تضعیف نوفه تصادفی GPR توسط فیلتر ساویتزکی گولای در فضای موجک مختلط دوشاخه ای

Publish Year: 1400
نوع سند: مقاله ژورنالی
زبان: Persian
View: 197

This Paper With 19 Page And PDF Format Ready To Download

  • Certificate
  • من نویسنده این مقاله هستم

استخراج به نرم افزارهای پژوهشی:

لینک ثابت به این Paper:

شناسه ملی سند علمی:

JR_JRAG-7-4_004

تاریخ نمایه سازی: 1 مرداد 1401

Abstract:

داده های برداشت شده رادار نفوذی به زمین (GPR) همانند سایر روش های ژئوفیزیکی همواره شامل انرژی های ناخواسته یا نوفه هستند. تضعیف نوفه یکی از مراحل مهم در پردازش داده ها پیش از تفسیر است. روش های گوناگونی برای تضعیف نوفه های گاوسی و غیرگاوسی ارائه شده است که هرکدام محدودیت ها و برتری های مربوط به خود را دارند. در این پژوهش روش های تجزیه زمان - فرکانس در پیاده سازی الگوریتمی بهینه در تضعیف نوفه های گاوسی و غیرگاوسی توسط حوزه موجک مختلط (DTCWT) و فیلتر حوزه زمان ساویتزکی گولای (SG)، بر روی داده های روش GPR بررسی شده است. نتایج حاصل از داده-های مصنوعی در حضور نوفه گاوسی، حاکی از برتری روش های آستانه گذاری نرم و گاروت غیرمنفی در حوزه موجک مختلط نسبت به روش SG است. با این وجود انطباق طیف فرکانسی روش های آستانه گیری، حاکی ازدست رفتن سیگنال در بازه فرکانسی میانه دارد؛ به عبارتی با تضعیف نوفه، سیگنال نیز از دست می رود؛ بنابراین از منظر حفظ سیگنال، روش SG کارآمدتر است. به-منظور بررسی بیشتر، فیلتر SG با همان پارامترهای حوزه موجک در حضور نوفه گاوسی و غیر گاوسی بر روی داده های مصنوعی و حقیقی اعمال گردید. الگوریتم طراحی شده در حوزه موجک نتایج قابل اعتمادتری را در ارتباط با قدرت حفظ سیگنال و تضعیف نوفه ارائه داده است. باتوجه به اینکه نوفه های تصادفی در داده های GPR از توزیع گاوسی تبعیت نمی کنند. الگوریتم مطرح شده می تواند یک روش قابل اتکا در تضعیف نوفه در داده های روش مذکور باشد. روش پیاده شده ساویتزکی - گولای در حوزه موجک نتایج بسیار قابل قبولی را در داده های مصنوعی و حقیقی ارائه داده است. در این روش، علاوه بر قدرت حفظ سیگنال در ارتباط با این نوع خاص از نوفه، نتایج تضعیف نوفه کاملا قابل مقایسه با روش های آستانه گیری است.

Authors

صادق مقدم

دانشجوی دکتری، موسسه ژئوفیزیک، دانشگاه تهران

علیرضا گودرزی

دانشیار، دانشکده علوم و فناوری نوین، دانشگاه تحصیلات تکمیلی صنعتی و فناوری پیشرفته

بهروز اسکوئی

دانشیار، موسسه ژئوفیزیک، دانشگاه تهران

اصغر آزادی

استادیار، دانشگاه پیام نور، واحد پرند

مراجع و منابع این Paper:

