地震前后基准站GPS数据异常提取算法

目前对地震前兆异常的研究主要集中在“热”和“电”等方面,很少涉及基准站的GPS数据。然而,已经有学者证明震中附近基准站的GPS时间序列坐标数据中也蕴含着大地震的前兆信息。针对2001~2010年间美国本土发生的具有代表性的三个地震进行了研究,首次将Martingale理论运用于GPS数据处理,提出一种异常提取算法,进而对地震前后,震中附近多个基准站的GPS数据进行分析。实验结果表明算法能够有效的反映大地震前后GPS数据中异常的变化趋势,为使用GPS数据对大地震进行预报提供了更多可能。     

基于反向选择的地震前兆观测数据异常检测

针对现有前兆异常检测方法因异常数据较少导致检测准确率偏低的问题,提出一种基于反向选择的检测方法。定义地震数据中的self集与nonself集;将随机选取的未成熟检测器与self集进行匹配,生成半径可变的成熟检测器,覆盖nonself空间;将待检测数据与检测器匹配,通过判断是否在nonself空间得到检测结果;与现有地震异常检测方法BP神经网络、支持向量机进行对比,实验结果表明反向选择用于地震前兆观测数据异常检测有更好的效果。     

基于射出长波辐射数据的震前异常时空分析法

射出长波辐射（Outgoing Long-wave Radiation,OLR）是研究前兆异常的一个重要参数,OLR数据中含有重要的前兆信息.因此本文提出一种基于OLR数据的震前异常分析方法-时空分析法,并通过2008年5月12日的汶川地震,2011年3月11日的日本地震,以及2013年4月20日的芦山地震3个震例详细阐述该算法的分析方法及实验结果,探索OLR数据中隐藏的前兆信息.实验结果表明,OLR数据中存在着重要的前兆信息.在3个震例发生前3个月左右,震中区域及其周边区域异常值都出现明显增大趋势,并且周边区域的异常现象可能比震中区域更明显.此外,还发现3个震例发生前,研究区域的正北方向异常值曲线都出现了明显的波峰,这一发现对于后续研究具有启发性意义.这一规律是否具有普遍性,仍需进一步验证.     

基于量子漫步算法的地震震前异常挖掘

地震特别是大震前会产生一些异常,但这些异常信息难以识别,导致无法充分利用这些异常信息预测地震的发生时间,减少地震带来的灾害影响.针对这个问题,提出一种基于量子漫步算法的震前异常挖掘方法,提取汶川地震和芦山地震的震前射出长波辐射（Outgoing Long-wave Radiation,OLR）异常,进而计算地震前后的P值,异常值CD等数据,通过统计分析方法,探索OLR异常与地震的关系.并且通过实验将该算法扩展到最近十年左右全球发生的8.0级及以上地震,验证该算法的有效性.实验结果表明,该算法能够有效的反映在地震前后会出现OLR异常,而且越大的地震异常越明显.因此,该算法适用于震前异常挖掘.     

基于滑动窗口的几何移动平均鞅算法在震前异常分析中的应用

在地震发生前往往存在各种异常现象,而如何有效地提取震前异常信息是非常重要的研究课题。采用一种基于滑动窗口的几何移动平均鞅算法来进行震前异常特征提取。该算法将地震数据进行几何移动平均鞅处理和滑动窗口特征抽取后,能够有效地提取地震震前异常数据的特征。利用该算法对汶川地震和庐山地震震前的美国国家海洋和大气管理局(NOAA)卫星长波辐射信息进行了分析。实验结果表明该算法能够发现震中区域比周边区域存在更明显的异常,这些异常信号可以辅助研究人员在震前确定地震区域。     

多变量时间序列模式挖掘的研究

多变量时间序列数据集合在许多领域中存在,由于其观测变量之间的相互关联性,往往需要进行综合分析.使用基于时间序列相似性的多变量时间序列模式挖掘方法,从历史数据中寻找出相似的多变量时间序列.将多变量的数据集分段平均为连续矩阵,并采用基于主成分分析和奇异值分解的方法来对矩阵进行相似性比较,最后通过相邻片断的合并以组成更高层次的时序片断,以提高模式的匹配的范围.并在地震前兆数据进行了实现.     

