提升小波滤波在随钻核磁共振测井中的应用

针对随钻核磁共振测井受到遥传带宽的限制,必须在井下完成关键的谱反演,并以此获得数据量较少的孔隙度、渗透率和流体类型等信息的问题,根据核磁共振回波串信号与原始回波信号不同的频谱特征,提出利用9/7提升小波算法对回波串信号滤波和反演,在此基础上获得了孔隙度信息。研究结果表明,该算法可以有效地提取原始回波串数据中的回波信号,抑制了噪声,将信噪比提高了65％左右,反演结果和孔隙度信息能较好地反映地层属性。     

基于迭代Tikhonov正则化的核磁测井解谱方法研究

核磁测井解谱在核磁共振测井解释处理中是首要和关键的部分,它直接影响到后续计算地质参数的准确性.解谱是一个线性逆问题,由于系数矩阵的高度病态性,需要正则化处理才能得到稳定解.应用迭代Tikhonov正则化方法对核磁共振测井回波串进行反演,给出了正则化参数的后验选取准则,给出了合适的不适定问题的迭代终止准则.该方法具有很快的收敛速度,能适应低信噪比的数据反演,理论数据和实际资料的计算结果表明该方法的正确有效性.它比普通正则化方法的计算速度快得多,比联合迭代重建反演算法速度快、精度高,比改进的奇异值分解反演算法更能适应低信噪比的资料.     

一种进动锥体目标的EM参数估计方法

为分离进动锥体散射点回波、反演锥体的尺寸和进动角等参数,提出了一种EM算法分离散射点微多普勒并进行微动参数估计的方法.该方法由进动锥体回波的类正弦调频模型,经过时频平面检测后,采用EM算法迭代地估计多分量正弦信号的参数和分离散射点的时频观测值,在此基础上再进行锥底散射点多普勒半周期叠加、估计锥体目标尺寸和微动参数.仿真结果表明,在弱散射点信噪比大于2 dB时,可估计出目标的尺寸和进动角等参数,从而验证了该方法的有效性.     

布拉格光栅辅助型上下话路滤波器的实验制作

采用波长为248nm的紫外光,在由标准单模光纤和自制的高掺锗光敏光纤熔融拉锥制作的2×2光纤失配耦合器上写入光纤光栅,实现了全光纤布拉格光栅(FBG)辅助失配耦合器型上下话路滤波器,并测试了器件的传输特性,器件的插入损耗和回波损耗分别为6.74dB和-18.84dB。用10Gbps的光信号进行了传输实验,分别测试了下话路前、后信号的眼图。与输入信号相比,下话路信号的信噪比从10.04dB降低到了9.27dB,信号的消光比从8.89dB降低到了4.68dB。     

基于TMS320VC5509的核磁共振噪声自适应对消系统的实现

核磁共振成像系统强噪声的环境,使得语音通信系统无法正常工作,患者只有在系统停机的前提下才能与医生交流。针对强噪声环境,为了解决医生与患者交流的技术问题,采用最小均方误差自适应对消算法,设计基于TMS320VC5509的DSP语音信号处理硬件系统,针对实际环境和硬件进行编程,同时,分析了核磁共振噪声特性,对系统实时性进行优化,在保证系统信号流畅的前提下尽力提高消噪效果。实验环境信噪比接近0dB,通过实际场景测试,采集原始噪声与消噪后对比、分析,此设计能将信噪比提高到30dB以上。     

雷达脉内调制识别的改进残差神经网络算法

针对人工提取的特征计算量大且存在主观、不能完全体现信号本质以及生成时频图像耗时过长的问题,提出了一种以改进残差神经网络ResNet32为框架,对雷达时域信号特征进行提取并识别的雷达信号脉内调制的算法。算法建立9种脉内信号的时域信号数据集,输入到ResNet32框架中进行训练、分类、识别。算法节省了大量生成时频图像的时间,并且实验验证算法在低信噪比(SNR)时的识别率更加优秀。在混合信噪比的实验条件中,SNR=-14 dB和SNR=-8 dB时的识别率均达到90%以上。     

