i)的波形具有最大的相似度，根据此关系得到的时间采样点nmax视为两道之间的时差。
作为本发明优选的实施方式，在对所述微动原始数据进行滤波时，包括：
获得所述微动原始数据有效波和干扰的频谱特征；
根据所述有效波和干扰的频谱特征，确定不损伤所述微动原始数据的滤波参数，并根据所述滤波参数对所述微动原始数据进行滤波。
一种微动探测数据强噪声的检测和去除系统，包括：
时移校正单元：用于读入微动原始数据，并对所述微动原始数据进行时移校正；
比值获取单元：用于通过STA/LTA方法获得每道地震道中每个采样点振幅的短时窗均值与长时窗均值的比值；
强噪声标记单元：用于判断所述振幅的短时窗均值与长时窗均值的比值是否大于阈值，若是，则将大于阈值的采样点标记为强噪声；
剔除单元：用于采用归零法将每道地震道中标记为强噪声的采样点进行剔除；
存储单元：用于保存剔除强噪声后的微动原始数据作为压制强噪声后的微动数据；
其中，所述微动原始数据包括若干道地震道，每道地震道包含若干个采样点。
相比现有技术，本发明的有益效果在于：
在不损伤有用信号的情况下，压制了煤矿采空区微动探测数据强噪声，改善了微动探测数据质量，有利于提高后续频散曲线反演的精度。
下面结合附图和具体实施方式对本发明作进一步详细说明。
附图说明
图1-是本发明实施例的微动探测数据强噪声的检测和去除方法步骤图；
图2-是本发明实施例的STA/LTA方法示意图。
具体实施方式
本发明所提供的微动探测数据强噪声的检测和去除方法，如图1所示，包括以下步骤：
步骤S1：读入微动原始数据，并对微动原始数据进行时移校正；
步骤S2：通过STA/LTA方法获得每道地震道中每个采样点振幅的短时窗均值与长时窗均值的比值；
步骤S3：判断振幅的短时窗均值与长时窗均值的比值是否大于阈值，若是，则将大于阈值的采样点标记为强噪声；
步骤S4：采用归零法将每道地震道中标记为强噪声的采样点进行剔除；
步骤S5：保存剔除强噪声后的微动原始数据作为压制强噪声后的微动数据；
其中，微动原始数据包括若干道地震道，每道地震道包含若干个采样点。
在上述步骤S2中，如图2所示，在获得每道地震道中每个采样点振幅的短时窗均值与长时窗均值的比值时，包括：
根据短时窗长度获取每个采样点振幅的短时窗均值，具体如公式1所示：
式中，n代表该地震道上某一采样点，长时窗均值和短时窗均值均在该采样点上计算，L1为短时窗长度，微动原始数据包括M道地震道，每道地震道包含N个采样点，任意地震道上的任意采样点用Xij表示，i＝1,......,M，j＝1,.......,N；
根据长时窗长度获取每个采样点振幅的长时窗均值，具体如公式2所示：
式中，L2为长时窗长度。
在上述步骤S2中，在获得每道地震道中每个采样点振幅的短时窗均值与长时窗均值的比值时，还包括：
以采样点数为计量单位，通过微动有效频带上限和微动数据采样频率获得短时窗长度和长时窗长度，具体如公式3和公式4所示：
L1＝3FS/F (3)；
L2＝10FS/F (4)；
式中，F为微动有效频带上限，FS为微动数据采样频率。
在上述步骤S4中，在采用归零法将每道地震道中标记为强噪声的采样点进行剔除时，包括：
每道地震道应用所述STA/LTA方法后生成一条Rij曲线，设置阈值为R，则Rij＞R的采样点均标记为强噪声，对标记为强噪声的采样点进行归零处理，具体如公式5所示：
式中，xij为经归零处理后的采样点数据。
具体地，可设置阈值R＝1.5，归零后的采样点不参与后续的频散曲线反演，从而有效地提高频散曲线反演的精度。
在上述步骤S1中，在读入微动原始数据时，包括：
获取多道地震道数据，对每道地震道进行地震信号识别，得到每道地震道中的地震信号；
对所有地震信号进行真实性判断，得到每个地震信号的真实性判断结果；
基于所有地震信号的真实性判断结果对获取的多道地震道数据进行过滤，得到微动原始数据。
具体地，通过对所有地震信号的真实性进行判断，可在数据获取阶段就将一些不真实地震信号进行过滤，大大降低获取到的地震信号的噪声。
进一步地，在得到每个地震信号的真实性判断结果时，包括：
判断所有地震信号中的任一地震信号是否满足预设约束条件；
预设约束条件包括：任一地震信号是否包括横波和纵波，任一地震信号对应的频率范围是否处于预设频率范围内，同一时段从多道微地震数据中识别出地震信号的比例超过预设阈值；
若满足，则确定任一地震信号为真实地震信号；
若不满足，则确定任一地震信号为非真实地震信号。
