检索结果-南通市图书馆

作者：宋启航东北石油大学

学位级别：硕士

探索地层内部结构需要对采集的地震信号进行分析研究,然而通常采集的地震信号中不仅仅含有有用信息,也会存在大量不同形式的噪声,特别是近几年勘探深度越来越大,勘探作业区的地质情况也更加复杂,噪声与有用信息相互交织,严重干扰着对其... 详细信息

探索地层内部结构需要对采集的地震信号进行分析研究,然而通常采集的地震信号中不仅仅含有有用信息,也会存在大量不同形式的噪声,特别是近几年勘探深度越来越大,勘探作业区的地质情况也更加复杂,噪声与有用信息相互交织,严重干扰着对其分析处理,所以地震信号去噪变得尤为重要。本文基于模态分解技术对去除地震信号中随机噪声进行一系列研究,主要研究内容如下:首先,深入研究经验模态分解EMD、集合经验模态分解EEMD和完备集合经验模态分解CEEMD三种算法的基本原理以及算法本身存在的弊端,EMD具有模态混叠和端点效应问题、EEMD辅助噪声污染原始信号和CEEMD残余噪声由高阶向低阶传递。采用三种分解算法对纯净信号分解和对模拟地震含噪信号进行传统去噪,分析各算法本身弊端对分解效果的影响和传统去噪方法的不足。其次,基于上述引进一种全新的分解算法:自适应完备集合经验模态分解CEEMDAN,并分析其改进方法以及分解效果,发现其分解效果较EMD、EEMD和CEEMD较好。深入了解样本熵和能量熵概念、阈值去噪方法以及随机噪声和有用信息与实际信号相关性不同问题,提出CEEMDAN自适应阈值去噪方法,实际信号经CEEMDAN分解出的IMF分量使用样本熵划分高低频,对高频分量进行相关性分析,去除有用信息位置系数,保留随机噪声位置系数,构造阈值对高频分量去噪,随后对去噪后的高频分量与保留的低频分量重构以达到去噪目的,通过对理论地震信号、实际地震信号以及含有不同信噪比噪声的含噪信号的去噪,并与传统去噪方法对比,验证本方法不仅解决传统去噪方法高频分量需人为划分的问题,而且在提高信噪比和保留有用信息上也具有优越性。最后,上述CEEMDAN自适应阈值去噪方法对实际地震信号去噪时发现效率较低,因为CEEMDAN是一种递归迭代分解算法,分解地震信号时需做大量迭代和加总平均计算。研究分析在频域内自适应分解的变分模态分解VMD,发现其分解过程不存在大量的迭代和加总平均计算,分解效率更高,通过实验仿真与CEEMDAN对比分析,验证其在分解精度、分解效果、抗噪性等方面更优。由此提出VMD联合能量熵阈值的去噪方法,并通过用该去噪方法与CEEMDAN自适应阈值去噪方法分别对理论地震信号、实际地震信号以及含有不同信噪比噪声的含噪信号的去噪且比较,验证其方法不仅在提高信噪比及保留有用信息都相对于CEEMDAN自适应阈值去噪方法优越,且更适用于处理低信噪比地震信号,运算时长也大为缩小,效率提高。

关键词：模态分解技术地震信号去噪自适应完备集合经验模态分解变分模态分解

来源：

同方学位论文库评论

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

基于CEEMDAN-ConvLSTM组合模型的云计算负载预测方法

引用

计算机科学 2023年第S1期50卷 642-650页

作者：赵鹏周建涛赵大明内蒙古大学计算机学院呼和浩特010021 蒙古文智能信息处理技术国家地方联合工程研究中心呼和浩特010021 生态大数据教育部工程研究中心呼和浩特010021 内蒙古自治区云计算与服务软件工程实验室呼和浩特010021 内蒙古自治区社会计算与数据处理重点实验室呼和浩特010021 内蒙古自治区大数据分析技术工程实验室呼和浩特010021 内蒙古自治区纪检监察大数据重点实验室呼和浩特010021

随着云计算技术的快速发展,越来越多的用户选择使用云服务。负载请求与资源供应的不匹配问题日益凸显,使得用户请求无法得到及时响应,极大地影响云服务质量,实时预测负载请求,将有助于及时供应资源。针对云计算环境中的负载预测方法性... 详细信息

随着云计算技术的快速发展,越来越多的用户选择使用云服务。负载请求与资源供应的不匹配问题日益凸显,使得用户请求无法得到及时响应,极大地影响云服务质量,实时预测负载请求,将有助于及时供应资源。针对云计算环境中的负载预测方法性能低的问题,提出了一种基于自适应噪声的完备经验模态分解和卷积长时序神经网络组合模型(CEEMDAN-ConvLSTM)的云计算负载预测方法。首先运用自适应噪声的完备经验模态(CEEMDAN)分解技术对数据序列进行分解操作,将其转换为若干个易于分析和建模的子序列;然后运用卷积长时序神经网络(ConvLSTM)预测模型对这一系列子序列进行建模预测,并采用基于多进程并行计算的研究思路,实现多序列并行预测及贝叶斯优化调参;最后将预测值综合叠加以获得整个模型的预测输出,从而实现对原始复杂序列数据进行高精度预测的目标。使用Google集群工作负载数据集进行实验验证,实验结果表明,CEEMDAN-ConvLSTM组合模型具有良好的预测效果,相比自回归差分移动平均模型(ARIMA)、长短期记忆网络(LSTM)和卷积长时序神经网络(ConvLSTM),所提模型预测均方根误差(RMSE)指标分别提升了30.9%,30.1%和22.5%。

关键词：云计算负载预测卷积长时序神经网络(ConvLSTM) 模态分解技术贝叶斯优化

来源：

维普期刊数据库

同方期刊数据库评论

在线全文

学校读者我要写书评

暂无评论

欢迎您,

建议与咨询留下您的常用邮箱和电话号码，以便我们向您反馈解决方案和替代方法

时间限定

文献类型

馆藏选择

核心期刊

语言

文献类型

帮助

文字说明：

检索规则说明：

检索范例：

分类表

所选分类

限定检索结果

文献类型

馆藏范围

日期分布

学科分类号

主题

机构

作者

语言

在线全文

在线全文

请选择保存的检索档案：

请选择收藏分类：

通借通还

欢迎您,

建议与咨询 留下您的常用邮箱和电话号码，以便我们向您反馈解决方案和替代方法

时间限定

文献类型

馆藏选择

核心期刊

语言

文献类型

帮助

文字说明：

检索规则说明：

检索范例：

分类表

所选分类

限定检索结果

文献类型

馆藏范围

日期分布

学科分类号

主题

机构

作者

语言

在线全文

在线全文

请选择保存的检索档案： 新增检索档案 确定 取消

请选择收藏分类： 新增自定义分类 确定 取消

通借通还

建议与咨询留下您的常用邮箱和电话号码，以便我们向您反馈解决方案和替代方法

请选择保存的检索档案：

请选择收藏分类：