基于多窗口联合优化的多次波自适应相减方法

自适应相减是预测减去法压制多次波的重要环节。基于匹配滤波器的多次波自适应相减方法通常采用逐个数据窗口进行匹配来估计滤波器。逐个大数据窗口求解长滤波器进行多次波自适应相减会导致较低的计算效率,另一方面在复杂地质构造中,逐个小窗口匹配估计的短滤波器不足以表征预测多次波与真实多次波之间的复杂差异。为进一步有效均衡一次波保护和多次波压制并且提高计算效率,引入多个窗口联合优化来求解滤波器,同时利用多个小窗口的预测多次波信息来匹配原始数据。引入快速迭代收缩阈值算法(FISTA)求解多个小窗口估计一次波的L₁范数最小化约束问题,从而有效分离一次波与多次波。模型数据和实际数据处理结果表明,与传统的逐个大数据窗口进行多次波自适应相减的方法相比,基于多窗口联合优化的多次波自适应相减方法在保持计算精度的同时提高了计算效率;与传统的逐个小数据窗口进行多次波自适应相减的方法相比,基于多窗口联合优化的多次波自适应相减方法可以更有效地平衡多次波去除和一次波保护。     

高精度标准电阻用空气恒温箱设计及优化

设计一款便携式空气恒温箱并对其优化,以满足标准电阻的存放及高精度量值传递。温度控制系统以单片机为核心,通过模糊PID控制来调节PWM波占空比,进而改变功率电阻的发热量,实现温度调节;通过恒温箱不同供电方式对量值传递造成的干扰来分析和比较电源噪声;用高速采样器PXI-5922对温度控制系统在温度上升期、调整期和稳定期3个阶段的PWM波进行采样,分析各阶段占空比进而得到实验室温度下(19.5±0.5)℃系统的功率消耗。经过数据分析,36 V电池可在实验室温度下为稳定状态的恒温箱持续供电(49.8±0.3)h。实验表明,恒温箱功耗低、噪声小、便携性强、稳定性高,满足标准电阻存放和量值传递的要求。     

基于K-SVD算法和组合字典的语音信号清浊音判决研究

针对语音中清音和浊音特性的不同,本文提出了一种新的清浊音判别方法,利用K奇异值分解(K singular value decomposition,KSVD),分别对数据样本中的清音和浊音进行字典学习,训练出符合样本信号特性的浊音字典和清音字典,将多个单清音字典组合成组合清音字典,多个单浊音字典组合成组合浊音字典,并将待测信号在组合浊音字典和组合清音字典上进行稀疏表示,通过对比其系数的稀疏性来判别清浊音。研究结果表明,在相同条件下,与传统的清浊音判别方法相比,基于组合字典的判别方法对于多音素的清浊音判决具有更加准确的判决结果。该研究对语音识别和语音编码具有重要作用。     

重建误差Huber范数最小化约束的压缩感知方法

地震数据中存在异常强噪声,基于重建误差L₂范数最小化约束的压缩感知方法假设重建误差满足高斯分布。因此,上述压缩感知方法不能去除满足超高斯分布的异常噪声。为了更好地消除异常噪声并提高插值精度,提出采用Huber范数代替L₂范数对重建误差施加最小化约束,Huber范数的最小化约束实际上等价于对大重构误差（异常噪声）的L₁范数最小化约束和对小重构误差（高斯随机噪声）的L₂范数最小化约束,因此对异常噪声具有很好的鲁棒性。通过引入理论上构建的伪地震数据将Huber范数最小化问题转化为L₂范数最小化问题,可以有效地求解基于重建误差Huber范数最小化约束的压缩感知方法的Huber-L₀最优化问题。另外,还讨论了高斯随机噪声的强度、异常噪声强度和参数选取对插值精度的影响。模型数据和实际数据的处理结果表明：与基于重建误差L₂范数最小化约束的压缩感知方法相比,基于重建误差Huber范数最小化约束的压缩感知方法可以更好地消除异常噪声,并保护有效信号。     

应用逆散射级数波场预测和2D卷积盲分离压制层间多次波

多次波压制是地震数据处理的重要环节。基于波动方程的预测相减法是压制层间多次波的常用方法,它包括层间多次波预测以及自适应相减两个步骤。文中提出了一种改进的层间多次波压制方法,通过引入阶跃函数、有限积分区间等假设条件简化逆散射级数公式,实现层间多次波的预测;然后引入2D卷积盲分离方法实现层间多次波的自适应匹配相减。理论模型试算及实际资料应用效果表明,该方法能在不依赖速度模型前提下高效实现层间多次波预测;采用的多道卷积盲分离自适应相减方法,比传统L₂范数最小化自适应相减方法和单道卷积盲分离自适应相减方法,能在有效压制层间多次波的同时,更好地保护一次波。     

基于3D匹配滤波器和伪地震数据算法的多次波自适应相减方法

多次波自适应相减是预测减去法压制多次波的关键步骤。为进一步去除残余多次波,基于常规2D匹配滤波方法,文中引入3D匹配滤波器,同时利用多个预测多次波道集以匹配原始数据。针对3D匹配滤波器可能造成的一次波损伤现象,利用相同的3D匹配滤波器同时拟合多个原始数据道集;同时,引入伪地震数据算法求解对一次波施加Huber范数最小化约束的优化问题,不需满足一次波与多次波正交的假设,能有效分离一次波与多次波。另外,在整个迭代过程中,伪地震数据算法只需利用Cholesky分解算法进行一次矩阵分解,计算效率较高。模型和实际数据的处理结果表明,与基于一次波能量最小化的3D匹配滤波器方法和基于伪地震数据算法的2D匹配滤波器方法相比,所提方法能更好地均衡一次波保护与多次波分离。