基于密度偏倚抽样的局部距离异常检测方法

异常检测是数据挖掘的重要研究领域,当前基于距离或者最近邻概念的异常数据检测方法,在进行海量高维数据异常检测时,存在运算时间过长的问题.许多改进的异常检测方法虽然提高了算法运算效率,然而检测效果欠佳.基于此本文提出一种基于密度偏倚抽样的局部距离异常检测算法,首先利用基于密度偏倚的概率抽样方法对所需检测的数据集合进行概率抽样,之后对抽样数据利用基于局部距离的局部异常检测方法.对抽样集合进行局部异常系数计算,得到的异常系数既是抽样数据的局部异常系数,又是数据集的近似全局异常系数.之后对得到的每个数据点的局部异常系数进行排序,异常系数值越大的数据点越可能是异常点.实验结果表明,和已有的算法相比,本算法具有更高的检测精确度和更少的运算时间,并且该算法对各种维度和数据规模的数据都具有很好的检测效果,可扩展性强.     

基于记忆效应的局部异常检测算法

基于密度的局部异常检测算法(LOF算法)的时间复杂度较高,限制了其在高维数据集以及大规模数据集中的使用。该文通过分析LOF算法,引入记忆效应概念,提出具有记忆效应的局部异常检测算法——MELOF算法。实验测试表明,该算法的计算结果与LOF算法完全相同,而且能够大大缩短运行时间。     

CUSUM算法在NOAA卫星数据震前异常分析中的应用

震前异常信息可以帮助研究人员检测地震。将CUSUM(cumulative sum)算法作为一种数据挖掘的工具,对射出长波辐射OLR(outgoing longwave radiation)数据进行地震异常检测。主要工作包括计算累积和、平滑曲线、提取特征点和输出特征点曲线。通过对汶川地震、阿根廷地震前后一整年的NOAA卫星射出长波辐射信息进行研究分析,发现异常发生在地震之前,且异常度由小及大,到地震前后达到异常度最大;地震结束后,异常度逐渐减小。实验结果表明,该方法是可行的,有效的。     

基于自编码器和隐马尔可夫模型的时间序列异常检测方法

针对已有基于隐马尔可夫模型(HMM)的时间序列异常检测模型的符号化方法不能很好地表征原始时间序列的问题,提出了一种基于自编码器和HMM的时间序列异常检测方法(AHMM-AD)。首先,通过滑动窗口对时间序列样本进行分段,按照分段位置形成若干时间序列分段样本集,由正常时间序列上不同位置的分段样本集训练各个分段的自编码器;然后,利用自编码器得到每个分段时间序列样本的低维特征表示,通过对低维特征表示向量集的K-means聚类处理,实现时间序列样本集的符号化;最后,由正常时间序列的符号序列集生成HMM,根据待测样本在已建HMM上的输出概率值进行异常检测。在多个公共基准数据集上的实验结果显示,AHMM-AD比已有的基于HMM的时间序列异常检测模型在精确度、召回率和F1值分别平均提高了0.172、0.477、0.313,比基于autoencoder的时间序列异常检测模型,在这三方面分别平均提高了0.108、0.450、0.319。实验结果表明,AHMM-AD方法能够提取时间序列中的非线性特征,解决已有HMM建模时间序列符号化过程中不能很好表征时间序列的问题,并在时间序列异常检测性能上也有显著提升。     

Spatiotemporal fusion through the best linear unbiased estimator to generate fine spatial resolution NDVI time series