在上述步骤S1中，在对微动原始数据进行时移校正时，包括：
对微动原始数据进行滤波，去除噪声干扰；
选用滑动时窗将去除噪声干扰后的微动原始数据划分成连续的多段记录；
分析多段记录的信噪比，获取多段记录中信噪比高的一段记录作为参考道，其他段记录作为时移道；
获取参考道与其他时移道的互相关函数，并得到互相关函数最大值所对应的时间采样点，该时间采样点即为参考道与时移道之间的时差；
根据时差调整各个时移道的时间窗位置，从而对多段记录进行时移校正。
进一步地，选用一个滑动时窗的长度，利用滑动时窗的长度将去除噪声干扰后的微动原始数据划分成连续的多段记录。
进一步地，在得到参考道与时移道之间的时差时，包括：
根据归一化系数，得到参考道与其他时移道的互相关函数，具体如公式6所示：
式中，s是第s道时移道，c是参考道，n是指第s道时移道相对于c道的时间位置量，N是归一化系数；
在计算互相关函数时，假设互相关函数Rs(n)的最大值所对应的时间采样点为nmax，则nmax表示当Xs(i)向左或向右平移nmax个采样点时，Xs(i)和Xc(i)的波形具有最大的相似度，根据此关系得到的时间采样点nmax视为两道之间的时差。
具体地，由于参考道具有高信噪比，通过时移校正后的时移道与参考道的波形具有最大的相似度，也因此经过时移校正后的时移道同样具有高信噪比。
进一步地，在对微动原始数据进行滤波时，包括：
获得微动原始数据有效波和干扰的频谱特征；
根据有效波和干扰的频谱特征，确定不损伤微动原始数据的滤波参数，并根据滤波参数对微动原始数据进行滤波。
具体地，此处的滤波仅仅对微动原始数据进行简单过滤，进一步降低微动原始数据的噪声，该过程主要是在保证不损伤微动原始数据的前提下，对微动原始数据做一定的过滤。
本发明所提供的微动探测数据强噪声的检测和去除系统，包括：
时移校正单元：用于读入微动原始数据，并对微动原始数据进行时移校正；
比值获取单元：用于通过STA/LTA方法获得每道地震道中每个采样点振幅的短时窗均值与长时窗均值的比值；
强噪声标记单元：用于判断振幅的短时窗均值与长时窗均值的比值是否大于阈值，若是，则将大于阈值的采样点标记为强噪声；
剔除单元：用于采用归零法将每道地震道中标记为强噪声的采样点进行剔除；
存储单元：用于保存剔除强噪声后的微动原始数据作为压制强噪声后的微动数据；
其中，微动原始数据包括若干道地震道，每道地震道包含若干个采样点。
相比现有技术，本发明的有益效果在于：
在不损伤有用信号的情况下，压制了煤矿采空区微动探测数据强噪声，改善了微动探测数据质量，有利于提高后续频散曲线反演的精度。
上述实施方式仅为本发明的优选实施方式，不能以此来限定本发明保护的范围，本领域的技术人员在本发明的基础上所做的任何非实质性的变化及替换均属于本发明所要求保护的范围。
Claims (10)
1.一种微动探测数据强噪声的检测和去除方法，其特征在于，包括以下步骤：
读入微动原始数据，并对所述微动原始数据进行时移校正；
通过STA/LTA方法获得每道地震道中每个采样点振幅的短时窗均值与长时窗均值的比值；
判断所述振幅的短时窗均值与长时窗均值的比值是否大于阈值，若是，则将大于阈值的采样点标记为强噪声；
采用归零法将每道地震道中标记为强噪声的采样点进行剔除；
保存剔除强噪声后的微动原始数据作为压制强噪声后的微动数据；
其中，所述微动原始数据包括若干道地震道，每道地震道包含若干个采样点。
2.根据权利要求1所述的微动探测数据强噪声的检测和去除方法，其特征在于，在获得每道地震道中每个采样点振幅的短时窗均值与长时窗均值的比值时，包括：
根据短时窗长度获取每个采样点振幅的短时窗均值，具体如公式1所示：
式中，n代表该地震道上某一采样点，长时窗均值和短时窗均值均在该采样点上计算，L1为短时窗长度，所述微动原始数据包括M道地震道，每道地震道包含N个采样点，任意地震道上的任意采样点用Xij表示，i＝1,......,M，j＝1,.......,N；
根据长时窗长度获取每个采样点振幅的长时窗均值，具体如公式2所示：
式中，L2为长时窗长度。
3.根据权利要求2所述的微动探测数据强噪声的检测和去除方法，其特征在于，在获得每道地震道中每个采样点振幅的短时窗均值与长时窗均值的比值时，还包括：
以采样点数为计量单位，通过微动有效频带上限和微动数据采样频率获得所述短时窗长度和所述长时窗长度，具体如公式3和公式4所示：
