[发明专利]一种集成经验模态分解的样本熵阈值微地震信号降噪方法

权利要求书

1.一种集成经验模态分解的样本熵阈值微地震信号降噪方法，其特征在于，所述方法包括：

步骤S1，获取含有噪声的微地震信号，并对所述微地震信号进行集成经验模态分解，得到一系列不同频率成分的本征模态函数IMF；

步骤S2，基于样本熵从所述步骤S1得到的本征模态函数中提取符合微地震信号特征的目标本征模态函数；

步骤S3，对于所述目标本征模态函数进行重构，得到去噪后的微地震信号。

2.根据权利要求1所述的方法，其特征在于，所述步骤S1包括以下步骤：

步骤S11，为所述微地震信号x(n)增加高斯白噪声w(n)，得到目标信号X(n)；

步骤S12，使用经验模态分解方法对于所述目标信号X(n)进行分解，得到所述目标信号X(n)的分解表示；

步骤S13，重复上述步骤S11和S12 N次，每次将不同的高斯白噪声添加到所述微地震信号中，得到N个目标信号序列的分解表示X_i(n)；

步骤S14，对于所述N个目标信号序列的分解表示中的本征模态函数IMF序列进行平均运算，得到平均本征模态函数IMF序列imf_j′；

步骤S15，基于所述平均本征模态函数IMF序列imf_j′，对于所述微地震信号x(n)重新进行表示，得到一系列不同频率成分的本征模态函数IMF。

3.根据权利要求2所述的方法，其特征在于，所述步骤S11中，目标信号X(n)表示为：

X(n)＝x(n)+w(n)，

其中，n表示采样点数。

4.根据权利要求3所述的方法，其特征在于，所述步骤S12中，所述目标信号X(n)分解表示为：

其中，k表示IMF序列的数量，imf_j表示一系列本征模态函数IMF序列，r表示残余量。

5.根据权利要求4所述的方法，其特征在于，所述步骤S13中，第i个目标信号序列的分解表示为：

6.根据权利要求5所述的方法，其特征在于，所述步骤S14中，平均本征模态函数IMF序列imf_j′表示为：

7.根据权利要求6所述的方法，其特征在于，所述步骤S15中，所述微地震信号x(n)重新表示为：

其中，r_k(n)表示残余序列。

8.根据权利要求1所述的方法，其特征在于，所述步骤S2包括以下步骤：

步骤S21，基于所述本征模态函数构造得到一组m维向量：

imf_jm′(1),imf_jm′(2),…,imf_jm′(N-m+1)，

其中，imf_j′(i)为分解分量IMF，j＝1,2,...,k表示模态分量的序号，i＝1,2,...,N表示数据的长度，imf_jm′(i)＝{imf_j′(i),imf_j′(i+1),...,imf_j′(i+m-1)}；

步骤S22，对于给定的imf_jm′(i)，统计imf_jm′(i)与imf_jm′(l)之间距离小于d的l的数目，并记作B_i，同时计算B_i与总距离的比值

其中，向量imf_jm′(i)与imf_jm′(l)之间的距离d[imf_jm′(i),imf_jm′(l)]为两者对应元素中最大差值的绝对值，即d[imf_jm′(i),imf_jm′(l)]＝max_{k＝0,...,m-1}(|imf_j′(i+k)-imf_j′(l+k)|)；

步骤S23，计算比值对于所有i的均值，得到第一比值均值B^(m)(d)：

步骤S24，将维度m增加到m+1，重复所述步骤S21-S23得到比值和第二比值均值A^m+1(d)：

其中，A_i表示当维度m增加到m+1时，对于给定的imf_jm′(i)，统计得到的imf_jm′(i)与imf_jm′(l)之间距离小于d的l的数目，表示A_i与总距离的比值，A^m+1(d)表示比值对于所有i的均值；

步骤S25，计算第一比值均值B^(m)(d)和第二比值均值A^m+1(d)的样本熵SampEn(N,m,r)：

步骤S26，设置样本熵阈值，将样本熵小于所述样本熵阈值的本征模态函数作为符合微地震信号特征的目标本征模态函数。