CN117056677A - 基于麻雀算法改进变分模态分解的瞬变电磁信号去噪方法 - Google Patents
基于麻雀算法改进变分模态分解的瞬变电磁信号去噪方法 Download PDFInfo
- Publication number
- CN117056677A CN117056677A CN202311301908.1A CN202311301908A CN117056677A CN 117056677 A CN117056677 A CN 117056677A CN 202311301908 A CN202311301908 A CN 202311301908A CN 117056677 A CN117056677 A CN 117056677A
- Authority
- CN
- China
- Prior art keywords
- signal
- modal
- transient electromagnetic
- modal decomposition
- sparrow
- 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
- 238000000034 method Methods 0.000 title claims abstract description 47
- 238000000354 decomposition reaction Methods 0.000 title claims abstract description 43
- 230000001052 transient effect Effects 0.000 title claims abstract description 32
- 241000287127 Passeridae Species 0.000 title claims abstract description 25
- 238000005457 optimization Methods 0.000 claims abstract description 14
- 230000008569 process Effects 0.000 claims abstract description 12
- 239000013598 vector Substances 0.000 claims description 9
- 238000005070 sampling Methods 0.000 claims description 8
- 108010076504 Protein Sorting Signals Proteins 0.000 claims description 3
- 238000012545 processing Methods 0.000 abstract description 4
- 230000009467 reduction Effects 0.000 description 14
- 238000001514 detection method Methods 0.000 description 12
- 230000000694 effects Effects 0.000 description 7
- 238000010586 diagram Methods 0.000 description 4
- 238000000926 separation method Methods 0.000 description 4
- 238000001228 spectrum Methods 0.000 description 3
- 230000007547 defect Effects 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 230000005672 electromagnetic field Effects 0.000 description 2
- 238000011156 evaluation Methods 0.000 description 2
- 238000001914 filtration Methods 0.000 description 2
- 238000011835 investigation Methods 0.000 description 2
- 239000011159 matrix material Substances 0.000 description 2
- 238000005259 measurement Methods 0.000 description 2
- 239000007787 solid Substances 0.000 description 2
- 230000009466 transformation Effects 0.000 description 2
- 238000012795 verification Methods 0.000 description 2
- 230000002159 abnormal effect Effects 0.000 description 1
- 230000002238 attenuated effect Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 239000003673 groundwater Substances 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 229910052500 inorganic mineral Inorganic materials 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 239000011707 mineral Substances 0.000 description 1
- 230000002265 prevention Effects 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 230000001629 suppression Effects 0.000 description 1
