微弱信号混沌检测临界阈值的Lyapunov指数算法

提供一种微弱信号混沌检测中临界阈值的判定方法，将Lyapunov特性指数作为混沌判据引入了微弱信号混沌检测领域，为混沌检测提供了一种量上的判据、并将这种算法与其它算法进行比较，仿真实验充分证明了该方法的有效性和优越性。     

微弱方波信号检测模型混沌解的判定

薄油气储层的识别和解释中存在极其微弱有效信号，对这些有效信号进行混沌检测的先决条件是检测模型存在混沌区域。本文以微弱方波有效信号为例，运用Melnikov方法就混沌检测模型（Dufing方程）的混沌判据问题进行数学,证明并推导该数学模型出现混沌状态的临界值，为薄油气储层的识别和解释中的微弱信号的混沌检测提供理论依据。     

微弱正弦信号检测模型混沌解的判定

运用Melnikov方法就混沌检测模型的混沌判据问题进行研究，证明并推导该数学模型为非线性混沌系统及系统出现混沌状的临界值。为正弦信号的混沌检测和混沌振子法用于准周期信号检测提供理论依据，也为从低信噪比地震勘探资料中提取有效信息建立理论基础。     

检测地震勘探微弱同相轴的混沌振子算法

针对地震勘探资料湮没在随机噪声中的微弱同相轴问题提出基于混沌理论的混沌振子检测算法. 利用修正的Duffing_Holmes方程建立检测微弱同相轴的混沌振子系统,之后经过对同相轴的扫描处理,构成新子波等时间间隔序列W(t),与此同时对随机噪声也进行相同的截断. 截断的随机噪声在混沌振子系统中可以具有与周期信号相同的表现;经过大量仿真实验确定出满足通常地震勘探子波延续时间的使混沌振子检测子波不呈现周期相态的随机噪声截断时间范围. 选用与松辽盆地T1、T2反射层类似的子波函数并构成待检微弱周期信号,经过MATLAB仿真试验成功地检测出该弱信号,信噪比达到约-10.3dB.     

首都圈数字地震台网对微弱爆破信号的检测能力

利用首都圈数字地震台网接收人工地震信号,进行地下结构研究具有重要意义.但人工震源释放的能量小,激发的地震波以短周期为主,因此本文较全面地研究了地震台网对短周期微弱信号（1～20 Hz）的检测能力：(1) 分析了台网的背景噪声,结果表明基岩台址的地震台噪声比沉积盖层台址的地震台噪声低约13 dB,这相当于近1个震级的检测阈值;夜间的噪声比白天低约5 dB;噪声有逐年增高的趋势,2006年比2001年噪声提高约4 dB.(2 )分析了在台网内进行的药量为25 kg的陆地井下爆破实验,一次爆破相当于0.69级（M_L）的天然地震,有18个地震台可辨认爆炸产生的Pg、Pm或Pc波;离爆破点218 km的基岩台,仍可以接收到振幅只有1.6 nm 的Pm波,这个结果可为地震勘探实际工作提供参考.(3) 研究了台网外核爆试验的信号特征,2006年发生在朝鲜的地下核试验是一次检验台网检测微弱信号能力的好机会.波形记录经1～5Hz滤波后,台网中噪声小的18个基岩台可以清晰辨认核爆破产生的P波或Lg波,P波平均振幅为16 nm,计算的平均震级为m_b4.3,和NEIC给出的震级相同;分析还表明背景噪声是影响台站信号检测能力的主要因素之一.     

多重自相关在微弱低频电磁信号检测中的应用

低频电磁信号在地下电性结构探测中具有重要作用,经过长距离传播,信号衰减,可能被淹没于噪声中.利用多重自相关检测方法,对微弱低频电磁信号进行检测,并与自适应滤波法和离散小波变换法进行对比.利用Matlab对3种算法进行仿真研究.结果表明,多重自相关法能更好抑制噪声,有效检测微弱信号,检测性能优于小波变换法和自适应滤波法.     

BP神经网络在地震噪声波形检测中的应用

为实现自动检测地震噪声波形是否异常,提出应用BP神经网络技术进行地震噪声波形检测.选取福建地震台网88个测震台站2018-2019年的地震噪声原始波形,计算波形的加速度功率谱密度(PSD)值作为神经网络的输入特征值,在MATLAB中构建BP神经网络进行学习训练和仿真测试.测试验证了训练后的BP神经网络模型具备了可靠的地...     

一种基于神经网络的探地雷达信号解释研究

运用人工神经网络理论和方法,建立了用于隧道衬砌厚度探地雷达探测信号解释的BP神经网络模型,对某公路隧道衬砌检测厚度进行了分析应用,并与钻孔取芯结果进行比较,实践证明,该方法可提高探地雷达信号解释精度和工作效率．     

利用台阵方法对明灯1号50吨爆破微弱信号的识别与处理

针对海拉尔台阵记录的明灯1号50吨爆破,利用台阵技术对该爆破进行了微弱信号识别处理、台阵定位、速度谱分析等研究。 结果表明,聚束处理明显增加了信噪比,清晰地显出本来微弱的信号。 利用f-k分析进行的定位结果表明,该爆破的主要能量集中在1~8 Hz。 速度谱分析给出了明确的震相位置,使原本不可能看到的信号清晰地表现出来,而聚束功率分析在方位角－慢度域给出了与理论值相近的能量分布。     

