[发明专利]一种利用高斯模型的微震信号重构方法和系统

权利要求书

1.一种利用高斯模型的微震信号重构方法，其特征在于，包括：

步骤001 输入实测的信号序列S；

步骤002 根据高斯模型对所述信号序列S进行数据重构，重构后的信号序列为S_NEW。具体为：S_NEW＝S_RS+S_CS_EXP其中：S_R＝[G^TG+μW_OPT]^-1[S-S_EXP]^T[S-S_EXP]为信号重构分量；S_C＝[G^T-μW_OPT]为信号调整分量；G为高斯预测矩阵；W_OPT为高斯最佳权重矩阵；S_EXP为期望序列；μ为高斯调整因子。

2.根据权利要求1所述的方法，其特征在于，所述步骤2之前，所述方法还包括：

步骤003 求取所述高斯预测矩阵G、高斯最佳权重矩阵W_OPT、高斯调整因子μ和期望序列S_EXP。

3.根据权利要求2所述的方法，其特征在于，所述步骤3包括：

步骤301 生成循环延迟矩阵具体为：

其中：

s_n：所述信号序列S的第n个元素

N：所述信号序列S的长度

循环参数

以N为模下取整

SNR：所述信号序列S的信噪比

步骤302 生成信号差分序列ΔS，具体为：

ΔS＝[0,0 s₃-s₁,s₄-s₂,···,s_N-s_N-2]

步骤303 求取所述期望序列S_EXP，具体为：

其中：

σ_S：所述信号序列S的均方差

σ_ΔS：所述信号差分序列ΔS的均方差

步骤304 求取Lagrange因子矢量a_OPT，具体为：

其中：

选择矩阵

步骤305 求取所述高斯最佳权重矩阵W_OPT，具体为：

其中：

Z_k：期望矩阵E的第k个特征矢量

κ_k：所述期望矩阵E的第k个特征值

k：特征值下标，k＝1,2,···,N

q：中间参量，q＝1,2,···,N

步骤306 求取所述高斯调整因子μ

其中：

λ_MAX：相关矩阵A的最大特征值

A＝[S-S_EXP]^TS_EXP

λ_i：所述相关矩阵A的第i个特征值

i：特征值序号，i＝1,2,···N。

4.一种利用高斯模型的微震信号重构系统，其特征在于，包括：

获取模块 输入实测的信号序列S；

重构模块 根据高斯模型对所述信号序列S进行数据重构，重构后的信号序列为S_NEW。具体为：S_NEW＝S_RS+S_CS_EXP其中：S_R＝[G^TG+μW_OPT]^-1[S-S_EXP]^T[S-S_EXP]为信号重构分量；S_C＝[G^T-μW_OPT]为信号调整分量；G为高斯预测矩阵；W_OPT为高斯最佳权重矩阵；S_EXP为期望序列；μ为高斯调整因子。

5.根据权利要求4所述的系统，其特征在于，还包括：

计算模块 求取所述高斯预测矩阵G、高斯最佳权重矩阵W_OPT、高斯调整因子μ和期望序列S_EXP。