- 238000012549 training Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/10—Pre-processing; Data cleansing
-
- 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
- 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
- G06F2218/08—Feature extraction
-
- 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
- Y02E—REDUCTION OF GREENHOUSE GAS [GHG] EMISSIONS, RELATED TO ENERGY GENERATION, TRANSMISSION OR DISTRIBUTION
- Y02E60/00—Enabling technologies; Technologies with a potential or indirect contribution to GHG emissions mitigation
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Computational Linguistics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Evolutionary Biology (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Noise Elimination (AREA)
Abstract
本发明公开了基于麻雀算法改进变分模态分解的瞬变电磁信号去噪方法，涉及信号处理技术领域，包括如下步骤：步骤一，利用麻雀优化算法对变分模态分解中的惩罚因子α和模态数K进行全局寻优，得到最优参数[K,α]；步骤二，利用寻优后得到的最优参数组合对采集到的瞬变电磁信号进行变分模态分解，实现对原始信号的去噪过程，本发明利用麻雀优化算法对变分模态分解中的惩罚因子α和模态数K进行全局寻优，得到最佳参数，避免了人为选择参数可能带来的模态混叠问题，提高了信号去噪的效果。
Description
技术领域
本发明涉及信号处理技术领域，具体涉及一种基于麻雀算法改进变分模态分解的瞬变电磁信号去噪方法。
背景技术
针对资源探测与开发、工程地质调查以及环境地质灾害预测等需求，地下结构探测的重要性不断凸显。电磁探测方法是地下结构勘探的重要地球物理手段之一，该方法以地下物质的电性差异为基础，利用人工场源或天然场源激励大地产生电磁场响应，并通过对海底、井下、地表或空中电磁场变化的测量以及对地下结构电性分布的成像解释，实现电性异常结构的探测，进而达到资源探查及地质灾害评估等目的。由于电磁探测方法对环境破坏小而且测量方便、高效，因此应用广泛，其主要应用场景包括但不限于矿产资源勘探和开采、地热资源探测和开发、地下水资源探查、地质结构调查和评估、地质灾害预测和防治等。
电磁噪声是影响瞬变电磁探测精度的重要因素之一，在城市强噪声环境下更是如此，城市环境中大量的电力线、复杂的交通、多样的电子设备会产生高强度电磁噪声，常见的噪声包含工频干扰、随机噪声、天电噪声等，其中，工频干扰和随机噪声在城市环境探测过程中最为常见。由于城市环境中的噪声源与探测设备的距离更近，噪声强度更大，而瞬变电磁信号衰减速度快，晚期信号可能完全淹没于噪声中，而晚期信号包含重要的地下深层信息。因此，一种有效的城市强噪声压制方法具有重要意义。
授权公告号为CN 110850482 B的发明专利提出了一种基于变分模态分解原理的瞬变电磁信噪分离方法，该方法中将含噪的瞬变电磁数据s(t)分解为K个本征模态函数；对每一个本征模态函数进行希尔伯特变换，得到单边频谱；根据单边频谱将各本征模态函数的频谱解调到相对应的基频带，计算解调后的L2范数，并计算分解出本征模态函数的带宽，得到约束变分模型；引入二次惩罚因子α和拉格朗日乘法算子λ，将约束变分模型转换为非约束性变分形式；计算非约束性变分形式的最优解，得到由VMD（变分模态分解）后的一系列优化的本征模态分量，最后重构信号。该方法能够自适应地对信号进行分解，不需要先验知识，实际操作更为简单方便，但是计算量大，需要设置的参数较多。
申请公开号为CN111766549A的发明专利提出一种非负矩阵分解的有监督瞬变电磁信号降噪方法，在训练阶段，将纯净信号进行短时傅里叶变换和非负矩阵分解处理，得到表征信号各自特征的原子字典，然后，在降噪阶段，利用原子字典和降噪模型处理含噪信号，得到初步估计的瞬变电磁信号，最后，重复以上步骤多次，将初步估计的瞬变电磁信号的晚期数据和含噪信号的原始早中期数据分别累加，求各自的算术平均值，再将两者拼接，估计出最终的完整的瞬变电磁信号。该发明能有效去除实际瞬变电磁信号中的噪声，提高瞬变电磁信号反演的准确度，但是因为需要对数据进行训练，步骤太多，工作量大，且因为计算数据过多对处理器本身的性能具有较高的要求。
在瞬变电磁信号处理前期，人们研究了各种噪声的特性，提出了多种降噪方法，如小波变换、卡尔曼滤波、奇异值分解和堆栈式降噪自编码器等，这些方法有着缺乏自适应性、降噪结果不理想、处理步骤复杂以及模型复杂等不足，不利于后续的反演工作。
发明内容
本发明要解决的技术问题在于，针对现有技术的上述缺陷，提供一种基于麻雀算法改进变分模态分解的瞬变电磁信号去噪方法。
为了实现上述目的，本发明提供如下技术方案：
基于麻雀算法改进变分模态分解的瞬变电磁信号去噪方法，包括如下步骤：
步骤一，利用麻雀优化算法对变分模态分解中的惩罚因子和模态数/>进行全局寻优，得到最优参数/>；
步骤二，利用寻优后得到的最优参数组合对采集到的瞬变电磁信号进行变分模态分解，实现对原始信号的去噪过程；
所述步骤一中，寻找最优参数的步骤包括：
