[发明专利]一种基于小波去噪与神经网络识别的随钻测量信号处理方法

摘要

本发明涉及一种基于小波去噪与神经网络识别的随钻测量信号处理方法。在随钻测井系统中，泥浆泵等产生的多种噪声对有效信号的获取造成了干扰。本发明首先对随钻测井过程中产生的噪声进行分析，然后通过小波变换去噪，通过BP神经网络脉冲进行信号识别；去噪后获得频率在0～0.8Hz的有效信号，经过神经网络识别后得到数量相同且幅值为1的脉冲信号。 1

主权项

1.一种基于小波去噪与神经网络识别的随钻测量信号处理方法，其特征在于，包括步骤如下：

1)对包含噪声的井下信号进行分析；通过快速傅里叶变换将时域信号变换为频域信号，得到信号的频率分布，进而得到有用信号频率分布和噪声信号频率分布，为滤波操作做准备；

2)通过小波变换对包含噪声的井下信号进行去噪，得到去噪信号；

3)将步骤2)得到的去噪信号输入BP神经网络进行信号识别；BP神经网络的输入‑输出模型为，

Y＝F(Σ(Input(n)·ωn)+b)；

其中，Input(n)为输入，ωn为权值，b为阈值，Y为输出。

2.根据权利要求1所述的基于小波去噪与神经网络识别的随钻测量信号处理方法，其特征在于，本发明所述随钻测量信号处理方法采用信噪比SNR和均方根误差RMSE评价滤波效果；

其中，X(n)为包含噪声的井下信号，x(n)为有效信号，N为信号点数。

3.根据权利要求1所述的基于小波去噪与神经网络识别的随钻测量信号处理方法，其特征在于，所述步骤2)中，通过小波变换对包含噪声的井下信号进行去噪的具体方法为，在MATLAB中构建滤波器，选用小波去噪函数Wden；其中，参数‘sqtwolog’为固定阈值形式，参数‘mln’根据每一层小波分解得到的噪声水平估计进行调整。

4.根据权利要求1所述的基于小波去噪与神经网络识别的随钻测量信号处理方法，其特征在于，所述步骤2)中的滤波器选用‘bior5.5’作为小波基函数；滤波器的分解层数lev＝10，选择软阈值处理方式。

5.根据权利要求1所述的基于小波去噪与神经网络识别的随钻测量信号处理方法，其特征在于，所述步骤3)中的BP神经网络为多层前馈神经网络,所述多层前馈神经网络包括输入层、隐含层和输出层；BP神经网络的传递函数为对数S型函数，即y＝logsig(x)；y∈(0,1)；其中，x为任意输入数据，y为相应的输出数据，y的值域为0～1。

6.根据权利要求5所述的基于小波去噪与神经网络识别的随钻测量信号处理方法，其特征在于，

3.1)信号的前向传播过程：

3.1.1)隐含层第i个节点的输入其中，X1为输入层的输入，ω_i，j为输入层的权值，i表示隐含层第i个节点，j表示输入层第j个节点；β_n为隐含层的阈值，Y1为输出层的输出；n＝1,2,3…M；

3.1.2)隐含层第i个节点的输出为O_i＝θ(net(i))；

3.1.3)输出层的输出Y1＝φ[∑(O_i·ω_k,i)+a1]；k表示输出层第k个节点；Y1的取值范围为(0,1)，a1为输出层的阈值；求和符号中的自变量ω_k,i为隐含层与输出层之间的阈值，O_i为隐含层第i个节点的输出；

3.2)误差的反向传播过程：

样本的二次型误差准则函数为Xc；

其中，T_k为输出层第k个节点的预期输出，Y_k为输出层第k个节点的实际输出；根据输出层的预期输出和输出层的实际输出的差更新隐含层阈值β_n。