一种基于小波变换-RBF神经网络的泥浆脉冲信号去噪方法技术

本发明专利技术涉及无线随钻脉冲信号去噪技术领域，且公开了一种基于小波变换

【技术实现步骤摘要】
一种基于小波变换-RBF神经网络的泥浆脉冲信号去噪方法


[0001]本专利技术涉及无线随钻脉冲信号去噪
，具体为一种基于小波变换-RBF神经网络的泥浆脉冲信号去噪方法。

技术介绍

[0002]Jarrot A等提出了泥浆泵噪声对消法，通过分析泵噪声特点来合成噪声信号，利用合成的泵噪声信号或者理想压力脉冲信号作为参考标准，利用选择出的最接近的合成频谱，来减少或消除实际压力脉冲中的噪声。Kou J.K等将小波变换(Wavelet Transform，WT)应用到信号消噪中，主要应用了小波阈值降噪策略，在合理分解层数下对几种常用小波基进行对比实验，通过分析总结实验结果，给出了选取合理分解层数以及最佳小波基的有效方案。张伟等提出了基于小波包变换(Wavelet packet transform，wpt)的泥浆脉冲信号去噪方法，首先将待处理信号进行小波包分解，从中找出含泵噪声的结点并去除，其余噪声看作高斯白噪声，最后利用高斯过程的四阶积累量为零的特点将其去除。吴金勇提出了小波变换与经验模态分解相结合的去噪方法，小波阈值法参数设置依赖于经验，灵活性不够，EMD依赖于信号特点进行分解，但在信噪比低时效果不理想，二者各有优劣势，可以互相弥补，以达到较好的降噪效果。