لیست زیر مراجع و منابع استفاده شده در این Paper را نمایش می دهد. این مراجع به صورت کاملا ماشینی و بر اساس هوش مصنوعی استخراج شده اند و لذا ممکن است دارای اشکالاتی باشند که به مرور زمان دقت استخراج این محتوا افزایش می یابد. مراجعی که مقالات مربوط به آنها در سیویلیکا نمایه شده و پیدا شده اند، به خود Paper لینک شده اند :
  • ابراهیمی بردر، ا.، اسکویی، ب.، و گودرزی، ع.، ۱۳۹۸، ارتقاء ...
  • اویسی موخر، م.،۱۳۸۶، بررسی ساختار شکستگی سراب قنبر در جنوب ...
  • محمدی ویژه، م.، ۱۳۸۷، برداشت، پردازش و تفسیر داد­ های ...
  • مزینانی، ا.، ۱۳۸۹، بررسی ضخامت آسفالت با استفاده از روش ...
  • کامکار روحانی، ا.، اسحاقی، ا.، و عرب امیری، ع.، ۱۳۹۱، ...
  • گودرزی، ع.، ۱۳۹۲، تضعیف امواج زمین غلت و نوفه­های اتفاقی ...
  • گودرزی، ع.، و ملائی، ف.، ۱۳۹۷، افزایش توان تفکیک داده­های ...
  • قنبری، س.، و حفیظی، م.، ۱۳۹۵، کاربرد مدل­سازی پیشرو و ...
  • خداقلی، م.، و باقری، مجید.،۱۳۹۸، استفاده از فیلتر ساویتزکی-گولای برای ...
  • Ata, M., Abdelakder, E.M., Abouhamad, M., Serror, M.H., and Marzouk, ...
  • Awal, M. A., Mostafa, S. S., and Ahmad, M., ۲۰۱۱, ...
  • Baba, K., Bahi, L., Ouadif, L., ۲۰۱۴, Enhancing Geophysical Signals ...
  • Baili, J., Lahouar, S., Hergli, M., Al-QadiI, L., and Besbes, ...
  • Bednarczyk, Z., and Szynkiewicz, A., ۲۰۱۵, Applied Engineering Geology Methods ...
  • Blackard, K.L., Rappaport, T. S., Bostian, C. W., ۱۹۹۳, Measurements ...
  • Breiman, L., ۱۹۹۵, better subset regression using the non-negative garrote, ...
  • Chen, Z., and Shu, J., ۲۰۱۱, remote sensing image merging ...
  • Chen, J., Jönsson, P., Tamura, M. Z. Matsushita, B., and ...
  • Cheynet, E., ۲۰۲۰, Non-Gaussian process generation, MATLAB Central File Exchange, Retrieved,(https://www.mathworks.com/matlabcentral/fileexchange/۵۲۱۹۳-non-gaussian-process-generation) ...
  • Chui, C.K., ۱۹۹۲, An introduction to wavelet, New York: Academic ...
  • Daubechies, I., ۱۹۹۲, Ten lectures on wavelets, Society for Industrial ...
  • Demirel, H., and Anbarjafari, G., ۲۰۱۰, Satellite image resolution enhancement ...
  • Donoho, D. L.,۱۹۹۵, De-noising by soft thresholding, IEEE transactions on ...
  • Donoho, D. L. Johnstone, I. M., ۱۹۹۴, Ideal spatial adaptation ...
  • Ebrahimi Bardar, A., Oskooi, B., and Goudarzi, A ., ۲۰۱۹, ...
  • Ferguson, R., and Margrave, G., ۲۰۱۲, attenuation compensation for georadar ...
  • Fernandes,F., pais, J., ۲۰۱۷, Laboratory observation of cracks in road ...
  • Fontul, S., Fortunato, E., De Chiara, F., Burrinha, R., and ...
  • Gander W., von Matt, U., ۱۹۹۵, Smoothing Filters. In: Solving ...
  • Gurley, K. R., Tognarelli, M. A., & Kareem, A. ۱۹۹۷, ...
  • Jeng, Y., Li, Y., Chen, Ch., Chien, H., ۲۰۰۹, Adaptive ...
  • Jiao, L., Ye, Q., Cao, X., Huston, D., Xia, T., ...
  • Julayusefi, M., Goudarzi, A., Hozhabry, R., Shamounadeh, M, ۲۰۱۲, Application ...
  • Ishitsuka, K., Iso, Sh., Onishi, K., Matsuoka, T., ۲۰۱۸, Object ...
  • ITU-R Recommendation, p-۳۷۲-۸, ۲۰۱۶, Radio noise , International Telecommunication Union, Geneva ...
  • Kingsbury, N. G., ۱۹۹۸, The dual-tree complex wavelet transform: a ...
  • Lahouar, S., ۲۰۰۳, Development of Data Analysis Algorithms for Interpretation ...
  • Lamard, M., Daccache, M., Cazuguel, W., Roux, G., and Cochener, ...
  • Lejerowicz, A., Wysocka, A., Kowalczyk, S., ۲۰۱۸, Application of ground ...
  • Liu, C. C., Dai, D. Q., and Yan, H., ۲۰۰۷, ...
  • Liu, Y., Dang, B., Li, Y., Lin, H., and Ma, ...
  • Mallat, S.G., ۱۹۹۹, A Wavelet Tour of Signal Processing, Academic ...
  • Moghaddam, S., Oskooi, B., Goudarzi, A., and Azadi, A., ۲۰۱۹, ...
  • Oskooi, B., Parnow, S., Smirnov, M., Varfinezhad, R. & Yari, ...
  • Oskooi, B., Julayusefi, M., and Goudarzi, A., ۲۰۱۵, GPR noise ...
  • Press., W.H., and Teukolsky., S.A., ۱۹۹۰, savitky-golay smoothing filters, computers ...
  • Raj, V. N. P., and Venkateswarlu, T., ۲۰۱۲, Denoising of ...
  • Robinson, E.A., and Treitel, S., ۱۹۶۷, Principles of ...
  • digital Wiener filtering, Geophysical Prospecting, ...
  • ۱۵ (۳), ۳۱۱-۳۳۲ ...
  • Saintenoy, A., and Hopmans, J., ۲۰۱۱, Ground Penetraating Radar: Water ...
  • Savitzky, A., and Golay, M., ۱۹۶۴, Smoothing and differentiation, of ...
  • Schmelzbach, C., and Huber, E., ۲۰۱۵, Efficient Deconvolution of Ground-Penetrating ...
  • Schafer.,R.W., ۲۰۱۱, what is a savitzky-Golay filter, IEE signal processing ...
  • Sejdic, E.; Djurovic, I.; Jiang, J., ۲۰۰۹, Time-frequency feature representation ...
  • Selesnick, I. W., Baraniuk, R. G., and Kingsbury, N. G.,۲۰۰۵, ...
  • Tudor Barbu, T., ۲۰۱۳, Variational Image Denoising Approach with Diffusion ...
  • Wang, Y., ۲۰۱۵, Frequencies of the Ricker wavelet,Geophysics, ۸۰, A۳۱-A۳۷ ...
  • Wu, Sh., Wang, Y., Di , Z., Chang, X., ۲۰۱۸, ...
  • Yang, Q., ۲۰۱۳, GPR detection for underground water pipe based ...
  • Yang, Y., Tong, S., Huang, S., Pan, L.,۲۰۱۴, Dual-Tree Complex ...
  • Yilmaz, Ö., ۲۰۰۱, Seismic data analysis. Tulsa, Society of Exploration ...
  • Ziegler, H., ۱۹۸۱, Properties of digital smoothing polynomial (DISPO) filters, ...
  • Zou, H., Yang, F., ۲۰۰۹, Image Detection of Ground Penetrating ...
  • نمایش کامل مراجع