CN109522802B - 应用经验模态分解和粒子群优化算法的泵噪消除方法 - Google Patents

应用经验模态分解和粒子群优化算法的泵噪消除方法 Download PDF

Info

Publication number
CN109522802B
CN109522802B CN201811210824.6A CN201811210824A CN109522802B CN 109522802 B CN109522802 B CN 109522802B CN 201811210824 A CN201811210824 A CN 201811210824A CN 109522802 B CN109522802 B CN 109522802B
Authority
CN
China
Prior art keywords
pump noise
pump
noise
waveform
particle swarm
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
CN201811210824.6A
Other languages
English (en)
Other versions
CN109522802A (zh
Inventor
瞿逢重
江琴
张昱森
靳国正
张璟辰
张祝军
吴叶舟
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Zhejiang University ZJU
Original Assignee
Zhejiang University ZJU
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Zhejiang University ZJU filed Critical Zhejiang University ZJU
Priority to CN201811210824.6A priority Critical patent/CN109522802B/zh
Publication of CN109522802A publication Critical patent/CN109522802A/zh
Priority to PCT/CN2019/103602 priority patent/WO2020078118A1/zh
Priority to JP2020513792A priority patent/JP6878690B2/ja
Priority to US17/232,162 priority patent/US20210231487A1/en
Application granted granted Critical
Publication of CN109522802B publication Critical patent/CN109522802B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01H—MEASUREMENT OF MECHANICAL VIBRATIONS OR ULTRASONIC, SONIC OR INFRASONIC WAVES
    • G01H3/00—Measuring characteristics of vibrations by using a detector in a fluid
    • G01H3/04—Frequency
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01H—MEASUREMENT OF MECHANICAL VIBRATIONS OR ULTRASONIC, SONIC OR INFRASONIC WAVES
    • G01H3/00—Measuring characteristics of vibrations by using a detector in a fluid
    • G01H3/10—Amplitude; Power
    • E—FIXED CONSTRUCTIONS
    • E21—EARTH OR ROCK DRILLING; MINING
    • E21B—EARTH OR ROCK DRILLING; OBTAINING OIL, GAS, WATER, SOLUBLE OR MELTABLE MATERIALS OR A SLURRY OF MINERALS FROM WELLS
    • E21B47/00—Survey of boreholes or wells
    • E21B47/12—Means for transmitting measuring-signals or control signals from the well to the surface, or from the surface to the well, e.g. for logging while drilling
    • E21B47/14—Means for transmitting measuring-signals or control signals from the well to the surface, or from the surface to the well, e.g. for logging while drilling using acoustic waves
    • E21B47/18—Means for transmitting measuring-signals or control signals from the well to the surface, or from the surface to the well, e.g. for logging while drilling using acoustic waves through the well fluid, e.g. mud pressure pulse telemetry
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/004—Artificial life, i.e. computing arrangements simulating life
    • G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/12—Computing arrangements based on biological models using genetic models
    • G06N3/126—Evolutionary algorithms, e.g. genetic algorithms or genetic programming
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N5/00—Computing arrangements using knowledge-based models
    • G06N5/01—Dynamic search techniques; Heuristics; Dynamic trees; Branch-and-bound
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01V—GEOPHYSICS; GRAVITATIONAL MEASUREMENTS; DETECTING MASSES OR OBJECTS; TAGS
    • G01V1/00—Seismology; Seismic or acoustic prospecting or detecting
    • G01V1/40—Seismology; Seismic or acoustic prospecting or detecting specially adapted for well-logging
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
    • G06F2218/02—Preprocessing
    • G06F2218/04—Denoising

