基于三维曲波变换的弱信号恢复方法研究

计算机工程与应用 ›› 2016, Vol. 52 ›› Issue (18): 199-202.

基于三维曲波变换的弱信号恢复方法研究

胡雨1，谢凯1，阮宁君1，伍鹏2，3，贺建飚4，刘从浩1

1.长江大学电子信息学院油气信息处理与识别研究所，湖北荆州 434023
2.中国地质大学信息工程学院，武汉 430074
3.国家地理信息系统工程技术研究中心，武汉 430074
4.中南大学信息科学与工程学院，长沙 410083

出版日期:2016-09-15 发布日期:2016-09-14

Method of weak signal recovery based on 3D-curvelet transform

HU Yu1, XIE Kai1, RUAN Ningjun1, WU Peng2，3, HE Jianbiao4, LIU Conghao1

1.Institute for Oil & Gas Information Processing and Identification, Electronics & Information College, Yangtze University, Jingzhou, Hubei 434023, China
2.College of Information Engineering, China University of Geosciences, Wuhan 430074, China
3.National Engineering Research Center for Geographic Information System, Wuhan 430074, China
4.School of Information Science and Engineering, Central South University, Changsha 410083, China

Online:2016-09-15 Published:2016-09-14

摘要/Abstract

摘要： 传统的弱信号恢复方法在强噪声背景下具有较大的局限性，有用的信息往往淹没在强噪声背景下不易被识别。针对这个难点，提出一种基于三维曲波变换的弱信号恢复的方法。该方法将三维曲波变换和自适应滤波器相融合，从而提高数据中弱信号的能量，使得弱信号更易于被恢复。为了验证该方法的有效性，对楔形模型与实际三维数据进行处理。实验结果表明，恢复后的数据信噪比提高了2 dB到3 dB，频带也被拓宽了150 Hz，弱信号得到较好的恢复。

关键词: 弱信号恢复, 三维曲波变换, 信噪比, 自适应最优阈值, 自适应滤波器

Abstract: Conventional methods of weak signal recovery are limited under strong noise condition. Useful information is often submerged in heavy noise, which is not easy to identify. As to this problem, a weak signal recovery method based on 3D-curvelet transform is proposed in this paper. Combining 3D-curvelet transform with the adaptive filter is to recover weak signal. Model of wedge and actual data are processed by this method. The experimental results show that the signal to noise ratio of data improves 2 dB to 3 dB and the frequency is increased 150 Hz. Obviously, the weak signal is recovered.

Key words: recovery of weak signal, 3D-curvelet transform, signal to noise ratio, adaptive optimal threshold, adaptive filter

胡雨1，谢凯1，阮宁君1，伍鹏2，3，贺建飚4，刘从浩1. 基于三维曲波变换的弱信号恢复方法研究[J]. 计算机工程与应用, 2016, 52(18): 199-202.

HU Yu1, XIE Kai1, RUAN Ningjun1, WU Peng2，3, HE Jianbiao4, LIU Conghao1. Method of weak signal recovery based on 3D-curvelet transform[J]. Computer Engineering and Applications, 2016, 52(18): 199-202.

[1]	刘剑锋，李瑞华，刘垚圻，苏泳涛，胡金龙. 无线通信中的信噪比估计算法研究[J]. 计算机工程与应用, 2020, 56(18): 82-89.
[2]	吉慧芳，贾海蓉，王雁. 改进相位谱补偿的语音增强方法[J]. 计算机工程与应用, 2019, 55(8): 48-52.
[3]	王杰1，杨程程1，莫嘉永2，王敦泽1，王谢谢1. 谐波重构先验信噪比估计算法[J]. 计算机工程与应用, 2018, 54(7): 44-48.
[4]	张志禹1，李向月1，李向阳2. 同步挤压小波变换对随机噪声抑制的研究[J]. 计算机工程与应用, 2018, 54(5): 57-60.
[5]	王磊，孙玮，陈奕博，李鹏，赵凌霄. 基于自适应小波阈值的心电信号降噪方法[J]. 计算机工程与应用, 2018, 54(15): 29-33.
[6]	张红霞，王灿，刘鑫，申楷赟，付秀娟，王学华. 图像边缘检测算法研究新进展[J]. 计算机工程与应用, 2018, 54(14): 11-18.
[7]	张小恒1，2，李勇明2，朱斌2. 范数正则化解相关集成学习基音频率检测[J]. 计算机工程与应用, 2017, 53(11): 155-160.
[8]	江巨浪1，章瀚2，朱柱1，詹文法1. 高密度椒盐噪声的多方向加权均值滤波[J]. 计算机工程与应用, 2016, 52(6): 204-208.
[9]	薛俊韬，金志刚，杨正瓴，张军. 基于向量相似度的水印模型分析[J]. 计算机工程与应用, 2016, 52(24): 116-120.
[10]	尹海明，王金明，李欢欢. 基于数据驱动缺失特征检测与重建的声纹识别[J]. 计算机工程与应用, 2016, 52(22): 159-163.
[11]	蔡伟华，何选森. 基于UWT和独立分量分析的含噪盲源分离[J]. 计算机工程与应用, 2016, 52(16): 180-185.
[12]	陈昌龙，孙克辉. 基于图像特征分块的分数阶微分图像增强算法[J]. 计算机工程与应用, 2016, 52(14): 186-191.
[13]	何易德1，秦小林1，罗国涛2，陈帅1. 基于R-滤子的多帧图像重建算法[J]. 计算机工程与应用, 2015, 51(17): 194-198.
[14]	潘峥嵘，谯自健，张宁，戴芮. 基于互相关的有效奇异值消噪方法[J]. 计算机工程与应用, 2015, 51(15): 221-224.
[15]	刘育烽，姚加飞. 基于单通道音频信号分离的声反馈控制[J]. 计算机工程与应用, 2015, 51(10): 211-214.