买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

龙图腾网获悉成都理工大学申请的专利一种自适应压制微震信号异常干扰的信号处理方法获国家发明授权专利权，本发明授权专利权由国家知识产权局授予，授权公告号为：CN119960049B 。

龙图腾网通过国家知识产权局官网在2025-07-18发布的发明授权授权公告中获悉：该发明授权的专利申请号/专利号为：202510265737.4，技术领域涉及：G01V1/36；该发明授权一种自适应压制微震信号异常干扰的信号处理方法是由李通;罗鑫;王娜;王鹏设计研发完成，并于2025-03-07向国家知识产权局提交的专利申请。

本一种自适应压制微震信号异常干扰的信号处理方法在说明书摘要公布了：本发明属于微震信号数据处理领域，是一种自适应去除异常干扰的信号处理方法。它结合粒子群优化算法、变分模态分解算法、单频干扰判断及压制算法以及字典学习算法达到自适应去除异常干扰的目的。该方法首先利用粒子群优化算法确定全局最优参数K，然后通过变分模态分解算法将信号分解为K个本征模态函数imf，再通过单频干扰判断算法精确找到存在单频干扰的imf分量，随后针对性地进行单频干扰的去除，最后利用字典学习算法进一步压制随机干扰，从而获得降噪之后的微震信号。

本发明授权一种自适应压制微震信号异常干扰的信号处理方法在权利要求书中公布了：1.一种自适应压制微震信号异常干扰的信号处理方法，其特征在于采用以下具体步骤： S1.导入微震信号xt，利用粒子群优化算法进行变分模态分解前的参数寻优，求取全局最优模态参数K，其中，t为时间； S2.将全局最优模态参数K代入变分模态分解中，得到K个本征模态函数，具体公式如下： 其中，uk为本征模态函数的集合，k表示求和的索引变量，ukt表示第k个本征模态函数，ωk是其中心频率，j为虚数单位，δt为狄拉克函数，*为卷积运算符，表示对时间t的偏导数运算符，表示L2范数，表示所有可能的{uk}和{ωk}取值组合中，寻找能使目标函数达到最小值的那一组取值； S3.对每个本征模态函数分量进行傅里叶变换得到各分量的振幅谱图，再对其振幅谱进行归一化处理，并基于归一化面积判断是否存在过分解； AMimfi＝FTimfi 如果Aimfi大于Etotal的0.5倍，则认为存在过分解的情况，重复步骤S1和S2即可，其中Etotal表示如下： 式中，imfi表示第i个本征模态函数分量，AMimfi表示第i个本征模态函数分量进行傅里叶变换后得到的振幅谱，FT[·]表示傅里叶变换，Nimfi表示第i个本征模态函数分量频率域归一化结果，Aimfi表示第i个本征模态函数分量频率域归一化后的面积，Etotal为整个信号xt的总能量，f1为频率域中点数的起点，fn为频率域中点数的终点，xt为原始的时间域信号，max[·]表示求取最大值； S4.计算每个本征模态函数频率域中振幅谱的最大值与邻值的比值ratio； Vmax＝maxAdata Imax＝argmaxAdata ratio＝maxLratio,Rratio 式中，Adata表示频率域的振幅谱中的所有值，Vmax为本征模态函数对应频率域的振幅谱中的最大值，Imax为频率域的振幅谱中最大值所对应的位置，Lratio为本征模态函数频率域的振幅谱中的最大值与左邻值的比值，Rratio为本征模态函数频率域的振幅谱中的最大值与右邻值的比值，ratio为Rratio和Lratio中的最大值，argmax[·]表示寻找振幅最大值所对应的频率点数； S5.计算ratio与对应Aimfi的比值area_ratio，判断本征模态函数分量中是否存在单频异常干扰，具体判断公式为： 若area_ratio大于0.5，则判断该本征模态函数分量存在单频干扰，从而对该本征模态函数分量的频率域的振幅谱进行替值操作，若area_ratio小于0.5，则判断该本征模态函数分量中不存在单频干扰，则无需对其频率域作任何处理； S6.对存在单频异常干扰的本征模态函数分量进行异常去除，分别计算振幅最大值时相邻位置处的10个点位置的平均值，具体如下： 式中，L为信号长度，Lavg为频率域的振幅谱中最大值左边相邻五个点的平均值，Ravg为频率域的振幅谱中最大值右边相邻五个点的平均值，Adata[j]表示频率域的振幅谱中第j个值，Adata[Imax]为去除单频干扰点后的振幅值，则去除单频异常干扰后本征模态函数的更新振幅谱可表示为AMimfn＝AMimf[1,2,…,Adata[Imax],…,L]，当存在多个单频异常干扰时，重复步骤S6即可； S7.对单频异常压制后的本征模态函数频率域信号进行叠加，求取更新后的频率域信号，并进行傅里叶逆变换； yt＝ifft[Fnf] 式中，yt为去除单频异常干扰后的信号，Fnf为更新后的频率域信号，ifft[·]表示傅里叶逆变换； S8.对步骤S7中去除单频干扰的信号yt进行稀疏字典学习去除随机噪声，具体为： 将信号yt分割为NSample个重叠的块，构造矩阵Y： Y＝[y1t,y2t,…,yNsamplet]∈Rn×NSample 其中yit＝y[1+i-1:1+i-1+n-1]表示第i个块，通过优化问题求解字典D和稀疏系数矩阵X： 约束条件为： 用训练后的字典和稀疏系数重构去噪块： Yd＝DX∈RN×Sample 将块按重叠相加并归一化，得到最终信号youtt： 式中，yt为输入噪声信号，yit为信号y的第i个块，n为信号块yit的长度，m为字典原子个数，E为稀疏表示的最大允许误差，NSample为将信号分割成重叠块的数量，Y为分块后的矩阵，D为训练后的字典，X为稀疏稀疏矩阵，Xi为对应于第i个信号块yi的稀疏系数向量，Yd为去噪后的块矩阵，Yd[·]表示去噪后的第i个矩阵，Weight[·]为归一化权重，youtt为去噪后的信号，Starti表示第i个块在最终信号yi中开始叠加的位置索引，R为实数，中i表示任意数，j代表信号的位置索引。

如需购买、转让、实施、许可或投资类似专利技术，可联系本专利的申请人或专利权人成都理工大学，其通讯地址为：610000 四川省成都市二仙桥东三路1号；或者联系龙图腾网官方客服，联系龙图腾网可拨打电话0551-65771310或微信搜索“龙图腾网”。