L1＝3FS/F (3)；
L2＝10FS/F (4)；
式中，F为微动有效频带上限，FS为微动数据采样频率。
4.根据权利要求1所述的微动探测数据强噪声的检测和去除方法，其特征在于，在采用归零法将每道地震道中标记为强噪声的采样点进行剔除时，包括：
每道地震道应用所述STA/LTA方法后生成一条Rij曲线，设置阈值为R，则Rij＞R的采样点均标记为强噪声，对所述标记为强噪声的采样点进行归零处理，具体如公式5所示：
式中，xij为经归零处理后的采样点数据。
5.根据权利要求1所述的微动探测数据强噪声的检测和去除方法，其特征在于，在读入微动原始数据时，包括：
获取多道地震道数据，对每道地震道进行地震信号识别，得到每道地震道中的地震信号；
对所有所述地震信号进行真实性判断，得到每个所述地震信号的真实性判断结果；
基于所有所述地震信号的真实性判断结果对获取的多道地震道数据进行过滤，得到所述微动原始数据。
6.根据权利要求5所述的微动探测数据强噪声的检测和去除方法，其特征在于，在得到每个所述地震信号的真实性判断结果时，包括：
判断所有所述地震信号中的任一地震信号是否满足预设约束条件；
所述预设约束条件包括：所述任一地震信号是否包括横波和纵波，所述任一地震信号对应的频率范围是否处于预设频率范围内，同一时段从所述多道微地震数据中识别出地震信号的比例超过预设阈值；
若满足，则确定所述任一地震信号为真实地震信号；
若不满足，则确定所述任一地震信号为非真实地震信号。
7.根据权利要求1所述的微动探测数据强噪声的检测和去除方法，其特征在于，在对所述微动原始数据进行时移校正时，包括：
对所述微动原始数据进行滤波，去除噪声干扰；
选用滑动时窗将去除噪声干扰后的所述微动原始数据划分成连续的多段记录；
分析所述多段记录的信噪比，获取所述多段记录中信噪比高的一段记录作为参考道，其他段记录作为时移道；
获取所述参考道与其他时移道的互相关函数，并得到所述互相关函数最大值所对应的时间采样点，所述时间采样点即为所述参考道与所述时移道之间的时差；
根据所述时差调整各个时移道的时间窗位置，从而对多段记录进行时移校正。
8.根据权利要求7所述的微动探测数据强噪声的检测和去除方法，其特征在于，在得到所述参考道与所述时移道之间的时差时，包括：
根据归一化系数，得到所述参考道与其他时移道的互相关函数，具体如公式6所示：
式中，s是第s道时移道，c是参考道，n是指第s道时移道相对于c道的时间位置量，N是归一化系数；
在计算互相关函数时，假设互相关函数Rs(n)的最大值所对应的时间采样点为nmax，则nmax表示当Xs(i)向左或向右平移nmax个采样点时，Xs(i)和Xc(i)的波形具有最大的相似度，根据此关系得到的时间采样点nmax视为两道之间的时差。
9.根据权利要求7所述的微动探测数据强噪声的检测和去除方法，其特征在于，在对所述微动原始数据进行滤波时，包括：
获得所述微动原始数据有效波和干扰的频谱特征；
根据所述有效波和干扰的频谱特征，确定不损伤所述微动原始数据的滤波参数，并根据所述滤波参数对所述微动原始数据进行滤波。
10.一种微动探测数据强噪声的检测和去除系统，其特征在于，包括：
时移校正单元：用于读入微动原始数据，并对所述微动原始数据进行时移校正；
比值获取单元：用于通过STA/LTA方法获得每道地震道中每个采样点振幅的短时窗均值与长时窗均值的比值；
强噪声标记单元：用于判断所述振幅的短时窗均值与长时窗均值的比值是否大于阈值，若是，则将大于阈值的采样点标记为强噪声；
剔除单元：用于采用归零法将每道地震道中标记为强噪声的采样点进行剔除；
存储单元：用于保存剔除强噪声后的微动原始数据作为压制强噪声后的微动数据；
其中，所述微动原始数据包括若干道地震道，每道地震道包含若干个采样点。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211454767.2A CN115932971A (zh) | 2022-11-21 | 2022-11-21 | 一种微动探测数据强噪声的检测和去除方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211454767.2A CN115932971A (zh) | 2022-11-21 | 2022-11-21 | 一种微动探测数据强噪声的检测和去除方法及系统 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN115932971A true CN115932971A (zh) | 2023-04-07 |