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Biophysics (AREA)
  • Health & Medical Sciences (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Computational Linguistics (AREA)
  • Computing Systems (AREA)
  • Evolutionary Computation (AREA)
  • Data Mining & Analysis (AREA)
  • Software Systems (AREA)
  • Molecular Biology (AREA)
  • General Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Evolutionary Biology (AREA)
  • Mining & Mineral Resources (AREA)
  • Geology (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Signal Processing (AREA)
  • Genetics & Genomics (AREA)
  • Acoustics & Sound (AREA)
  • Remote Sensing (AREA)
  • Geophysics (AREA)
  • Environmental & Geological Engineering (AREA)
  • Fluid Mechanics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Physiology (AREA)
  • General Life Sciences & Earth Sciences (AREA)
  • Geochemistry & Mineralogy (AREA)
  • Measuring Fluid Pressure (AREA)
  • Soundproofing, Sound Blocking, And Sound Damping (AREA)
  • Control Of Positive-Displacement Pumps (AREA)

Abstract

本发明公开了一种应用经验模态分解和粒子群优化算法的泵噪消除方法，该方法是基于泵噪声为一组基的线性组合的假设，在泵噪样本提取出来之后，利用经验模态分解将所提取的泵噪样本分解成一组信号作为基，通过粒子群优化算法可以找到这组基最佳线性组合的系数，更新泵噪样本，提升消噪效果。本发明在有限个消噪周期中，以加权的形式对当前泵噪样本进行修正，使其在有限的迭代次数内逐渐收敛于变化后的单位周期内的泵噪波形，以适应***在长时间运行过程中泵噪声的缓慢变化。