初始化参数，设置变分模态分解中的惩罚因子和模态数/>的初始取值范围，在取值范围内初始化麻雀的位置向量，每只麻雀的位置向量即对应随机选取的n组的参数组合；
根据位置向量对采集到的瞬变电磁信号进行变分模态分解,然后计算每个麻雀位置下的包络熵；
选择历次迭代中计算的包络熵中的最小值对应的参数组合作为最优参数组合；
根据所得到的分解参数组合对信号进行变分模态分解，将分解出IMF分量(IMF分量，即信号分解后各频率段的分量)相加得到重构信号，得到去噪后的信号。
更进一步而言，变分模态分解能将采集到的瞬变电磁信号分解为个模态分量，/>，...，/>；
；
式中，为各分量的迭代格式，/>为采集到的信号，/>为第/>个模态分量，/>为拉格朗日乘子经傅里叶变换后的结果，/>为原始输入信号包括的各个频率，为第/>个模态分量的中心频率。
更进一步而言，计算每个模态分量的包络熵值，以包络熵极小值作为适应度函数；
每个模态分量的包络熵表示为：
；
式中，为总采样点数，/>为计算包络熵时对应的采样点数，/>是信号通过希尔伯特解调后所得的包络信号序列，/>为输入的原始信号，/>是的归一化形式。
在验证本发明的实际效果时，采用的验证参数为信噪比（SNR，SIGNAL-NOISERATIO），他是信号中有效参数与原输入信号的比值，即：使用本发明降噪后的信号幅度与原始信号幅度的比值，当信噪比越大证明降噪效果越好。与目前主流降噪方法对比可以发现，本发明具有良好的降噪效果。
与现有技术相比，本发明的有益效果为：
本发明利用麻雀优化算法对变分模态分解中的惩罚因子和模态数 />进行全局寻优，得到最佳参数，避免了人为选择参数可能带来的模态混叠问题，提高了信号去噪的效果。
本发明将经典的维纳滤波器推广到多个自适应波段，使得其具有坚实的理论基础，并且容易理解。采用交替方向乘子法对变分模型进行有效优化，使得变分模型对采样噪声的鲁棒性更强。
本发明计算每个模态分量的包络熵值，以包络熵极小值作为适应度函数，将包络熵最小值对应的代入变分模态分解，将原始信号分解并重构，可以实现对原始信号的信噪分离。
附图说明
为了更清楚地说明本申请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，显而易见地，下面描述中的附图仅仅是本发明中记载的一些实施例，对于本领域普通技术人员来讲，还可以根据这些附图获得其他的附图。
图1为本发明的城市探测流程示意图；
图2为本发明的理想瞬变电磁信号示意图；
图3为本发明的加噪信号示意图；
图4为本发明加噪信号经过本方法处理前后的信号与经过其他滤波方法处理前后信号的对比示意图。
具体实施方式
为了更好地理解本技术方案，下面结合附图对本发明的方法做详细的说明。
本发明的实施例一
请参阅图1至图4，基于麻雀算法改进变分模态分解的瞬变电磁信号去噪方法，包括如下步骤：
步骤一，利用麻雀优化算法对变分模态分解中的惩罚因子和模态数/>进行全局寻优，得到最优参数/>；
步骤二，利用寻优后得到的最优参数组合对采集到的瞬变电磁信号进行变分模态分解，实现对原始信号的去噪过程；
所述步骤一中，寻找最优参数的步骤包括：
初始化参数，设置变分模态分解中的惩罚因子和模态数/>的初始取值范围，在取值范围内初始化麻雀的位置向量，每只麻雀的位置向量即对应随机选取的n组的参数组合；
根据位置向量对采集到的瞬变电磁信号进行变分模态分解,然后计算每个麻雀位置下的包络熵；
选择历次迭代中计算的包络熵中的最小值对应的参数组合作为最优参数组合；
根据所得到的分解参数组合对信号进行变分模态分解，将分解出IMF分量（IMF分量，即信号分解后各频率段的分量）相加得到重构信号，即得去噪后的信号。
其中，变分模态分解能将采集到的瞬变电磁信号分解为个模态分量/>，/>，...，/>；
；
式中，为各分量的迭代格式，/>为采集到的信号，/>为第/>个模态分量，/>为拉格朗日乘子经傅里叶变换后的结果，/>为原始输入信号包括的各个频率，为第/>个模态分量的中心频率。
其中，计算每个模态分量的包络熵值，以包络熵极小值作为适应度函数；
每个模态分量的包络熵表示为：
；
式中，为总采样点数，/>为计算包络熵时对应的采样点数，/>是信号通过希尔伯特解调后所得的包络信号序列，/>为输入的原始信号，/>是的归一化形式。
更进一步而言，将包络熵最小值对应的代入变分模态分解，将原始信号分解并重构，实现对原始信号的信噪分离。
本发明利用麻雀优化算法对变分模态分解中的惩罚因子和模态数/>进行全局寻优，得到最佳参数组合，避免了人为选择参数可能带来的模态混叠问题，提高了信号去噪的效果。
本发明将经典的维纳滤波器推广到多个自适应波段，使得其具有坚实的理论基础，并且容易理解。采用交替方向乘子法对变分模型进行有效优化，使得变分模型对采样噪声的鲁棒性更强。
本发明计算每个模态分量的包络熵值，以包络熵极小值作为适应度函数，将包络熵最小值对应的代入变分模态分解中，将原始信号分解并重构，采用的验证参数为信噪比（SNR，SIGNAL-NOISE RATIO），他是信号中有效参数与原输入信号的比值，即：使用本发明降噪后的信号幅度与原始信号幅度的比值，当信噪比越大证明降噪效果越好。与目前主流降噪方法对比可以发现，本发明具有良好的降噪效果，可以实现对原始信号的信噪分离。
以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换，但这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。
Claims (3)
1.基于麻雀算法改进变分模态分解的瞬变电磁信号去噪方法，其特征在于：包括如下步骤：
步骤一，利用麻雀优化算法对变分模态分解中的惩罚因子和模态数/>进行全局寻优，得到最优参数/>；
步骤二，利用寻优后得到的最优参数组合对采集到的瞬变电磁信号进行变分模态分解，实现对原始信号的去噪过程；
所述步骤一中，寻找最优参数的步骤包括：
初始化参数，设置变分模态分解中的惩罚因子和模态数/>的初始取值范围，在取值范围内初始化麻雀的位置向量，每只麻雀的位置向量即对应随机选取的n组/>的参数组合；
根据位置向量对采集到的瞬变电磁信号进行变分模态分解，然后计算每个麻雀位置下的包络熵；
