MT时间序列的FIR数字滤波分析

大地电磁测深法(MT)野外观测得到的原始资料是包含多种频谱的时间序列,这种时间序列中常包含不需要的信息和50 Hz及其谐波的干扰。结合FIR数字滤波技术与MT时间序列的特征,提出了一种基于FIR数字滤波技术的MT时间序列去噪方法,讨论了FIR数字滤波器的原理和实现,分析了理论数据通过FIR数字滤波的带通和陷波处理,探讨了对实测时间序列的带通和陷波所取得的效果。     

GPS信号载噪比研究

介绍了GPS接收机所接收信号的栽噪比；提出了载噪比方向图的概念，导出了栽噪比方向图与天线增益方向图的关系；初步评估了大气损耗的时空差异；指出可利用栽噪比异常方向图确定被动式干扰源的方位。     

基于小波分析的光照电站边坡位移变形监测研究

光照电站是北盘江上大型水利枢纽，为确保安全施工和运营，采用智能型全站仪TCA2003对大坝两岸边坡进行位移变形监测。由于监测结果中包含测量仪器、测量条件和测量过程误差，利用db3小波和db6小波进行去噪处理，获取更具真实性和稳定性的数据。通过对比分析，db6小波去噪效果比db3小波好，调用函数提取db6小波分解前后的高频系数，可以判断出噪声主要集中在高频中前两层。     

基于小波去噪的BP神经网络在变形监测中的应用

在变形监测领域中,对沉降数据的准确预测能够提前获悉检测对象的变形趋势,避免事故发生.原始监测数据普遍含有异常值,从而会对预测模型精度造成一定影响,降低预测结果的准确性.以BP(Back Propagation)神经网络为基础,采用小波去噪的方式针对剔除和插补原始数据中的异常值,分别建立去噪前后BP神经网络预测模型,并利用工程实例对预测模型精度进行分析.结果表明,小波去噪后的BP神经网络预测模型相比去噪前精度有所提升,精度更高,能够更为准确地反映监测对象的变形趋势.     

一种CORS站高程序列噪声识别算法

针对能量密度谱判断噪声与信号主导模态分界点性能不稳定的问题,该文提出基于夹角余弦的分界点判断方法。该方法首先利用EEMD对CORS站高程数据进行分解,其次计算原始信号与各阶模态分量的夹角余弦值,最后根据夹角余弦值的首次逆向转折位置判定噪声主导模态和信号主导模态的分界点。以4个CORS基准站近20年原始高程时间序列信号为研究对象,对噪声与信号模态分量分界点进行判定,实验结果表明采用基于夹角余弦的判定方法可以一次判断出噪声和信号模态分量的分界点。该方法应用到CORS站高程信号与噪声序列的识别中性能更加稳定。     

基于小波去噪的灰色模型在变形监测中的应用

灰色模型可在"贫信息"的条件下发现变形观测数据中的规律,但不能去除数据中噪声的影响;而小波分析可有效识别并剔除变形监测数据中的噪声(误差),使变形规律更加明显;结合两种方法的优势能增强数据分析的可靠性,提高预测精度.将小波去噪与灰色模型相结合,研究了该分析方法在高铁隧道变形监测中的应用,并得到了较可靠的预测结果.     

基于Sentinel-2卫星遥感影像的去云方法研究

在光学遥感卫星图像中,云是普遍存在的现象,它严重降低了图像的质量,因此,去云处理就是一个必不可少的步骤.深度神经网络在许多图像处理任务中取得了成功,但是利用该方法针对遥感图像的去云研究较少.本文采用GAN来解决遥感图像去云问题,首先训练生成模型生成无云影像,同时训练判别模型使生成的模型更加真实和清晰,最终达到从被云覆盖的卫星图像中恢复并增强这些区域的信息,生成质量更好的无云图像的目的.基于人工智能标注的Sentinel-2卫星遥感影像数据集的试验表明,与传统的小波变换基准相比,提出的生成对抗网络模型在去云处理方面效果有明显提升.     

桥梁变形数据小波去噪与PSO-BP神经网络预测

跨海大桥在运行期间因受自身因素以及飓风、海浪等多种外界因素的影响,桥梁变形表现为非线性变形.针对这种现象,本文以跨海大桥观测数据为例,使用小波理论进行去噪处理,对去噪后的数据分别建立BP神经网络预测模型以及POS-BP神经网络预测模型,并对比分析预测结果.结果表明:POS-BP神经网络预测模型预测精度更高.     

基于矩阵束法的时域航空电磁响应数据的重构

为快速处理时域航空电磁响应数据,可将数据从时域变换到τ域,并提取数据的极点和留数信息,它们是与目标地质体的几何属性和物性相关的参数。基于矩阵束法,将感应电动势理论响应数据表示成矩阵形式,并分解构造矩阵束,通过奇异值分解和最小二乘法来进行参数估计。进行了正演模拟,重构理论响应数据和去噪能力研究。结果表明,有限个极点及其留数能够较好体现瞬态响应的主要特征,并对随机干扰有一定的抑制作用,这为快速处理解释时域航空数据提供了一种实用方法。