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
|
|
2.相位谱
|
|
3.功率谱
|
|
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。