一种基于预测滤波的隧道掘进机阵列声波处理方法及系统技术方案

本发明专利技术提供了一种基于预测滤波的隧道掘进机阵列声波处理方法及系统，对获取的隧道掘进机阵列声波进行预处理；利用平面波解构计算预处理后的数据的结构复杂度；利用结构复杂度提取不同时

【技术实现步骤摘要】
一种基于预测滤波的隧道掘进机阵列声波处理方法及系统


[0001]本专利技术属于噪声处理
，涉及一种基于预测滤波的隧道掘进机阵列声波处理方法及系统。

技术介绍

[0002]本部分的陈述仅仅是提供了与本专利技术相关的
技术介绍
信息，不必然构成在先技术。
[0003]当前，隧道噪声去除方法基本都是基于稳定数据的假设，非稳定噪声压制效果不干净，依旧会有噪声残留，难以满足隧道掘进机施工精细探测的数据需求。然而，不同位置机械震动产生的噪声成分复杂，相互交织耦合，导致隧道掘进机内噪声规律认知不明，尤其是缺少时
‑
空差异强的非稳定噪声去除方法，成为制约阵列声波有效信号能否充分识别的关键难题。因此，亟需开展隧道数据噪声特征分析，根据数据局部特征的差异提出不同时
‑
空位置选用不同滤波参数的自适应参数选择方法，实现掘进机阵列声波的高信噪比数据获取。

