2021-11-25 背景噪声分析

探究背景噪声有哪些属性？

1. 信号

信号是指其取值在任何时间都是确定的和可预知的信号，我们通常可以用数学表达式来进行表示比如：

例如f(t)=8sin(5t+1)，就属于周期信号，其周期T0=2π/5。一个矩形脉冲就是非周期信号。

确知信号再频域中的性质，即频率特性，由其各个频率分量的分布表示。它是信号的最重要的性质之一，和信号的占用频带宽带以及信号的抗噪声能力有密切关系，信号的频率特性，即功率信号的频谱、功率谱等。

2. 背景研究

我们主要对背景噪声的混沌性、频谱、振幅谱这三方面进行研究本周主要是对频谱和振幅进行研究。
频谱分析指的是将信号做傅里叶变换从而进行分析，主要包括幅频谱和相频谱两种图。

振幅谱是一个波或波列的振幅随频率的变化关系。它与相位谱一起构成了在傅立叶变换中计算的频谱基础。
相位谱是傅里叶变换的相角。目前没有听说有特别直白的物理意义，我个人理解的物理意义是基函数平移的分量。具体的物理意义尚不明确

首先我们对高斯噪声从一下三种角度的图进行分析。
读取数据

def readSgyioData(file_2D):
    # 1.获取文件路径
    # 2.打开文件
    f = segyio.open(file_2D, ignore_geometry=True)
    # 3.加快读取速度
    f.mmap()
    # 4.按地震道数读入二维数据中去,并进行转置
    data2D = np.asarray([np.copy(x) for x in f.trace[:]]).T
    # print(data2D.shape)
    # print(type(data2D))
    return data2D

我们从读取的数据中添加高斯噪声

def addGaussianNoise(data2D):
    # 加入高斯噪声
    data2D=readSgyioData(file_2D)
    # data2D = data2D / abs(data2D).max()
    noise_factor = 0.1
    data2D_noisy = data2D + noise_factor * np.random.normal(loc=0.5, scale=0.8, size=data2D.shape)
    # data2D_noisy=np.clip(data2D_noisy,0.,1.)
    return data2D_noisy

我们看未加噪声与去除噪声之后的对比：
1.振幅谱

未加噪声与去除噪声

噪声

在0Hz的范围内，本来干净的数据能量值很小，但是加了很高的噪声。再去噪以后仍保留很大的能量值，与原数据不符。 在0-25Hz之内，经过去噪以后保留了很小的能量值，对原数据损失较大。 在25-120Hz之内，加入了很多微弱的噪声，去噪之后噪声明显减少。

2.相位谱

未加噪声与去除噪声

噪声

3.功率谱

未加噪声与去除噪声

噪声

除了0Hz范围剩下的与原数据基本一致。

下一个周将会对混沌性进行研究，研究杜芬方程以及关于关于杜芬方程有关的图。