【摘 要】
：
瞬变电磁法是地质勘探中常用的方法，该方法适用于多种地形环境，响应灵敏，被广泛的应用于水文地质、井下巷道、煤田、油气田等领域的勘探中，可有效检测到煤炭采空区、矿井积水、油气田和金属矿产等。
在野外进行瞬变电磁数据的采集过程中，信号会受到噪声干扰，使得数据解释出错和反演精度低。为此，找寻合适的降噪处理方法，可以有效提高数据的解释精度，避免获得错误的地质信息。
瞬变电磁信号容易受到随机噪声、天电噪声、人文噪声的干扰，传统降噪方法在降噪量和降噪效果方面已经不能够满足需要，现有的不少方法，如小波
论文部分内容阅读
瞬变电磁法是地质勘探中常用的方法，该方法适用于多种地形环境，响应灵敏，被广泛的应用于水文地质、井下巷道、煤田、油气田等领域的勘探中，可有效检测到煤炭采空区、矿井积水、油气田和金属矿产等。
在野外进行瞬变电磁数据的采集过程中，信号会受到噪声干扰，使得数据解释出错和反演精度低。为此，找寻合适的降噪处理方法，可以有效提高数据的解释精度，避免获得错误的地质信息。
瞬变电磁信号容易受到随机噪声、天电噪声、人文噪声的干扰，传统降噪方法在降噪量和降噪效果方面已经不能够满足需要，现有的不少方法，如小波阈值、经验模态分解、奇异值分解等方法，可以有效的对上述某类噪声进行压制。本文通过总结这些降噪方法，找出它们适用的范围，同时，根据瞬变电磁信号的推导公式，仿真出理想瞬变电磁信号，随机噪声选用白噪声模拟，天电噪声选用Alpha稳定分布模拟，人文噪声选用50Hz正弦波及其谐波模拟，用于降噪实验分析。本文的主要研究内容如下：
1.研究了一种基于最小均方误差原则的瞬变电磁信号降噪方法，对含有随机噪声和人文噪声的瞬变电磁信号分帧，并对每帧信号做短时傅里叶变换，求得短时频谱幅度，根据频谱幅度估算出先验信噪比和后验信噪比，最小化估计幅值与实际幅值之间的均方误差，最后结合含噪信号的相位信息，得到增强信号，噪声得到有效抑制。
2.大多数瞬变电磁信号的降噪方法只能够处理单一类型噪声，在复杂环境下，降噪效果一般，有时甚至会出现明显的失真。本文研究了基于奇异值分解与正弦波估计相结合的去噪方法，该法首先对含噪信号进行奇异值分解，然后对初步去噪的信号进行正弦波估计，消除正弦噪声干扰，起到了良好的去噪效果。
3.由于采集的瞬变电磁信号的噪声环境不同，同一种算法的降噪效果也不同，本文研究了几种噪声环境下各个方法的去噪效果，并采用基于卷积神经网络的分类技术对含噪信号进行噪声识别，通过识别结果，可选择相应的降噪方法实现最优降噪。
其他文献
近年来，卷积神经网络在超分辨率重建领域的应用取得了一定突破，但依旧不能有效的恢复图像的边缘和纹理等几何结构。本文围绕如何有效恢复图像边缘和纹理等几何结构展开研究，其主要工作具体如下：
(1)提出了一种结合感知边缘约束与多尺度融合的图像超分辨率重建方法。该方法的模型包含两个阶段：第一阶段提取低分辨率图像特征并对特征进行上采样，获得粗糙的高分辨率图像特征；第二阶段将粗精度图像特征作为输入，通过特征金字塔模块以逐步编解码的方式精细粗糙特征，从而完成图像边缘和纹理的精确重建。第二阶段中，考虑到不同尺度特
随着三维点云数据广泛应用于机器人、无人驾驶和三维场景漫游等领域，三维点云的数据量急剧增加，因此提出高效智能化的三维点云识别方法具有重要的现实意义。目前，深度学习在计算机视觉等领域已经取得了很大的进展。本文将深度学习运用到三维点云识别任务中，并取得以下研究成果和结论：
基于Spider卷积的三维点云分类与分割网络。针对Spider卷积神经网络(Convolutional Neural Network，CNN)无法充分地从三维点云数据中获取深层次特征信息的问题，设计出一种可以直接处理三维点云数据的分
当前互联网中服务需求爆发式增长给网络服务提供商、网络基础设施运营商造成了巨大的服务设备需求压力与网络流量传输压力。NFV技术具有虚拟化与隔离特性，SDN技术具有全局视野与灵活调控特性，这两种技术相结合可以有效缓解上述压力。目前针对NFV和SDN架构下部署服务功能链问题已经有了一些研究，本文中介绍了有关基于SDN/NFV网络切片架构，虚拟网络映射，服务功能链部署这三个方面的部分研究现状。之后介绍了SDN的核心思想与基本架构，然后介绍说明了NFV的标准架构和NFV与SDN的关系以及NFV环境下的资源分配问题。
无人机系统正朝着集群化、智能化的方向演进。通信网络作为无人机之间沟通的基础，是实现无人机集群智能协同的关键，无人机自组网具有组网灵活、抗毁性强等特点，是组建无人机网络的一种重要技术。无人机自身特点及其应用场景对网络的时延和吞吐性能提出了更高的要求，合理的MAC协议能让网络节点高效使用通信资源，有助于网络层、传输层等上层协议提供更好的服务质量，使网络更好地满足无人机集群的通信需求。论文以无人机自组网MAC协议作为研究出发点，包括以下几个内容：
一、无人机自组网MAC协议研究以CSMA/CA与TDM
探地雷达(GPR)具有使用方便、探测效率高、适用于多种介质等优点，使用GPR获取层状介质信息已经被广泛应用于路面质量检测、市政工程、环境工程等相关领域。但是使用波形反演方法获取层状介质信息时，现有的参数反演算法存在反演结果精度低、稳定性差和算法实时性差的问题，导致反演结果出现误差，无法满足实际需要。虽然将电磁波在介质层中的双程走时作为先验信息可以提升参数反演算法的性能，但是获取准确的双程走时仍然是一个难题，为此本文从以下三个方面开展了层状介质参数反演算法及其性能的研究：
1.针对参数反演方法反演
GNSS技术自上世纪出现以来，已经得到了极大的发展，而GNSS姿态测量作为其重要的组成部分更是得到了各领域的关注，相比于基于惯性导航系统开展的姿态测量，GNSS姿态测量在各领域的应用中有着更多显著的优点，如成本低，精度高，受环境影响较小且误差不跟随时间进行积累等，因此可以为载体提供长时间的姿态信息，但是因卫星载波信号易受传播误差和电磁干扰等影响，使得解算得到的姿态角精度大受影响，因而设计高效的姿态测量算法并尽量减少误差的影响等研究更显得尤为重要，基于GNSS技术本文针对姿态测量中出现的问题，重点研究以下几
随着各国在无人机，隐身飞行器等相关技术研究领域的不断突破，目标雷达散射截面积(RCS)测量技术在侦察与反侦察，隐身与反隐身领域变得愈发重要。RCS测量可分为采用电磁学方法理论计算与对实物进行实际测量两种。理论计算运算量大，且较难应用于复杂结构或复合材料的物体。实际测量中的远场测量与紧缩场测量则存在对环境要求高，待测物体尺寸受限或是实验成本高等问题。三维成像RCS测量是一种起步较晚的新型目标RCS测量方法，基于方法本身的特性，在解决上述问题时拥有天然的优势。基于综合平面波三维成像的RCS测量技术是一种能够在
随着国内私家车保有量的迅速增加，由于城市中停车实施资源极其紧缺，停车难已成为一个亟需解决的重要交通问题。目前，停车引导算法是解决停车难最为有效的途径之一，但是停车引导算法非常依赖停车数据，因此存在一定的局限性。首先，由于设备成本、安装工期等原因，难以将停车数据采集设备安装在城市中的每个停车场中；另外，信息采集设备的损坏、信息传输故障、数据处理错误等原因都会使得停车数据出现残缺；最后，停车数据是一种商业数据，其商业性致使停车场数据的获取存在一定困难。由于上述原因，基于停车场数据处理的停车引导算法难以发挥作用
现实生活中复杂系统可以建模为网络结构，并对其有价值的信息进行挖掘。由于节点之间存在错综复杂的连接关系，传统的数据挖掘方法不能很好地应用在非欧几里德数据中。网络表示学习是通过保留网络结构信息和附加属性信息来生成一个代表节点性质的低维向量，从而方便进行后续分析任务。因此，近年来这方面的相关研究受到学术界和商业界的广泛关注。随着时间的推移，网络结构会发生一定程度的改变，如何把网络的结构信息和演变过程学习到节点的向量表示中是值得探索的问题。
本文对静态网络和动态网络的表示学习方法分别进行了研究。首先，针
平方公里射电望远镜阵列(Square Kilometre Array，SKA)是国际天文界正在建造的世界最大的综合孔径射电望远镜阵列，其接收面积达到1平方公里，为人类认识宇宙提供了重大的机遇。但仅在SKA的第一阶段，所观测到的天文数据就已经达到了每秒10Pbit/s，如此巨大的数据量对天文学家们是一个严峻的考验。而且，由于大型低频射电干涉阵列(如SKA1-LOW)在成像过程中对图像质量的高要求，必须考虑非共面基线效应，即w项的影响，故将这种经过w项校正后进行成像的方法称之为宽视场或大视场成像。