[發明專利]一種基于小波去噪與神經網絡識別的隨鉆測量信號處理方法

在審

• 申請號: 201711447658.7
• 申請日: 2017-12-27
• 公開（公告）號: CN108171159A
• 公開（公告）日: 2018-06-15
• 發明（設計）人: 李康;曹云飛
• 申請（專利權）人: 山東大學
• 主分類號: G06K9/00
• 分類號: G06K9/00;G06N3/08;E21B47/18
• 代理公司: 濟南金迪知識產權代理有限公司 37219
• 代理人: 葉亞林

1.一種基于小波去噪與神經網絡識別的隨鉆測量信號處理方法，其特征在于，包括步驟如下：

1)對包含噪聲的井下信號進行分析；通過快速傅里葉變換將時域信號變換為頻域信號，得到信號的頻率分布，進而得到有用信號頻率分布和噪聲信號頻率分布，為濾波操作做準備；

2)通過小波變換對包含噪聲的井下信號進行去噪，得到去噪信號；

3)將步驟2)得到的去噪信號輸入BP神經網絡進行信號識別；BP神經網絡的輸入-輸出模型為，

Y＝F(Σ(Input(n)·ωn)+b)；

其中，Input(n)為輸入，ωn為權值，b為閾值，Y為輸出。

2.根據權利要求1所述的基于小波去噪與神經網絡識別的隨鉆測量信號處理方法，其特征在于，本發明所述隨鉆測量信號處理方法采用信噪比SNR和均方根誤差RMSE評價濾波效果；

其中，X(n)為包含噪聲的井下信號，x(n)為有效信號，N為信號點數。

3.根據權利要求1所述的基于小波去噪與神經網絡識別的隨鉆測量信號處理方法，其特征在于，所述步驟2)中，通過小波變換對包含噪聲的井下信號進行去噪的具體方法為，在MATLAB中構建濾波器，選用小波去噪函數Wden；其中，參數‘sqtwolog’為固定閾值形式，參數‘mln’根據每一層小波分解得到的噪聲水平估計進行調整。

4.根據權利要求1所述的基于小波去噪與神經網絡識別的隨鉆測量信號處理方法，其特征在于，所述步驟2)中的濾波器選用‘bior5.5’作為小波基函數；濾波器的分解層數lev＝10，選擇軟閾值處理方式。

5.根據權利要求1所述的基于小波去噪與神經網絡識別的隨鉆測量信號處理方法，其特征在于，所述步驟3)中的BP神經網絡為多層前饋神經網絡,所述多層前饋神經網絡包括輸入層、隱含層和輸出層；BP神經網絡的傳遞函數為對數S型函數，即y＝logsig(x)；y∈(0,1)；其中，x為任意輸入數據，y為相應的輸出數據，y的值域為0～1。

6.根據權利要求5所述的基于小波去噪與神經網絡識別的隨鉆測量信號處理方法，其特征在于，

3.1)信號的前向傳播過程：

3.1.1)隱含層第i個節點的輸入其中，X1為輸入層的輸入，ω_i，j為輸入層的權值，i表示隱含層第i個節點，j表示輸入層第j個節點；β_n為隱含層的閾值，Y1為輸出層的輸出；n＝1,2,3…M；

3.1.2)隱含層第i個節點的輸出為O_i＝θ(net(i))；

3.1.3)輸出層的輸出Y1＝φ[∑(O_i·ω_k,i)+a1]；k表示輸出層第k個節點；Y1的取值范圍為(0,1)，a1為輸出層的閾值；求和符號中的自變量ω_k,i為隱含層與輸出層之間的閾值，O_i為隱含層第i個節點的輸出；

3.2)誤差的反向傳播過程：

樣本的二次型誤差準則函數為Xc；

其中，T_k為輸出層第k個節點的預期輸出，Y_k為輸出層第k個節點的實際輸出；根據輸出層的預期輸出和輸出層的實際輸出的差更新隱含層閾值β_n。