技术实现思路

[0004]本专利技术为了解决上述问题，提出了一种基于预测滤波的隧道掘进机阵列声波处理方法及系统，本专利技术利用常规数据处理和结构复杂度引导的预测滤波方法的联合的噪声去除策略，实现了时
‑
空差异化的噪声去除，提高数据的信噪比，为异常体的精细成像奠定基础。
[0005]根据一些实施例，本专利技术采用如下技术方案：
[0006]一种基于预测滤波的隧道掘进机阵列声波处理方法，包括以下步骤：
[0007]对获取的隧道掘进机阵列声波进行预处理；
[0008]利用平面波解构计算预处理后的数据的结构复杂度；
[0009]利用结构复杂度提取不同时
‑
空位置的数据差异，对不同时
‑
空位置选择不同滤波因子；
[0010]基于滤波因子，构建自回归预测模型；
[0011]利用最小二乘方法，求解不同时
‑
空位置内的自回归预测模型系数，实现结构复杂度引导的去噪。
[0012]作为可选择的实施方式，所述预处理包括：
[0013]去除直达波；
[0014]利用均衡和增益方法增强远道以及深部的信号强度；
[0015]利用F
‑
K滤波，去除数据中视速度干扰超过预定值的信号；
[0016]利用带通滤波去除随机噪声。
[0017]作为可选择的实施方式，利用平面波解构计算预处理后的数据的结构复杂度的具体过程包括利用相邻声波信道数据对预处理后的数据的倾角进行估计。
[0018]作为可选择的实施方式，对不同时
‑
空位置选择不同滤波因子的具体过程包括根据数据复杂度的不同选用不同的滤波因子，数据复杂程度越高，采用越长的滤波因子。
[0019]作为可选择的实施方式，二维数据的滤波因子的计算方法包括：
[0020]对二维数据进行时
‑
空分窗处理，根据窗口在时间方向大小以及偏移距方向大小，构建在某一分窗内的自适应因子的表达式；
[0021]对自适应因子的分布平均分组；
[0022]根据自适应因子，确定滤波因子的大小，所述滤波因子的大小和自适应因子正向相关。
[0023]作为进一步的限定，所述自适应因子的表达式为：
[0024][0025]其中，Cg表示在第g个滑动分窗的自适应因子，σ
ij
是由平面波解构方法计算获得的第i个采样点和j个探头的倾角，窗口大小在时间方向为M，在偏移距方向为N，S是滑动窗口内倾角的平均值。
[0026]作为可选择的实施方式，三维数据的滤波因子的计算方法包括首先利用三维的平面波解构方法计算数据沿着主测线方向和联络测线方向的局部倾角，建立沿着主测线方向和联络测线方向上的自适应因子；
[0027]对沿着主测线方向和联络测线方向上的自适应因子进行分组；
[0028]对滑动窗口内数据的统计学特征进行重新统计，获得不同的滤波因子。
[0029]作为进一步的限定，沿着主测线方向和联络测线方向上的自适应因子为：
[0030][0031][0032]其中是局部倾在某个滑动立体窗口内的数据，其在采样时间方向、主测线方向和联络测线方向上的长度分别为g，h和k，和分别是该滑动窗口局部倾角的平均值，三维数据的活动窗口大小为w1
×
w2
×
w3。
[0033]作为可选择的实施方式，基于滤波因子，构建自回归预测模型的具体过程包括：
[0034]基于声波数据据有平面波的特征，表达频率域平面波；
[0035]选用L道声波数据进行预测，所述预测过程即为时间序列的自回归预测模型构建过程。
[0036]一种基于预测滤波的隧道掘进机阵列声波处理系统，包括：
[0037]预处理模块，被配置为对获取的隧道掘进机阵列声波进行预处理；
[0038]结构复杂度计算模块，被配置为利用平面波解构计算预处理后的数据的结构复杂度；
[0039]滤波因子选择模块，被配置为利用结构复杂度提取不同时
‑
空位置的数据差异，对不同时
‑
空位置选择不同滤波因子；
[0040]模型构建模块，被配置为基于滤波因子，构建自回归预测模型；
[0041]去噪模块，被配置为利用最小二乘方法，求解自回归预测模型系数，实现结构复杂度引导的去噪。
[0042]与现有技术相比，本专利技术的有益效果为：
[0043]本专利技术通过平面波解构方法获得了数据的倾角信息，在此基础上，利用结构复杂评估方法构建了数据局部特征与倾角的关系，获得了不同位置处的数据的自适应滤波因子，为最小二乘噪声的去除提供滤波参数，最终去噪后的数据更为干净，在差剖面和局部相似性剖面上，没有噪声残留，信号泄露现象较弱，噪声去除效果较好。
[0044]本专利技术具有很好的噪声去除能力，信号泄露现象较弱，相比于传统的预测滤波方法数据信噪比得到提升，数据质量得到改善，能够在压制噪声的同时减少信号泄露，得到较高信噪比的阵列声波数据。
附图说明
[0045]构成本专利技术的一部分的说明书附图用来提供对本专利技术的进一步理解，本专利技术的示意性实施例及其说明用于解释本专利技术，并不构成对本专利技术的不当限定。
[0046]图1是本专利技术的流程示意图；
[0047]图2是本专利技术典型实施例的流程示意图；
[0048]图3是本专利技术对比例中滤波因子统计及概率分布；
[0049]图4是SCG
‑
PF方法去噪结果对比图；
[0050]图5是x＝2.5m不同方法去噪结果频谱对比图；
[0051]图6是简单三维声波数据；
[0052]图7是传统方法去噪结果对比图；
[0053]图8是三维简单数据滤波因子。
具体实施方式
[0054]下面结合附图与实施例对本专利技术作进一步说明。
[0055]应该指出，以下详细说明都是例示性的，旨在对本专利技术提供进一步的说明。除非另有指本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于预测滤波的隧道掘进机阵列声波处理方法，其特征是，包括以下步骤：对获取的隧道掘进机阵列声波进行预处理；利用平面波解构计算预处理后的数据的结构复杂度；利用结构复杂度提取不同时
‑
空位置的数据差异，对不同时
‑
空位置选择不同滤波因子；基于滤波因子，构建自回归预测模型；利用最小二乘方法，求解不同时
‑
空位置内的自回归预测模型系数，实现结构复杂度引导的去噪。2.如权利要求1所述的一种基于预测滤波的隧道掘进机阵列声波处理方法，其特征是，所述预处理包括：去除直达波；利用均衡和增益方法增强远道以及深部的信号强度；利用F
‑
K滤波，去除数据中视速度干扰超过预定值的信号；利用带通滤波去除随机噪声。3.如权利要求1所述的一种基于预测滤波的隧道掘进机阵列声波处理方法，其特征是，利用平面波解构计算预处理后的数据的结构复杂度的具体过程包括利用相邻声波信道数据对预处理后的数据的倾角进行估计。4.如权利要求1所述的一种基于预测滤波的隧道掘进机阵列声波处理方法，其特征是，对不同时
‑
空位置选择不同滤波因子的具体过程包括根据数据复杂度的不同选用不同的滤波因子，数据复杂程度越高，采用越长的滤波因子。5.如权利要求1所述的一种基于预测滤波的隧道掘进机阵列声波处理方法，其特征是，二维数据的滤波因子的计算方法包括：对二维数据进行时
‑
空分窗处理，根据窗口在时间方向大小以及偏移距方向大小，构建在某一分窗内的自适应因子的表达式；对自适应因子的分布平均分组；根据自适应因子，确定滤波因子的大小，所述滤波因子的大小和自适应因子正向相关。6.如权利要求5所述的一种基于预测滤波的隧道掘进机阵列声波处理方法，其特征是，所述自适应因子的表达式为：其中，Cg表示在第g个滑动分窗的自适应因子，σ
ij
是由平面...

【专利技术属性】
技术研发人员：陈磊，李铎，闫芳潇，刘斌，付超，王瑞，许新骥，
申请(专利权)人：山东大学，
类型：发明
国别省市：