Family
ID=86696797
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202211454767.2A Pending CN115932971A (zh) | 2022-11-21 | 2022-11-21 | 一种微动探测数据强噪声的检测和去除方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN115932971A (zh) |
-
2022
- 2022-11-21 CN CN202211454767.2A patent/CN115932971A/zh active Pending
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN105573104A (zh) | 基于改进emd的手表检测降噪方法 | |
| CN103344989A (zh) | 可控震源地震记录中脉冲噪声干扰的分析方法 | |
| CN104133247A (zh) | 垂直地震剖面数据中套管波的压制方法及装置 | |
| CN102988041A (zh) | 心磁信号噪声抑制中的信号选择性平均方法 | |
| CN115932971A (zh) | 一种微动探测数据强噪声的检测和去除方法及系统 | |
| CN104570118B (zh) | 一种基于双因素的自动识别与去除工业干扰的方法 | |
| CN114114400B (zh) | 微地震事件有效信号拾取方法 | |
| US6853933B2 (en) | Method of identifying spectral impulses for Rj Dj separation | |
| CN112116917B (zh) | 基于相位跃变度的电抗器本体与风机声信号分离方法 | |
| CN111123356B (zh) | 基于初至信息的异常道智能判识方法 | |
| CN113180705A (zh) | 一种基于eeg脑波的疲劳检测方法、系统 | |
| CN110542925B (zh) | 一种基于峰值包络线的地震数据尖峰噪声识别及压制方法 | |
| CN112504429A (zh) | 一种强干扰dvs的高精度解调算法 | |
| CN114428348A (zh) | 一种提高地震资料分辨率的方法及系统 | |
| CN116304584B (zh) | 一种基于包络谱峰值筛选的自适应噪声滤波方法 | |
| CN110704429B (zh) | 一种数据处理方法及装置 | |
| Zhang et al. | Simultaneous denoising and preserving of seismic signals by multiscale time-frequency peak filtering | |
| CN112925024B (zh) | 一种地震记录的方波压制方法 | |
| CN109884706B (zh) | 非平稳微分加权叠加地震资料处理方法 | |
| CN117113055A (zh) | 基于冲击度量和形态滤波的轴承振动信号自适应处理方法 | |
| CN114325846B (zh) | 一种利用时间相干性抑噪的磁异常检测方法 | |
| CN118244357A (zh) | 一种微动勘探数据采集抗干扰方法 | |
| CN114089420B (zh) | 量化检测串感干扰的方法 | |
| Molnár et al. | Quantifying spectral peaks in theta and gamma brain oscillations detected from long term Local Field Potential (LFP) recordings in mice | |
| CN113376698B (zh) | 一种低漏检的地震数据尖峰噪声检测及压制方法 |
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 |