🎯要点
- 遵循波传播物理原理,使用正逆向建模环境噪声,分析地震空间变化源谱的相关性。
- 使用格林函数预先计算地震波场。
- 模型可用于噪声源散射和衰减测量。
- 环境振动噪声可认为是地表各种牵引源传播的弹性波叠加,建立噪声源时间序列与格林函数的脉冲响应卷积
- 模拟沉积区震动波
📜地震波信号解析算法及深度学习
🍪语言内容分比
🍇Python相关性示例
示例1:
numpy.correlate
只是返回两个向量的互相关。通过查看自相关函数(与自身互相关的向量),我们可以看到一个很好的例子:
import numpy as np
vector = np.random.normal(0,1,size=1000)
vector[::50]+=10
output = np.correlate(vector,vector,mode='full')
这将返回一个 comb/shah 函数,当两个数据集重叠时,该函数的最大值。由于这是自相关的,两个输入信号之间不会有“滞后”。因此,相关性的最大值是 vector.size-1。如果您只想要重叠数据的相关性值,则可以使用mode =‘valid’。
示例2:
第一种是在另一个模式中找到一个模式:
import numpy as np
import matplotlib.pyplot as plt
some_data = np.random.uniform(0,1,size=100)
subset = some_data[42:50]
mean = np.mean(some_data)
some_data_normalised = some_data - mean
subset_normalised = subset - mean
correlated = np.correlate(some_data_normalised, subset_normalised)
max_index = np.argmax(correlated) # 42 !
我使用它的第二种用途(以及如何解释结果)是频率检测:
hz_a = np.cos(np.linspace(0,np.pi*6,100))
hz_b = np.cos(np.linspace(0,np.pi*4,100))
f, axarr = plt.subplots(2, sharex=True)
axarr[0].plot(hz_a)
axarr[0].plot(hz_b)
axarr[0].grid(True)
hz_a_autocorrelation = np.correlate(hz_a,hz_a,'same')[round(len(hz_a)/2):]
hz_b_autocorrelation = np.correlate(hz_b,hz_b,'same')[round(len(hz_b)/2):]
axarr[1].plot(hz_a_autocorrelation)
axarr[1].plot(hz_b_autocorrelation)
axarr[1].grid(True)
plt.show()
找到第二个峰值的索引。由此你可以反推找到频率。
first_min_index = np.argmin(hz_a_autocorrelation)
second_max_index = np.argmax(hz_a_autocorrelation[first_min_index:])
frequency = 1/second_max_index