选择历次迭代中计算的包络熵中的最小值对应的参数组合作为最优参数组合；
根据所得到的分解参数组合对信号进行变分模态分解，将分解出IMF分量相加得到重构信号,得到去噪后的信号。
2.根据权利要求1所述的基于麻雀算法改进变分模态分解的瞬变电磁信号去噪方法，其特征在于：变分模态分解能将采集到的瞬变电磁信号分解为个模态分量/>，/>，...，；
；
式中，为各分量的迭代格式，/>为采集到的信号，/>为第/>个模态分量，为拉格朗日乘子经傅里叶变换后的结果，/>为原始输入信号包括的各个频率，/>为第个模态分量的中心频率。
3.根据权利要求2所述的基于麻雀算法改进变分模态分解的瞬变电磁信号去噪方法，其特征在于：计算每个模态分量的包络熵值，以包络熵极小值作为适应度函数；
每个模态分量的包络熵表示为：
；
式中，为总采样点数，/>为计算包络熵时对应的采样点数，/>是信号/>通过希尔伯特解调后所得的包络信号序列，/>为输入的原始信号，/>是/>的归一化形式。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311301908.1A CN117056677A (zh) | 2023-10-10 | 2023-10-10 | 基于麻雀算法改进变分模态分解的瞬变电磁信号去噪方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311301908.1A CN117056677A (zh) | 2023-10-10 | 2023-10-10 | 基于麻雀算法改进变分模态分解的瞬变电磁信号去噪方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN117056677A true CN117056677A (zh) | 2023-11-14 |
Family
ID=88666611
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311301908.1A Pending CN117056677A (zh) | 2023-10-10 | 2023-10-10 | 基于麻雀算法改进变分模态分解的瞬变电磁信号去噪方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117056677A (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117253501A (zh) * | 2023-11-16 | 2023-12-19 | 临沂金诺视讯数码科技有限公司 | 基于voip呼叫的安防音视频数据增强方法及系统 |
| CN117653146A (zh) * | 2024-01-15 | 2024-03-08 | 广州市碳码科技有限责任公司 | 一种基于电信号的生理参数处理优化方法 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112733603A (zh) * | 2020-12-11 | 2021-04-30 | 江苏大学 | 一种基于改进vmd与svm的变频涡旋压缩机故障诊断方法 |
| 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 |
| CN113792486A (zh) * | 2021-09-12 | 2021-12-14 | 西北工业大学 | 一种基于vmd-ssa-lssvm的水下滑翔机深平均流预测方法 |
| CN116754213A (zh) * | 2023-06-19 | 2023-09-15 | 哈尔滨工程大学 | 一种基于强噪声背景下的电动闸阀故障诊断方法、装置及设备 |
| CN116780776A (zh) * | 2023-06-29 | 2023-09-19 | 淮阴工学院 | 基于改进麻雀算法的化工园区光伏监测系统及方法 |
-
2023
- 2023-10-10 CN CN202311301908.1A patent/CN117056677A/zh active Pending
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112733603A (zh) * | 2020-12-11 | 2021-04-30 | 江苏大学 | 一种基于改进vmd与svm的变频涡旋压缩机故障诊断方法 |
| 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 |
| CN113792486A (zh) * | 2021-09-12 | 2021-12-14 | 西北工业大学 | 一种基于vmd-ssa-lssvm的水下滑翔机深平均流预测方法 |
| CN116754213A (zh) * | 2023-06-19 | 2023-09-15 | 哈尔滨工程大学 | 一种基于强噪声背景下的电动闸阀故障诊断方法、装置及设备 |
| CN116780776A (zh) * | 2023-06-29 | 2023-09-19 | 淮阴工学院 | 基于改进麻雀算法的化工园区光伏监测系统及方法 |
Non-Patent Citations (2)
| Title |
|---|
| MATLAB科研工作室: "【信号去噪】基于麻雀算法优化VMD信号去噪(目标函数为包络熵局部极小值)附Matlab代码", pages 1 - 2, Retrieved from the Internet <URL:https://blog.csdn.net/qq_59747472/article/details/130957581> * |
| 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)》, pages 3885 - 3898 * |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117253501A (zh) * | 2023-11-16 | 2023-12-19 | 临沂金诺视讯数码科技有限公司 | 基于voip呼叫的安防音视频数据增强方法及系统 |