AMUSE算法在声波测井数据处理中的应用

传统的声波测井信号处理方法采用滤波器滤除干扰信号,不能有效滤除与测井信号处于同一频段内的干扰信号.本文针对测井信号和干扰信号由相互独立的信号源产生,并被声波测井仪器的多个接收器接收这一特点,采用一种独立变量分析方法,AMUSE算法对接收器的获取信号进行分解,提取测井信号的波形信息.并利用测井信号的能量远大于干扰信号的能量这一特点,对AMUSE算法进行改进,利用接收器获取信号的能量信息,得到测井信号的幅度估计.该算法实现了对测井信号波形和幅度的提取,可以有效的提高声波测井数据的准确度.     

联合对角化算法在功耗分析去噪中的应用

提出了一种应用联合对角化算法(Joint Approximative Diagonalization of Eigen-Matrics,JADE)提高功耗信息信噪比的方法.在采集了功耗数据的基础上,使用联合对角化算法对功耗数据和噪声进行分离,使信噪比提升了33.6dB.并使用快速固定点算法(FastICA)与之对比,在1000次实验条件下,统计出两种算法提升信噪比的平均值和串音误差值.结果表明,联合对角化算法比快速固定点算法提升的信噪比高3.7dB,而联合对角化算法串音误差也低于快速固定点算法,证实其在功耗分析去噪中更有优势.     

分数阶傅市叶变换域的心电信号滤波算法

心电信号是一种非平稳的低频微弱信号,与干扰噪声具有较强的时频耦合．经典的滤波方法难以实现有效的信噪分离．提出了一种基于分数阶傅立叶域的LMS自适应滤波算法,既结合了适合处理非平稳信号和减少时频耦合的特点,又能够有效地提高信噪比．首先将信号进行分数阶傅立叶变换,寻找最优变换域,再利用LMS自适应滤波算法在最优变换域滤波,然后对滤波后的信号进行分数阶傅立叶反变换．通过对MIT—BIH中的心电数据进行Mat—lab仿真,表明信噪比从-6dB提高到14dB,清晰地还原出心电信号的波形及特征点．     

基于神经网络的小波域超声信号消噪技术研究

为了提高超声无损检测（UNDT）与无损评价（UNDE）基础数据的信噪比（SNR），提出了一种基于神经网络模式识别理论的小波域超声信号消噪技术.该技术在研究材料内部散射体引起的结构噪声产生机理，以及分析传统裂谱分析(SSP)算法局限性的基础上，利用小波变换方法将原始超声检测信号分解到小波空间，并通过径向基函数（RBF）神经网络所构成的信噪分离器对信号和噪声进行识别、分离来消除噪声，得到高信噪比的超声回波信号.实验结果表明，与传统裂谱分析算法相比，该技术提高了消噪性能的稳定性，增强了湮没材料内部各类散射体散射中的缺陷回波信号能力     

量子粒子群算法在测井反演解释中的应用

量子粒子群算法是在粒子群算法的基础上,结合了量子运动原理提出的新算法,在数值试验中与其它的优化算法(如粒子群算法,蚁群算法,拟牛顿法,遗传算法,模拟退火算法)相比较有着收敛快,精度高的优点.粒子群算法,蚁群算法,拟牛顿法等都是测井反演问题中应用较为广泛的优化算法.本文用量子粒子群优化算法来确定侧向测井几何因子表达式,并...     

计算全息图的制作及再现像质量评价

为了研究迂回位相编码方法与修正离轴参考光法制成的计算全息图再现像质量优劣,本文采用这两种方法分别制作出三幅不同图像的全息图,并利用计算机对其进行模拟再现,引入峰值信噪比和均方误差对再现像质量进行定量评价.结果迂回位相编码峰值信噪比分别为31.572 2dB、32.321 8dB、25.566 7dB,均方误差为45.275 6、38.097 9、180.470 2;离轴编码法中信噪比最大值为31.675 0,均方误差最小值为44.215 8.     

