基于变分模态分解算法的探地雷达信号去噪研究

探地雷达信号属于非平稳信号,容易受到干扰噪声影响导致探测能力降低.为了消除雷达信号的噪声,经验模态分解(EMD)、总体经验模态分解(EEMD)和完全总体经验模态分解(CEEMD)等方法被应用到雷达数据处理中.EMD虽然不断被改进,但仍存在一些不足,例如容易受到噪声干扰,存在模态混叠现象,依赖经验性等问题.因此笔者采用变...     

基于时频域的变分模态分解油气检测技术及应用

在油气勘探中,地震数据在采集过程中受到多种因素的干扰,会导致有效反射信息被压制削弱.变分模态分解(VMD)是一种新型的用来解决非线性问题的方法,VMD具有将信号的不同成分分解出来的特性,因此可利用VMD方法将含气目的层的弱反射信号有效识别出来.与此同时,通过时频分析求取衰减梯度的方法已经成为含气性检测的一种重要工具.为...     

基于变分模态分解的机器学习模型择优风速预测系统

精准的风速预报对风力发电系统具有重要意义,但风速信号自身固有的随机性使其波动复杂且不可控,以往的研究采用单一或固定的组合模型很难把握风速序列的特征.提出一种基于分解的机器学习模型择优风速预测系统,采用变分模态分解算法降低原始风速序列的复杂度.进而利用模糊神经网络、非线性自回归神经网络、Elman神经网络、反向传播神经网络和自回归差分移动平均模型构成机器学习模型择优系统,分别对子序列的验证集进行预测,通过均方根误差等性能指数选择其最优模型,提高了整体模型的预测精度.试验采用宁夏地区4个站点的实测风速数据,仿真实验结果表明,所提模型相比于单模型以及较新的深度学习组合模型,具有更高的预测精度.     

采空区勘察工作中“三带”的划分

本文对采空区“三带”划分的应用及依据进行了分析,充分说明了“三带”的准确划分,在矿山地质灾害评估中是定性及定量的主要参数。并通过工程实例对实际工作中“三带”的划分及其作用进行了论证。     

一种集成经验模态分解的样本熵阈值微地震信号降噪方法

微地震信号的采集过程中,会不可避免地混合非平稳随机噪声,传统的线性滤波和频谱分析方法对这种混合信号的去噪效果并不理想.针对这一需求,本文提出了一种新的降噪方法.首先对含噪声的微地震信号执行集成经验模态分解(EEMD),获取一系列不同频率成分的本征模态函数(IMF);为了区分这些IMF分量中的信号和噪声,文中通过计算各个IMF分量的样本熵,根据所设置的样本熵阈值来提取符合微地震信号特征的IMF分量,并对这些IMF分量进行信号重构,由此达到抑制随机噪声的目的.将提出的方法应用于模拟数据和实测微地震数据,均表明该方法具有理想的降噪效果.     

基于经验模态分解和加权最小二乘支持向量机的采空区地面塌陷预测

根据采空区路面塌陷数据的特性,提出了基于经验模态分解（EMD）和加权最小二乘支持向量机（WLS-SVM）预测采空区地面塌陷的新方法,并将其应用于吉林省长平高速公路因刘房子煤矿开采而引起的塌陷预测中。对实测的塌陷数据首先利用三次样条插值得到平滑的信号曲线,然后用EMD对插值后的信号进行时空滤波降噪处理,得到反映塌陷趋势的剩余分量,最后将其馈入到WLS-SVM模型完成预测。预测给出了采空区塌陷的中长期预测结果,得到塌陷区的最终塌陷值为174.34 cm,预测结果与实际监测数据平均偏差约1.06%。对长平高速公路下伏采空区段的实测数据进行分析,并与最小二乘支持向量机（LS-SVM）和BP神经网络预测结果进行了对比。结果表明:基于EMD和WLS-SRM的采空区地面塌陷预测方法具有更高的预测精度和广泛的适用性。     

基于粒子群-变分模态分解、非线性自回归神经网络与门控循环单元的滑坡位移动态预测模型研究

以三峡库区八字门阶跃型滑坡为例,针对静态机器学习模型在周期项位移预测中的不足以及高频随机项位移预测困难等问题,提出了一种新的滑坡位移预测方法。基于时间序列分解思想,采用粒子群算法（PSO）对变分模态分解（VMD）进行参数寻优,并将位移时间序列分解为趋势项、周期项和随机项。趋势项主要受滑坡内部因素影响,采用傅里叶曲线进行拟合预测;周期项由外部因素导致,基于格兰杰因果检验进行成因分析,并引入一种对时间序列历史状态具有较高敏感性的非线性自回归神经网络（NARX）进行预测;随机项频率较高且影响因素无法判定,采用一维门控循环单元（GRU）进行预测。最后将各分量预测位移进行叠加重构,实现滑坡累计位移的预测。结果表明,提出的（PSO-VMD）-NARX-GRU滑坡位移动态预测模型精度较高,且各位移分量预测精度明显高于静态模型中BP神经网络、支持向量机（SVM）和传统自回归模型ARIMA,可为阶跃型滑坡位移预测提供参考。