Description

应用经验模态分解和粒子群优化算法的泵噪消除方法
技术领域
本发明属于无线随钻测井的技术领域，涉及一种应用经验模态分解(EmpiricalMode Decomposition,EMD)和粒子群优化算法(Particle Swarm Optimization,PSO)的泵噪消除方法。
背景技术
目前，在无线随钻测量***中，泥浆脉冲信号传输已经在世界范围得到广泛使用。泥浆脉冲，它是将井下仪器测量到的数据转换为电信号后，在泥浆泵作用下转换为的压力波信号，最后以泥浆为介质将信号传输至地面。其可靠性较高，传输距离远，更符合钻井的实际情况，是国内通用的传输方式。由于泥浆传输信号过程中需借助泥浆泵活塞不断往复运动，而在运动过程中，会产生周期性的泵噪声，因此对泥浆脉冲信号，必须消除泵噪声，才可进行信号的正确解码。泥浆脉冲通信***属于时变***。随着钻进深度的增加，包括泵噪声特性在内的泥浆信道参数可能持续性地发生变化。而泵噪声的周期性假设是建立在有限长度时间窗口内的近似性假设。随着***运行时间的增加，所取得的泵噪样本与单位周期内泵噪声的波形之间的差异将逐渐增大，导致消噪输出中的残余噪声增加，影响消噪效果。
发明内容
本发明的目的在于针对现有技术的不足，提供一种应用经验模态分解和粒子群优化算法的泵噪消除方法，本发明利用经验模态分解和粒子群优化算法不断更新泵噪样本来达到更好的泵噪消除效果。
本发明的目的是通过以下技术方案来实现的：一种应用经验模态分解和粒子群优化算法的泵噪消除方法，其特征在于，该方法包括以下步骤：
(1)获取传感器获取测得的压力信号并进行低通滤波，得到滤除部分白噪声的泥浆压力信号。
(2)以泵冲传感器测得的泵冲信号作为时间基准，得到泵噪声信号的周期T；
(3)对步骤1的泥浆压力信号以步骤2的周期T为时间间隔进行分段截取，将所有分段信号求和并求平均；得到平均值最接近于周期性泵噪声在单个周期内实际波形的经验波形p(m)，即泵噪样本；
(4)对泵噪样本进行模态分解，得到构成泵噪的一组基；
(5)通过粒子群优化算法找到这组基最佳线性组合的系数，更新泵噪样本。
进一步地，所述步骤5具体为：对于粒子群优化算法，初始化权重系数为1，初始化PSO参数，所述PSO参数包括权重系数的上下界、粒子个数及最大迭代次数等。然后开始解码过程的迭代。将接收信号减去泵噪声的经验波形后解码进行均衡判决，计算出其均方误差值(Mean Square Value,MSE)为输出反馈参量，每次利用优化算法迭代后，将更新的权重系数与相应的基对应相乘，然后将所有乘积相加得到更新之后的经验波形。按照同样的步骤计算MSE作为代价函数进行下一次迭代运算，直到达到最大迭代次数或迭代终止条件后，将最终的权重系数与相应的基对应相乘，得到用于从接收信号中消除泵噪声的最佳经验波形，输出最终解码符号。MSE的计算方式如下：
Figure BDA0001832400040000021
其中，w为各个基的权重系数向量，N是本次消噪的符号个数，di是第i个符号的判决值，
Figure BDA0001832400040000022
是第i个符号的估计值。MSE的物理含义是解码输出的误差能量(Error Power)，粒子群算法通过MSE的变化趋势来判断粒子的前进方向，从而找到最佳的权重系数，提升消噪效果。
本发明的有益效果是，本发明应用EMD和PSO的泵噪消除方法基本思想是将泵噪看作一组基的线性组合，泵噪的更新过程是根据判决输出来确定出这组基的最佳线性组合方式。其中，EMD将泵噪样本分解成一组基，利用这组基可以重构出更贴近实际泵噪声的波形估计。同时，对于构成泵噪的任意一组基，PSO可以找到这组基最佳线性组合的系数，作为泵噪样本的更新机制。本发明在有限个消噪周期中，以加权的形式对当前泵噪样本进行修正，使其在有限的迭代次数内逐渐收敛于变化后的单位周期内的泵噪波形，以适应***在长时间运行过程中泵噪声的缓慢变化。
附图说明
图1是基于EMD-PSO的泵噪消除方法结构图；
图2是传感器压力信号示意图；
图3是泵冲信号示意图；
图4是利用相干平均法得到的泵噪样本示意图；
图5是采用EMD分解泵躁样本得到的各路信号波形图；
图6是消噪输出信号示意图；
图7是消噪输出信号放大示意图。
具体实施方式
下面结合附图和具体实例对本发明做进一步的描述，但本发明的实施和保护范围不限于此。
图1是基于EMD-PSO的泵噪消除方法结构图，如图所示，对于井下传感器测得的压力信号我们会依次进行低通滤波器、利用相干平均法提取泵噪声的经验波形，然后再使用EMD-PSO联合的迭代方法更新泵噪样本，直至与实际的泵噪声波形相符合。本例选取了一段实井双泵数据作为压力信号，波形如图2所示。双泵的基本频率分别是0.994Hz和1Hz，调制方式为FSK，码率13bps，深度2890m。
在从传感器获取测得的压力信号后，首先，根据压力数据特性确定低通滤波器性能指标并进行低通滤波，得到滤除部分白噪声的泥浆压力信号；
再通过引入图3所示的泵冲信号作为时间基准，得到泵噪声信号的周期T。泵冲信号由泵冲传感器测得。泵冲传感器是安装在泥浆泵上的位移传感器或者行程开关，用于记录泥浆泵活塞的位置信息。以行程开关类泵冲传感器为例，其输出一般为一组由矩形脉冲信号构成的开关量序列。低电平表示行程开关未被触发，高电平表示行程开关已被触发，每一个矩形脉冲的上升沿对应活塞到达行程开关处的时刻。对压力信号以T为时间间隔进行分段截取，将所有分段信号求和并求平均。在求和次数足够多的情况下，得到的平均值最接近于周期性泵噪声在单个周期内实际波形的经验波形，即泵噪样本，如图4所示；
接着对泵噪样本进行模态分解，得到如图5所示的构成泵噪的一组基及这组基对应的系数；
对于粒子群优化算法，初始化权重系数为1，初始化PSO参数，如权重系数的上下界，粒子个数及最大迭代次数等，然后开始解码过程的迭代。将接收信号减去泵噪声的经验波形后解码进行均衡判决，计算出其均方误差值(Mean Square Value,MSE)为输出反馈参量，每次利用优化算法迭代后，将更新的权重系数与相应的基对应相乘，然后将所有乘积相加得到更新之后的经验波形。按照同样的步骤计算MSE作为代价函数进行下一次迭代运算，直到达到最大迭代次数或迭代终止条件后，将最终的权重系数与相应的基对应相乘，得到用于从接收信号中消除泵噪声的最佳经验波形，输出最终解码符号。MSE的计算方式如下：
Figure BDA0001832400040000031
其中w为各个基的权重系数向量，N是本次消噪的符号个数，di是第i个符号的判决值，
Figure BDA0001832400040000032
是第i个符号的估计值。MSE的物理含义是解码输出的误差能量(Error Power)，粒子群算法通过MSE的变化趋势来判断粒子的前进方向，从而找到最佳的权重系数，提升消噪效果。
本例中，粒子收敛后得到的消噪输出如图6所示，图7为其放大示意图。图中所示，消噪后的信号频率较为分明，可辨识度较高，消噪效果良好。
综上所述，本发明所提方法能够有效消除单泵或者双泵同频情况下的泵噪声，与现有技术相比，本发明方法在时域中进行，对于周期性的泵噪声的消除提供了一种可行性的解决方案，可适应***在长时间运行过程中泵噪声出现的变化，提高解码准确度。