Spatiotemporal fusion (STF) technologies are commonly used to acquire high spatiotemporal resolution remote sensing observations. However, most STF technologies fail to consider the nonlinear variation in vegetation in the time domain. Based on the Best Linear Unbiased Estimator (BLUE), this paper proposed a novel STF algorithm (referred to BLUE) which accounts for the phenological characteristics of vegetation. First, annual time series of normalized difference vegetation index (NDVI) data with high spatial resolution but low temporal resolution is fitted using a double logistic function and used as the background field. Then, NDVI data with low spatial resolution but high temporal resolution is used as the observation field. The information in the background and observation fields is fused using the BLUE to obtain high spatiotemporal resolution NDVI data. The proposed algorithm was used to produce dense time series of 30 m resolution NDVI data for a 10 km × 10 km experimental area in 2014. The experimental results demonstrate that the accuracy of fusion results from the proposed BLUE method are higher than those from the enhanced spatial and temporal adaptive reflectance fusion model (ESTARFM) and Linear Mixing Growth Model (LMGM), especially when the temporal component of surface heterogeneity is dominant. The proposed algorithm has broad prospects in vegetation monitoring at high spatiotemporal resolution.     

Fast hyperbolic Radon transform using chirp-z transform

The hyperbolic Radon transform plays an important role in seismic data processing for its ability to focus seismic events in the transform domain. Traditional algorithms based on direct implementations, however, are inefficient with limited applications for processing large data sets. A new algorithm is presented for fast computation of the hyperbolic Radon transform and its sparse calculations. It uses interpolation procedures to stretch the data along time axis and efficiently computes the summation paths in the new coordinates via the chirp-z transform which is carried out by fast Fourier transform (FFT). The proposed fast algorithm is then used within the deconvolutive form of the Radon transform and iterative sparse algorithms for effective decomposition of CMP gathers with an improved temporal resolution, compared to the traditional Radon transforms. The effectiveness of the new algorithm are confirmed on sparse velocity-stack inversion, primary and multiple separation, high-quality stacking, and automatic velocity model building. The tests show that sparse velocity-stack inversion using the new algorithm is even more efficient than the traditional velocity scan, both in resolution and speed. Furthermore, numerical tests show the superiority of the proposed algorithm over the state-of-the-art fast algorithms, based on butterfly scheme and log-polar convolutions, demanding less computational complexity.     

广义S变换地震频谱分解计算方法及应用

广义S变换依据地震信号的特征,用振幅、能量衰减率、能量延迟时间及视频率四类参数构造基本小波,克服了S变换中基本小波固定不变的缺点,是一种高分辨率的时频变换。论文研究将广义S变换用于地震频谱分解,形成了广义S变换地震频谱分解算法和流程。广义S变换频谱分解技术不受时窗长度的限制,大大提高了抗噪性、稳定性和分辨率。实际算例证明,广义S变换地震频谱分解对河道等地质现象的刻画精度要大大高于傅氏变换频谱分解方法,是石油地震勘探中薄层储集体预测的有效手段。     

在小波变换域内实现图像的超分辨率复原

提出了在小波域内实现图像的超分辨率复原的方法，这种方法可以达到自适应边缘保持的目的，算法特点如下：(1)对观测模型实施正交小波变换，获得超分辨率复原问题的空频域描述；(2)采用广义高斯概率模型来构建超分辨率图像的尺度系数和小波系数的先验描述；(3)采用半二次正则化迭代方法来完成小波域超分辨率复原的求解过程。     

一种新的高分辨率常规声波测井系统

高分辨率声波测井对于划分薄油气储层具有重要作用。为解决通过增加声波接收探头提高常规声波测井仪器分辨率这种方法带来的工作模式复杂、投入成本高等问题,根据信号稀疏表示理论,在分析常规声波响应信号采集原理的基础上,构建相应的信号稀疏变换矩阵,在实际测量值构成的观测矩阵的约束下,采用基追踪优化算法,求解稀疏表示系数,得到反映原始薄地层的高分辨率声波测井信号。地层模型仿真与SL油田4口井实际资料处理的结果表明,高分辨率声波信号与地层模型的平均误差为2.41%,且与裸眼井微电极曲线具有良好的薄层对应性。同时,将软件算法植入SL6000型的地面数据采集处理DSP模块,形成新的高分辨率常规声波测井系统。结果表明,此方法较传统方法在不添加任何硬件装置的情况下,同样具备较强的薄层分辨能力,因此具备更大的推广应用价值。     