用于高速MB-OFDM超宽带系统的改型双载波调制技术

双载波调制(DCM)是由ECMA-368标准所定义的基于多频带正交频分复用技术的超宽带无线电平台中的调制方案。为了支持1Gbps的数据率,采用改型双载波调制(MDCM)方案,并采用低密度奇偶校验(LDPC)以减少误包率。仿真结果表明,系统在速率为1Gbps下,要达到小于8%的误包率,只需信噪比为11dB。     

背景电阻率对大地电磁法二维REBOCC反演结果的影响研究

REBOCC（ReducedBasisOccam’sInversion）算法是Siripunvaraporn等人将OCCAM反演的研究由模型空间转换到数据空间,改进的一种有效、实用大地电磁法（MT）二维反演算法。本文介绍了REB（）CC方法的基本原理,并用该方法在不同的反演模式和不同的背景电阻率值所得的反演结果分别进行对比分析,试算结果表明,二维REBOCC反演在TE和TM联合模式反演,反演效果比单个TE、TM模式好;反演背景值设置不同对反演效果影响不大。     

基于麦克风阵列的时延估计新方法

针对传统时延估计方法易受噪声和混响影响的问题,提出了一种基于麦克风阵列的时延估计新方法。该方法充分利用多个麦克风的空域信息和每个麦克风时域信息,以提高算法对环境噪声的抑制能力。该方法在抗噪声和抗混响性能方面都优于常用的PHAT-GCC（Phase Transform-Generalized Cross Correlation）方法。仿真实验表明,与MCCC（Multichannel Cross Correlation Coefficient）方法相比,在信噪比为20 dB,阵元个数为2～6个,混响时间在200～620 ms条件下,该方法的时延估计错误率明显降低。     

用高阶累积量实现数字调相信号的分级识别

针对BPSK,QPSK,OQPSK和8PSK信号的调制模式自动识别,传统的基于高阶累积量算法无法区分QPSK和OQPSK,因此提出了一种基于差分高阶累积量的识别算法。该算法首先用四阶累积量提取待识别信号和其差分序列的特征参数,然后用决策树分类法实现信号的分级识别。理论分析和计算机仿真结果表明该算法有较强的抗噪声和抗相位抖动能力,在信噪比〉3dB时识别率达95％以上,更适用于较低信噪比下信号的识别。     

基于多任务学习的MIMO-OFDM信号联合信噪比估计与调制识别

针对当前非协作通信中MIMO-OFDM信号信噪比盲估计与子载波的调制识别研究仅集中在单个任务中的问题,提出了一种将深度神经网络与多任务学习(MTL)框架相结合从而同时完成信噪比盲估计与调制识别的算法。首先利用特征值矩阵联合近似对角化算法(JADE)恢复发送信号,并提取恢复信号的同向正交(I/Q)分量作为浅层特征;然后搭建基于一维卷积神经网络(CNN)的多任务学习模型,通过联合训练信噪比(SNR)估计和调制识别两个任务,实现优势互补。仿真结果表明,所提算法可获得比单任务学习(STL)更优的性能,当信噪比为-10dB时,信噪比估计的均方误差降低了66.21%,调制识别精度提高了4.75%。另外,多任务学习模型在信噪比大于-1dB时,信噪比估计的均方误差小于0.1;信噪比为3dB时,调制识别的精度可达到100%。     

基于MMSE的无线OFDM系统信道估计算法

OFDM作为一种多载波调制技术具有很强的抗衰落能力,广泛用于无线通信领域。同时提出一种基于最小均方误差（MMSE）的无线OFDM系统信道估计方法。实验表明,在相同信噪比（SNR）下,采用最小均方误差MMSE算法的误码率比传统的最小平方LS算法的误码率小1个数量级,采用MMSE算法有效地提高了无线OFDM系统信道估计性能。     

基于压缩感知的双连续超松弛迭代算法研究

压缩感知理论是在已知信号具有可压缩性或通过变换具有稀疏性的条件下,对其信号进行采集,稀疏和重构的新理论.其中稀疏信号重构算法是其中关键的一部分,对信号恢复的精确性及时效性验证有着重要的意义.该文在总结目前已有的重构算法的基础上,提出了一种新的基于压缩感知的双连续超松弛迭代重构算法.该算法通过参数估计自适应的寻找合适的稀...