Claims (2)

1.一种应用经验模态分解和粒子群优化算法的泵噪消除方法，其特征在于，该方法包括以下步骤：
（1）获取传感器获取测得的压力信号并进行低通滤波，得到滤除部分白噪声的泥浆压力信号；
（2）以泵冲传感器测得的泵冲信号作为时间基准，得到泵噪声信号的周期T；
（3）对步骤（1）的泥浆压力信号以步骤（2）的周期T为时间间隔进行分段截取，将所有分段信号求和并求平均；得到平均值最接近于周期性泵噪声在单个周期内实际波形的经验波形p(m)，即泵噪样本；
（4）对泵噪样本进行模态分解，得到构成泵噪的一组基；
（5）通过粒子群优化算法找到这组基最佳线性组合的系数，更新泵噪样本；具体为：
对于粒子群优化算法，初始化权重系数为1，初始化PSO参数，然后开始解码过程的迭代；将接收信号减去泵噪声的经验波形后解码进行均衡判决，计算出其均方误差值MSE为输出反馈参量，每次利用优化算法迭代后，将更新的权重系数与相应的基对应相乘，然后将所有乘积相加得到更新之后的经验波形；按照同样的步骤计算MSE作为代价函数进行下一次迭代运算，直到达到最大迭代次数或迭代终止条件后，将最终的权重系数与相应的基对应相乘，得到用于从接收信号中消除泵噪声的最佳经验波形，输出最终解码符号；MSE的计算方式如下：
Figure DEST_PATH_IMAGE001
其中，w为各个基的权重系数向量，N是本次消噪的符号个数，d i 是第i个符号的判决值，
Figure DEST_PATH_IMAGE002
是第i个符号的估计值；MSE的物理含义是解码输出的误差能量，粒子群算法通过MSE的变化趋势来判断粒子的前进方向，从而找到最佳的权重系数，提升消噪效果。
2.根据权利要求1所述应用经验模态分解和粒子群优化算法的泵噪消除方法，其特征在于，所述PSO参数包括权重系数的上下界、粒子个数及最大迭代次数。
CN201811210824.6A 2018-10-17 2018-10-17 应用经验模态分解和粒子群优化算法的泵噪消除方法 Active CN109522802B (zh)

Priority Applications (4)

Application Number Priority Date Filing Date Title
CN201811210824.6A CN109522802B (zh) 2018-10-17 2018-10-17 应用经验模态分解和粒子群优化算法的泵噪消除方法
PCT/CN2019/103602 WO2020078118A1 (zh) 2018-10-17 2019-08-30 应用经验模态分解和粒子群优化算法的泵噪消除方法
JP2020513792A JP6878690B2 (ja) 2018-10-17 2019-08-30 経験的モード分解及び粒子群最適化法が応用されたポンプノイズ除去方法
US17/232,162 US20210231487A1 (en) 2018-10-17 2021-04-16 Method for eliminating pump noise by empirical mode decomposition and particle swarm optimization

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201811210824.6A CN109522802B (zh) 2018-10-17 2018-10-17 应用经验模态分解和粒子群优化算法的泵噪消除方法