技术实现思路

[0003](一)解决的技术问题
[0004]针对现有技术的不足，本专利技术提供了一种基于小波变换-RBF神经网络的泥浆脉冲信号去噪方法，解决了上述
技术介绍
中所提出的问题。
[0005](二)技术方案
[0006]为实现上述目的，本专利技术提供如下技术方案：一种基于小波变换-RBF神经网络的泥浆脉冲信号去噪方法，包括以下步骤：
[0007]S1、对随钻测量信号进行小波分解；
[0008]S2、建立RBF神经网络非线性自适应滤波器；
[0009]S3、RBF神经网络非线性自适应滤波器运行。
[0010]优选的，所述步骤S1的具体步骤为：
[0011]S11、确定最佳小波基及相应的分解层数，对信号进行小波分解，每一层的待分解信号都通过相应的低通及高通滤波器，滤波后的信号被分成两个部分，一部分包含的是低频信号，另一部分包含的则是高频信号，而后分别对两部分信号进行采样，对每层信号都进行上述处理，最终分解到各自独立的频带中；
[0012]S12、对分解得到的小波系数通过合适的阈值进行量化处理；
[0013]S13、利用阈值量化后得到的小波系数进行小波重构，恢复有用信号和噪声信号。
[0014]优选的，所述步骤S2的具体步骤为：
[0015]S21、所述基本的RBF神经网络是一种具有单隐层的三层前馈型神经网络结构，主
要由输入层、隐含层和输出层三层结构；
[0016]S22、建立RBF神经网络非线性自适应滤波器。
[0017]优选的，所述步骤S22，建立RBF神经网络非线性自适应滤波器具，主要是由BRF神经网络模块和自适应算法模块组成。
[0018]优选的，所述步骤S3具体步骤为：
[0019]S31、计算n时刻代价函数；
[0020]S32、根据LMS原则，对RBF神经网络参数进行迭代计算；
[0021]S33、当达到终止条件或者迭代次数时，将输出最终滤波结果。
[0022]优选的，所述步骤S32中，RBF神经网络参数采用优化算法进行迭代。
[0023](三)有益效果
[0024]本专利技术提供了一种基于小波变换-RBF神经网络的泥浆脉冲信号去噪方法，具备以下有益效果：
[0025](1)、本专利技术针对固定步长对于BRF神经网络的收敛速度和稳态误差有很大的影响，提出了学习步长的自适应优化策略，使得BRF神经网络具有更好的鲁棒性和跟踪能力，更加适合在线训练学习。
[0026](2)、本专利技术对随钻信号处理后，保留了随钻信号大部分有效成分，有对噪声进行了抑制，提高了随钻测量信号的识别性和准确度。
附图说明
[0027]图1为本专利技术的RBF网络结构；
[0028]图2为本专利技术的滤波器原理图；
[0029]图3为本专利技术的流程图；
[0030]图4为本专利技术的小波分解图；
[0031]图5为本专利技术的原始信号图；
[0032]图6为本专利技术的去噪后的信号图；
[0033]图7为本专利技术的优化算法性能图。
具体实施方式
[0034]下面将结合本专利技术实施例中的附图，对本专利技术实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本专利技术一部分实施例，而不是全部的实施例。基于本专利技术中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本专利技术保护的范围。
[0035]一种基于小波变换-RBF神经网络的泥浆脉冲信号去噪方法的流程如图3所述，其包括以下步骤：
[0036]S1、对随钻测量信号进行小波分解，小波分解系数如图4所示，具体步骤为：
[0037]S11、确定最佳小波基db9及相应的分解层数9层，对信号进行小波分解，每一层的待分解信号都通过相应的低通及高通滤波器，滤波后的信号被分成两个部分，一部分包含的是低频信号，另一部分包含的则是高频信号，而后分别对两部分信号进行采样，对每层信号都进行上述处理，最终分解到各自独立的频带中；
[0038]S12、对分解得到的小波系数通过合适的阈值进行量化处理；
[0039]S13、利用阈值量化后得到的小波系数进行小波重构，恢复有用信号和噪声信号。
[0040]S2、建立RBF神经网络非线性自适应滤波器，具体步骤为：
[0041]S21、所述基本的RBF神经网络是一种具有单隐层的三层前馈型神经网络结构，主要由输入层、隐含层和输出层三层结构，其网络拓扑结构如图1所述，这里假设RBF神经网络由m个输入，n个隐含神经元和一个输出组成；
[0042]S22、建立RBF神经网络非线性自适应滤波器，主要是由BRF神经网络模块和自适应算法模块组成，如图2中x(n)+d1(n)是小波包变换并重构后带噪声的泥浆脉冲信号，作为原始输入信号，d(n)经过小波变换并重构后的噪声信号，作为参考输入信号，e(n)为参考信号为输入信号和参考信号的误差，y(n)为实际输出信号。信号x(n)受到宽带噪声d1(n)的污染，与噪声相关的宽带信号d(n)是可以测量的。其中的d(n)与信号d1(n)是彼此相关的噪声信号，而与信号x(n)是不相关的。如果将d(n)作为自适应滤波器的输入，而将x(n)作为期望信号，通过对输出误差e(n)的控制，可以调整RBF神经网络的权系数、中心点位置、隐节点的扩展常数，使得RBF神经网络的输出y(n)趋近于d(n),则当该BRF神经网络稳定以后，该BRF神经网络自适应滤波器e(n)就是滤除了d1(n)的期望输出信号x(n)；
[0043]设x(n)为n时刻带噪声的有用信号，长度为k，则输入向量X(n)定义如下：
[本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于小波变换-RBF神经网络的泥浆脉冲信号去噪方法，其特征在于，包括以下步骤：S1、对随钻测量信号进行小波分解；S2、建立RBF神经网络非线性自适应滤波器；S3、RBF神经网络非线性自适应滤波器运行。2.根据权利要求1所述的一种基于小波变换-RBF神经网络的泥浆脉冲信号去噪方法，其特征在于：所述步骤S1的具体步骤为：S11、确定最佳小波基及相应的分解层数，对信号进行小波分解，每一层的待分解信号都通过相应的低通及高通滤波器，滤波后的信号被分成两个部分，一部分包含的是低频信号，另一部分包含的则是高频信号，而后分别对两部分信号进行采样，对每层信号都进行上述处理，最终分解到各自独立的频带中；S12、对分解得到的小波系数通过合适的阈值进行量化处理；S13、利用阈值量化后得到的小波系数进行小波重构，恢复有用信号和噪声信号。3.根据权利要求1所述的一种基于小波变换-RBF神经网络的泥浆脉冲信号去噪方法，其特...

【专利技术属性】
技术研发人员：宋晓健，马鸿彦，
申请(专利权)人：马鸿彦，
类型：发明
国别省市：