| CN117253501B (zh) * | 2023-11-16 | 2024-02-02 | 临沂金诺视讯数码科技有限公司 | 基于voip呼叫的安防音视频数据增强方法及系统 |
| CN117653146A (zh) * | 2024-01-15 | 2024-03-08 | 广州市碳码科技有限责任公司 | 一种基于电信号的生理参数处理优化方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US10677957B2 (en) | Method for random noise reduction from MRS oscillating signal using joint algorithms of EMD and TFPF | |
| CN117056677A (zh) | 基于麻雀算法改进变分模态分解的瞬变电磁信号去噪方法 | |
| Yang et al. | EMD interval thresholding denoising based on similarity measure to select relevant modes | |
| Tung et al. | Detecting chaos in heavy-noise environments | |
| CN110850482B (zh) | 一种基于变分模态分解原理的瞬变电磁信噪分离方法 | |
| Cao et al. | Multichannel signal denoising using multivariate variational mode decomposition with subspace projection | |
| Li et al. | Dictionary learning and shift-invariant sparse coding denoising for controlled-source electromagnetic data combined with complementary ensemble empirical mode decomposition | |
| CN108961181B (zh) | 一种基于shearlet变换的探地雷达图像去噪方法 | |
| 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 | |
| CN112560699B (zh) | 基于密度和压缩感知的齿轮振动信源欠定盲源分离方法 | |
| CN110515063A (zh) | 基于迭代平稳离散小波变换的水声信号处理方法和装置 | |
| Ali et al. | An improved method of audio denoising based on wavelet transform | |
| 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 | |
| CN117574062A (zh) | 基于vmd-dnn模型的小回线瞬变电磁信号去噪方法 | |
| Lin et al. | Deep learning for denoising: An attempt to recover the effective magnetic resonance sounding signal in the presence of high level noise | |
| Li et al. | Noise reduction method for ship radiated noise signal based on modified uniform phase empirical mode decomposition | |
| Lei et al. | High voltage shunt reactor acoustic signal denoising based on the combination of VMD parameters optimized by coati optimization algorithm and wavelet threshold | |
| Li et al. | Magnetotelluric signal-noise separation method based on SVM–CEEMDWT | |
| Mukherjee et al. | New method for enhanced efficiency in detection of gravitational waves from supernovae using coherent network of detectors | |
| CN116183013A (zh) | 一种基于变分模态分解改进的das信号去噪方法 | |
| US11460594B1 (en) | Mitigating wireless channel impairments in seismic data transmission using deep neural networks | |
| 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 | |
| CN115563480A (zh) | 基于峭度比系数筛选辛几何模态分解的齿轮故障辨识方法 | |
| Matti et al. | Wavelet denoising based on genetic algorithm | |
| Prasad | Dual stage bayesian network with dual-tree complex wavelet transformation for image denoising |
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 |