离散S变换的频域算法和时域算法比较

在信号处理领域,S变换具有良好的时频结合特性,应用广泛。在实际系统中,S变换通过离散数值方法实现,有频域和时域两种形式,文献中多使用频域形式。在用S变换对一些信号作时-频分析时,频域和时域两种实现形式得到的时-频谱图有明显的差异,但没有文献对此问题进行相关讨论。离散S变换的频域算法使用快速Fourier 变换（FFT）和其逆变换（IFFT）实现,但由于Fourier变换蕴含周期特性,一些信号的S变换时-频谱图在始末两端会出现虚假频率信息,干扰信号的时-频分析结果。在研究S变换理论的基础上,给出离散S变换的时域实现。离散S变换的时域算法克服了频域算法的缺点,能更准确反映信号的时-频分布情况。通过对比实验,验证了时域算法的有效性。将S变换的离散时域算法用于地震数据拓频处理,结果显示方法能有效增强信号分辨率。     

强循环规划的观察信息约简

在现实的规划领域中,观察信息的获得需要花费一定的代价,然而对于一个规划解来说,一些观察信息在执行规划解的过程中是不会被用到的,所以如何把这些不必要的观察信息去除从而节省实际过程中的成本是非常有必要的。针对强循环规划的观察信息展开研究,提出了一个对强循环规划观察信息进行约简的算法,该算法能够找出在完全可观察条件下强循环规划的最小观察变量集合,通过使用最小观察变量集合,可以进一步提高执行强循环规划解的效率。     

改进小波多分辨力分析的数据融合算法

在小波分析中,多分辨力分析是一重要的方法。但该方法只对低频段的近似信号进行逐级细分,导致低频段频率分辨力越来越高,而高频段的细节信号保持不变,频率分辨力较低。为了克服小波多分辨力分析在高频段频率分辨力低的缺点,采用改进的小波多分辨力分析方法,由于该方法对高频段进行逐级细分,改善了小波变换在高频段的时频局部化性能,提高了小波变换高频段频率的分辨力。同时,将改进的小波多分辨力分析方法应用到多传感器数据融合中,经过仿真计算,其结果表明:该算法是有效的。     

Approximate forward-backward algorithm for a switching linear Gaussian model

A hidden Markov model with two hidden layers is considered. The bottom layer is a Markov chain and given this the variables in the second hidden layer are assumed conditionally independent and Gaussian distributed. The observation process is Gaussian with mean values that are linear functions of the second hidden layer. The forward-backward algorithm is not directly feasible for this model as the recursions result in a mixture of Gaussian densities where the number of terms grows exponentially with the length of the Markov chain. By dropping the less important Gaussian terms an approximate forward-backward algorithm is defined. Thereby one gets a computationally feasible algorithm that generates samples from an approximation to the conditional distribution of the unobserved layers given the data. The approximate algorithm is also used as a proposal distribution in a Metropolis-Hastings setting, and this gives high acceptance rates and good convergence and mixing properties. The model considered is related to what is known as switching linear dynamical systems. The proposed algorithm can in principle also be used for these models and the potential use of the algorithm is therefore large. In simulation examples the algorithm is used for the problem of seismic inversion. The simulations demonstrate the effectiveness and quality of the proposed approximate algorithm.     

基于改进能熵比的维纳滤波语音增强算法

为了提高低信噪比环境下语音增强的效果、算法的鲁棒性.在基于维纳滤波算法的基础上,结合基于频域特征的语音端点检查算法,提出了一种新的语音增强算法.端点检测算法使用小波包ERB子带的谱熵和改进的频域能量的能熵比法.其中,小波包ERB子带的谱熵考虑了人耳听觉掩蔽模型和语音与噪声信号之间的频率分布之间的不同;频域能量利用了有语音帧和无语音帧的能量不同.维纳滤波算法实时采集语音数据并使用新的参数来区别无语音段和有语音段,并在无语音段平滑更新噪声谱.实验结果表明,该端点检测算法能够很好的区分有语音段和无语音段,这就使得在低信噪比的情况下语音增强效果得到了提升,同时算法的鲁棒性和实时性也得到了保障.在与其他两种算法对比中,得到了更好的语音增强效果.