Publications (2)

Publication Number Publication Date
CN109522802A CN109522802A (zh) 2019-03-26
CN109522802B true CN109522802B (zh) 2022-05-24

Family

ID=65770057

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201811210824.6A Active CN109522802B (zh) 2018-10-17 2018-10-17 应用经验模态分解和粒子群优化算法的泵噪消除方法

Country Status (4)

Country Link
US (1) US20210231487A1 (zh)
JP (1) JP6878690B2 (zh)
CN (1) CN109522802B (zh)
WO (1) WO2020078118A1 (zh)

Families Citing this family (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109522802B (zh) * 2018-10-17 2022-05-24 浙江大学 应用经验模态分解和粒子群优化算法的泵噪消除方法
CN110146812B (zh) * 2019-05-15 2021-07-13 吉林大学珠海学院 一种基于特征节点增量式宽度学习的电机故障诊断方法
CN111535802B (zh) * 2020-05-08 2023-04-14 中国石油大学(华东) 泥浆脉冲信号处理方法
US11940586B2 (en) * 2020-12-16 2024-03-26 Halliburton Energy Services, Inc. Noise elimination or reduction in drilling operation measurements using machine learning
CN114112013B (zh) * 2021-11-04 2023-06-30 北京建筑大学 古建筑安全性测定方法和装置、电子设备和存储介质
CN114499057B (zh) * 2022-03-14 2023-06-20 浙江大学 一种无刷直流电机磁干扰消除方法
CN116104486B (zh) * 2023-01-10 2024-07-02 中煤科工西安研究院(集团)有限公司 一种基于钻杆传播的声波信号测量与处理方法
CN116955941B (zh) * 2023-09-21 2023-12-19 中石化经纬有限公司 一种随钻测量连续波信号去噪方法

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104133982A (zh) * 2014-06-27 2014-11-05 中天启明石油技术有限公司 一种泥浆脉冲信号泵冲噪声的消除方法
CN106321080A (zh) * 2016-09-13 2017-01-11 中国石油大学(华东) 一种随钻泥浆连续波脉冲信号的处理方法

Family Cites Families (18)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US5113379A (en) * 1977-12-05 1992-05-12 Scherbatskoy Serge Alexander Method and apparatus for communicating between spaced locations in a borehole
US4642800A (en) * 1982-08-23 1987-02-10 Exploration Logging, Inc. Noise subtraction filter
US5481260A (en) * 1994-03-28 1996-01-02 Nordson Corporation Monitor for fluid dispensing system
US5774379A (en) * 1995-07-21 1998-06-30 The University Of Chicago System for monitoring an industrial or biological process
US6862558B2 (en) * 2001-02-14 2005-03-01 The United States Of America As Represented By The Administrator Of The National Aeronautics And Space Administration Empirical mode decomposition for analyzing acoustical signals
US8004421B2 (en) * 2006-05-10 2011-08-23 Schlumberger Technology Corporation Wellbore telemetry and noise cancellation systems and method for the same
US8305081B2 (en) * 2009-07-16 2012-11-06 Baker Hughes Incorporated Cancellation of vibration noise in deep transient resistivity measurements while drilling
CN102022348B (zh) * 2010-12-07 2013-04-24 北京航空航天大学 一种水泵汽蚀测量方法
US9234769B2 (en) * 2011-05-25 2016-01-12 University Of Central Florida Research Foundation, Inc. Systems and methods for detecting small pattern changes in sensed data
EP2890866A4 (en) * 2012-08-29 2016-07-20 Services Petroliers Schlumberger SYSTEM AND METHOD FOR BOARD LOOP SIGNAL GAIN
CN103164583B (zh) * 2013-03-26 2015-05-20 中北大学 基于粒子群优化方法的轴向柱塞泵配流盘优化设计方法
CA2969324C (en) * 2014-12-31 2020-06-02 Halliburton Energy Services, Inc. Mud pulse telemetry demodulation using a pump noise estimate obtained from acoustic or vibration data
US9614699B2 (en) * 2015-08-12 2017-04-04 King Fahd University Of Petroleum And Minerals Apparatuses and methodologies for decision feedback equalization using particle swarm optimization
CN105865654B (zh) * 2016-03-23 2018-07-27 东南大学 一种声波测温信号的选取方法及锅炉测温方法
CN106089188B (zh) * 2016-06-02 2019-02-26 中国石油大学(华东) 一种泥浆脉冲信号泵噪声实时去除方法
CN106778694A (zh) * 2017-01-18 2017-05-31 北京工业大学 一种基于集合经验模态分解和支持向量机的齿轮传动噪声分析方法
CN107506330A (zh) * 2017-08-14 2017-12-22 电子科技大学 一种基于粒子群算法的变分模态分解算法参数优化方法
CN109522802B (zh) * 2018-10-17 2022-05-24 浙江大学 应用经验模态分解和粒子群优化算法的泵噪消除方法

