基于CEEMDAN和小波变换的地震信号随机噪声压制新方法

提出一种结合自适应噪声完备集合经验模态分解（CEEMDAN）和小波变换（WT）的地震信号去噪新方法CEEMDAN-WT。首先利用CEEMDAN将地震信号自适应地分解为若干个固有模态函数（IMF）和余量;然后计算各分量与原始信号的皮尔森相关系数,对处在不同相关系数阈值区间内的分量分别作小波滤波、维持原状及直接剔除等处理,并进行线性重构;最后构建样本熵变化量、互信息、信噪比等指标体系,定量评估去噪效果。模拟实验与实测数据（青海玛多地震）计算结果表明,与EMD、EEMD等方法相比,CEEMDAN-WT方法能有效抑制随机噪声的影响,提高信噪比,并且地震信号的精细化重构效果较好,信号有效成分得到较大保留。     

基于改进EEMD的GPS多路径误差建模与削弱方法研究

引入一种改进的集合经验模式分解方法（improved ensemble empirical mode decomposition,IEEMD）进行多路径误差的建模。与EEMD方法相比较,IEEMD方法可以有效地克服模态分量数目不一致和分解不彻底等问题,并将原始序列分解为不同尺度的模态分量。同时,考虑到不同模态分量中高斯白噪声的能量密度与平均周期之积为常数,设计一种自动选择尺度与重构的方法,用于模态分量的选择与重构,进而构建GPS多路径误差模型。在此基础上,采用恒星日滤波技术,进行邻近周日GPS坐标序列中多路径误差的实时削弱。实验结果表明,采用同样的尺度选择方法和恒星日滤波技术,使用IEEMD方法可以得到比EEMD方法精度更高的GPS坐标序列。     

基于小波特征和神经网络的天然地震与人工爆破自动识别

采用福建地区天然地震和人工爆破事件波形记录，通过一维离散小波变换（DWT）及4层小波包变换（WPT）对信号进行分解，提取出用于识别的4种波形小波特征：小波能量比特征、小波包能量比特征、小波包香农熵特征及小波包对数能量熵，此外还提取出P/S震相振幅比；采用BP神经网络对4种小波特征及分别加入P/S震相振幅比的组合特征进行识别效果检验，结果表明，单小波判据小波能量比特征识别效果好；双判据组合P/S震相振幅比和小波包对数能量熵的组合识别效果最好，可考虑作为实际天然地震与人工爆破在线自动识别系统的识别判据。     

长基线时间序列季节项提取和重构方法分析

运用经验模态分解（EMD）、集合经验模态分解（EEMD）和完备总体经验模态分解（CEEMD）3种方法对原始基线时间序列进行分解,得到各自时间序列的本征函数模态分量（IMF）、相关系数及周期性强度,进而确定其季节项分量,同时通过比较季节项和原始基线时间序列的叠加功率谱图优选分解方法。结果表明,CEEMD方法对基线时间序列季节项提取和重构效果最佳。     

基于EEMD-样本熵和GM-SVM的钟差预报方法研究

提出一种基于集合经验模态分解、样本熵和灰色支持向量机相结合的卫星钟差预报方法。首先利用EEMD对钟差序列进行分解,然后采用样本熵对复杂度相似的分量进行叠加组合,进而对各新分量建立高频支持向量机和低频灰色GM(1,1)进行滚动式预报,最后叠加各预报结果得到钟差预报值。用IGS提供的钟差数据作实验,与灰色模型、支持向量机、遗传小波神经网络的多步预报进行对比分析。结果表明,该方法预报精度较高,对于较长时间的钟差预报也能保证较好的预报效果。     

一种引入Hurst指数的MEMS陀螺仪去噪模型

针对MEMS陀螺仪随机漂移产生的误差,提出一种引入Hurst指数的自适应噪声完备集成经验模态分解(CEEMDAN)与自适应卡尔曼滤波(AKF)相结合的去噪模型。首先,通过CEEMDAN对陀螺仪原始信号进行分解,得到一系列频率由高到低的本征模态函数(IMF)和一个残差余量;然后,提出Hurst指数模态筛选机制,将IMF分量划分为噪声IMF、混合IMF和信息IMF;最后,使用自适应卡尔曼滤波器对混合模态分量进行滤波并重构信号。结果表明,CEEMDAN较EMD和EEMD具有更高的分解精度;使用AKF处理混合模态,通过Hurst指数筛选机制重构信号的信噪比相较于排列熵和相关系数法分别提升约12%、36%;使用Hurst指数筛选机制,AKF处理混合模态后重构信号的RMSE较小波阈值滤波降低约23%。     

HHT-EEMD用于IGS站高程时间序列分析

利用经验模态分解（EMD）和整体经验模态分解（EEMD）方法,将BJFS站2000~2015年高程时间序列进行分解,发现其不仅存在1 a、0.5 a、0.25 a、2个月、1个月以及长周期等周期项,还存在以往方法很难探测出来的近似2 a周期信号。与EMD分解结果对比,整体经验模态分解可以明显减弱模式混叠现象。对各分量进行Hilbert 变换（HHT）,得到时间-频率-能量的Hilbert 频谱图。结果表明,年周期和2 a周期变化是高程运动的主要贡献项。利用小波变换方法对比验证EEMD的分解结果表明,与小波分析相比,EEMD重构信号与高程序列差异的RMS更小,证明了HHT-EEMD方法在数据资料分析过程中的有效性。对环境负载及GRACE负载造成的测站位移进行功率谱分析得出,环境负载确实会造成IGS站高程时间序列的1 a、0.5 a以及季节性运动,GRACE负载还验证了2 a信号的存在。     

基于最小二乘支持向量机与熵特征的地震事件性质辨识研究

为解决天然地震事件性质辨识依赖人工检测、自动化程度不高且误差较大的问题,利用机器学习中的最小二乘支持向量机（LSSVM）和信息论中的排列熵、近似熵及香农熵等特征参数,建立Entropy-LSSVM地震波形特征提取与事件性质辨识模型。基于2021年青海玛多M_S7.4地震、云南漾濞地震事件及人工爆破干扰事件等共计500条波形数据,设计多个不同训练比例与测试比例的随机抽取子实验,采用准确率、召回率、特效度、精确度、F-measure验证该模型的有效性。实验结果表明,熵特征对天然地震和非天然地震事件波形的区分效果明显,且结合熵特征的LS-SVM模型整体性能优于QDA、LDA、朴素贝叶斯、决策树、LogitBoost及RobustBoost等方法,训练集与测试集比例为3∶2的辨识准确率和召回率分别达到99.00%和96.97%,即使训练集只有50条的辨识准确率也可达98%以上,这对天然地震事件的有效甄别有一定参考价值。     

基于EEMD的大坝变形多步预测方法研究

针对大坝变形具有非线性和非平稳性的特点,提出一种基于集合经验模态分解(EEMD)的大坝变形多步预测新算法。首先从时频分析出发,利用集合经验模态分解将变形时间序列分解成具有不同频率特征的分量;然后采用游程判定法对波动程度相似的分量重构为高、中和低频3个分量;最后对3个分量分别建立相应的多步预测模型,叠加各预测值即为最终预测结果。经算例验证,并与AR模型、BP神经网络和支持向量机的多步预测进行对比分析,同时建立不同预测步长进一步验证。结果表明,该算法预测精度较高,在大坝变形波动剧烈的时段也能保证较好的预测效果,可以应用于大坝变形预测。     

基于局部均值分解和相关向量机的变形预测

基于改进局部均值分解（LMD）及加权核函数相关向量机（RVM）算法,构建多尺度变形预测新方法。利用LMD将变形数据分解成多个具有物理意义的变形分量,并基于遗传算法优化的RVM对每个变形分量分别进行预测。将各变形分量预测结果进行叠加,最终建立多尺度变形预测方法,并应用于大坝变形预测。实验结果表明,改进LMD-RVM方法的多个精度指标均优于BP神经网络方法、RVM方法和改进EMD-RVM方法,证实了新方法的有效性及可靠性。
     

基于深度学习的地震与爆破事件自动识别研究

针对天然地震事件、爆破事件分类问题,使用甘肃及周边地区80个天然地震事件和20个爆破事件建立数据集,采取深度学习卷积神经网络(convolutional neural network,CNN)方法搭建两个不同结构的模型进行训练,并用500条训练集之外的天然地震事件与爆破事件波形作为测试数据集,其训练和测试准确率均达到9...     

基于支持向量机的内蒙古地区台网天然地震与人工爆破的自动识别与分析

基于内蒙古地区及其周边(96°~126°E, 36°~54°N)2016~2021年天然地震和爆破事件,首先采用db7、sym6、rbio1.5小波基函数分别对事件波形进行离散、静态、小波包4层小波分解,然后提取能量比、香农熵、能量熵3种特征参数,最后按照不同的小波分解方式、核函数、支持向量机和特征值随机组合的方式进行288组实验。结果表明,“DWT+υ-SVC+db7+线性核+能量比+香农熵+能量熵”的识别率最高为95%,说明该方法更适合内蒙古地区,可为测震台网识别天然地震和爆破事件提供较为可靠的参考依据。     

EEMD-多尺度排列熵的GPS高程时间序列降噪方法

针对GPS高程时间序列受各类噪声干扰的影响,导致难以提取有用信息的问题,提出一种基于整体经验模态分解(EEMD)结合多尺度排列熵(MPE)的阈值降噪方法。该方法以EEMD为核心算法,将原始信号分解成一系列本征模态函数(IMF),并采用MPE作为指标将其分类为噪声IMF、混合IMF和信息IMF;然后利用阈值函数处理混合IMF,实现二次降噪;再重构降噪后的数据与信息IMF,获得降噪结果。仿真信号和实例分析结果表明,该方法与相关系数法、MPE法相比,降噪评价指标RMSE、SNR和d_nSNR均为最优,说明该降噪方法效果最好,本文方法获得的降噪结果能够更好地反映出时间序列本身的非线性变化特性,可为GPS高程时间序列分析提供可靠依据。     

变分模态分解结合样本熵的变形监测数据降噪

针对变形监测数据中包含的噪声成分难以有效滤除,导致预测结果精度不理想的问题,提出一种应用于变形监测领域的新降噪方法。首先利用变分模态分解（VMD）将原始监测序列分解为k个不同中心频率的带限固有模态函数（BIMF）,再将样本熵（SE）大于设定阈值的高频BIMF作为噪声成分剔除,最后重构余下的BIMF获得降噪序列。仿真算例和工程实例检验的结果表明,新方法与EEMD及CEEMD方法相比各评价指标均为最优,降噪结果可为形变分析和预测提供可靠依据。     

基于K均值聚类EEMD的CORS高程时间序列信号分析方法

针对传统EEMD进行信号分解时信噪比低和部分模态混叠的问题,提出基于K均值聚类的CORS高程时间序列改进分析方法。通过添加正负白噪声的EEMD提高信号分解信噪比,基于K均值聚类方法对EEMD迭代过程中分解的各个IMF分量进行聚类分析。实验结果表明,该方法提高信噪比3%以上,基于正交指数的分解精度提高26%以上,聚类结果能够解决IMF中近似的0.5 a、1 a、2 a周期信号的模态混叠问题。     

基于EEMD高斯过程自回归模型的缝洞型油藏开发动态指标预测

缝洞型油藏储集空间类型多样,大缝大洞的存在使得见水特征复杂多样,同时受各类工程、地质因素影响,生产数据非线性、非稳态,动态指标实时预测难度大。对此提出了一种结合集合经验模态分解(EEMD)和信息熵的高斯过程自回归模型的开发动态指标预测方法:①利用EEMD方法将生产数据分解成若干个平稳的本征模态函数(IMF)分量;②采用信息熵计算由于工作制度频繁调整而引起的数据波动程度;③利用分解的低频分量提取拟稳态数据段,对方差贡献度较大的各IMF分量建立高斯过程自回归模型;④叠加各分量计算结果作为预测值。仿真实验表明这种新算法能够有效应用于缝洞型油藏开发动态指标预测,可以预测生产井各项生产指标的变化趋势,为后期生产开发方案调整提供依据,指导油田的整体开发。