基于遗传神经网络的砂土液化判别模型

针对BP人工神经网络具有易陷入局部极小等缺陷，本文提出了将遗传算法与神经网络相结合，同时优化网络结构与权值、阈值的思想。根据地震液化的实测资料，建立了砂土液化判别的遗传神经网络模型，比较计算结果证明了该模型的科学性、高效性。文中并进行主成分分析，提出液化影响的主要因素。     

基于EMD方法与RBF神经网络的结构损伤检测

针对结构损伤检测中损伤的识别、定位以及程度的标定这三个独立并按一定先后顺序进行的检测过程,提出了一种能将以上三者同时进行的联合检测方法。该方法首先利用经验模态分解(EMD)方法将三层钢筋混凝土剪切型结构在各种损伤工况下的顶层地震作用加速度响应分解为若干固有模态函数(IMF)分量,然后以此IMF分量和未经EMD分解的原始加速度响应数据来构造损伤标识量,作为特征参数依次输入到径向基函数神经网络(RBFNN)中进行损伤检测。给出了应用此方法的具体步骤,通过仿真实验证明了利用该方法进行结构损伤一次检测的可行性和有效性,结果表明,由加速度响应经EMD分解而得到的IMF分量输入到RBFNN中能够更为精确地一次检测出结构所有损伤信息,并且RBFNN在结构损伤损度大时具有更好的检测效果。     

基于RBF神经网络的地震与爆破识别技术

利用天然地震震源和人工爆破震源之间信号能量分布的差异,结合RBF神经网络技术,对2类事件进行分类,具体步骤如下:使用8个带通滤波器对事件波形进行滤波,并划分为4个波形段:P波、P波尾波、S波和S波尾波,分别计算每个滤波器信道和波形段的能量特征值,以所得32个特征参数作为输入向量,利用RBF神经网络,对地震和爆破事件进行分类识别。结果表明,基于RBF神经网络的地震事件识别方法,识别率为88.1%,具有较高的准确性,可作为地震与爆破事件识别的一个重要依据。     

应用人工神经元网络方法自动检测地震事件

利用人工神经元网络方法,提出了一种从连续的地震数据中检测出地震事件的方法。该方法分两步,首先,低阈值的STA／LTA算法从连续的波形中检测出类似地震事件;其次利用神经元网络方法,区分事件是地震事件还是噪声事件。通过对数据检测结果比较,找出了适合地震检测的神经元网络训练方法和神经元传递函数。在对天山流动台阵其中两个台的检测结果表明,在连续约两个月数据中,39RLS台检测出地震75个,30RNA台检测出地震95个,证明该方法对地震事件检测来说是一种有效的方法。     

A method for non-parametric damage detection through the use of neural networks

A neural network-based approach is presented for the detection of changes in the characteristics of structure-unknown systems. The approach relies on the use of vibration measurements from a ‘healthy’ system to train a neural network for identification purposes. Subsequently, the trained network is fed comparable vibration measurements from the same structure under different episodes of response in order to monitor the health of the structure. The methodology is applied to actual data obtained from ambient vibration measurements on a steel building structure that was damaged under strong seismic motion during the Hyogo-Ken Nanbu Earthquake of 17 January 1995. The measurements were done before and after repairs to the damaged frame were made. A neural network is trained with data after the repairs, which represents ‘healthy’ condition of the building. The trained network, which is subsequently fed data before the repairs, successfully identified the difference between the damaged storey and the undamaged storey. Through this study, it is shown that the proposed approach has the potential of being a practical tool for a damage detection methodology applied to smart civil structures. © 1998 John Wiley & Sons, Ltd.     

Recognizing spatial distribution patterns of grassland insects: neural network approaches

The main objective of this study was to fit and recognize spatial distribution patterns of grassland insects using various neural networks, and to analyze the feasibility of neural networks for detecting spatial distribution patterns of grassland insects. BP neural network, Learning vector quantization (LVQ) neural network, linear neural network and Fisher’s linear discriminant analysis were used to fit and recognize spatial distribution patterns at different ecological scales. Various comparisons and analysis were conducted. The results showed that BP, LVQ and linear neural networks were better algorithms for recognizing spatial distribution patterns of grassland insects. BP neural network was the best algorithm to fit spatial distribution patterns. BP network may be used to recognize the spatial details of distribution patterns, and the recognition performance of BP network became better as the increase of the number of hidden layers and neurons. Performance of linear neural network for pattern recognition was similar to linear discrimination method. Linear neural network would yield better performance in finding the general trends of distribution patterns. Recognition performance of LVQ network was just between BP network and linear network. It was found that recognition performance of neural networks depended upon not only the ecological scale but also the criterion for classification. Under the uniform criterion, recognition efficiency of linear methods tended to be weak as ecological scale became to be coarser. A joint use of neural networks was suggested in order to achieve both overall and detailed understanding on spatial distribution patterns.     

用小波变换进行信号特征检测的原理与方法

在前人工作的基础上,我们运用卷积来定义一个连续信号的二进小波变换。在考虑小波函数的相位特征基础上给出了其重现公式。另外,本文论述了这种小波变换定义能直接用于信号特征的检测,并给出了可用于信号奇异性分析的小波函数和尺度函数。