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104133982A (zh) * 2014-06-27 2014-11-05 中天启明石油技术有限公司 一种泥浆脉冲信号泵冲噪声的消除方法
CN106321080A (zh) * 2016-09-13 2017-01-11 中国石油大学(华东) 一种随钻泥浆连续波脉冲信号的处理方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
Novel approach for industrial noise cancellation in speech using ICA-EMD with PSO;Lakshmikanth S et al.;《International Journal of Signal Processing, Image Processing and Pattern Recognition》;20141231;345-358 *
基于CEEMD和LSSVM的高压隔膜泵单向阀故障诊断研究;周成江;《中国优秀硕士学位论文全文数据库 工程科技Ⅰ辑》;20180115;57-61 *

Also Published As

Publication number Publication date
JP2021508011A (ja) 2021-02-25
JP6878690B2 (ja) 2021-06-02
CN109522802A (zh) 2019-03-26
WO2020078118A1 (zh) 2020-04-23
US20210231487A1 (en) 2021-07-29

Similar Documents

Publication Publication Date Title
CN109522802B (zh) 应用经验模态分解和粒子群优化算法的泵噪消除方法
EP2438723B1 (en) Continuous sequential scatterer estimation
Gutierrez-Estevez et al. Acoustic broadband communications over deep drill strings using adaptive OFDM
CN109687912B (zh) 相干光ofdm***中一种时域容积卡尔曼相位噪声补偿方法
WO2019246605A1 (en) Optical fiber nonlinearity compensation using neural networks
CN111535802B (zh) 泥浆脉冲信号处理方法
US8737460B2 (en) Equalizer and detector arrangement employing joint entropy-based calibration
CN107083957B (zh) 钻井液随钻信号的泵冲干扰消除方法及***
CN110135291B (zh) 一种低信噪比信号的参数估计方法
CN106850472B (zh) 一种基于Kalman和盲估计的OFDM信道估计方法
CN108696305A (zh) 适用于lte-a mimo信号分析***的高精度频偏测量方法
Chen et al. MWD drilling mud signal de-noising and signal extraction research based on the pulse-code information
CN105041304A (zh) 基于二维dct的泵冲干扰信号消除方法
Wu et al. An effective framework for underwater acoustic data acquisition
CN105700019B (zh) 一种基于Born‑Jordan时频分布的地震信号时频峰值滤波方法
CN109167744B (zh) 一种相位噪声联合估计方法
CN110299926A (zh) 一种面向低信噪比环境的水声信号检测方法
CN107528803B (zh) 适合于无线光通信的隐序列方式的信道估计方法
Hamkins An analytic technique to separate cochannel fm signals
CN115580312A (zh) 基于信号抑制的脉冲位置调制信号降噪方法、装置和设备
CN104270328A (zh) 一种信噪比实时估计方法
CN111800363A (zh) 一种改进的samp水声信道估计算法
CN116955941B (zh) 一种随钻测量连续波信号去噪方法
CN116104486B (zh) 一种基于钻杆传播的声波信号测量与处理方法
CN109150348B (zh) 一种莱斯因子矩估计方法及无线信道莱斯因子矩实现***

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant