🥭Python噪声敏感度和沉积区震动波

1. 遵循波传播物理原理，使用正逆向建模环境噪声，分析地震空间变化源谱的相关性。 2. 使用格林函数预先计算地震波场。 3. 模型可用于噪声源散射和衰减测量。 4. 环境振动噪声可认为是地表各种牵引源传播的弹性波叠加，建立噪声源时间序列与格林函数的脉冲响应卷积 5. 模拟沉积区震动波

Python噪声敏感度和沉积区震动波 | 亚图跨际亚图跨际 on Notion

🏈指点迷津 | Brief

📜地震波信号解析算法及深度学习

• Python地震波逆问题解构算法复杂信号分析

• Python空间地表联动贝叶斯地震风险计算模型

• 互相关导图

🍪​语言内容分比

🍇Python相关性示例

示例1：

numpy.correlate 只是返回两个向量的互相关。通过查看自相关函数（与自身互相关的向量），我们可以看到一个很好的例子：

import numpy as np

vector = np.random.normal(0,1,size=1000) 
vector[::50]+=10
output = np.correlate(vector,vector,mode='full')

这将返回一个 comb/shah 函数，当两个数据集重叠时，该函数的最大值。由于这是自相关的，两个输入信号之间不会有“滞后”。因此，相关性的最大值是 vector.size-1。如果您只想要重叠数据的相关性值，则可以使用mode ='valid'。

示例2：

第一种是在另一个模式中找到一个模式：

 import numpy as np
 import matplotlib.pyplot as plt
 ​
 some_data = np.random.uniform(0,1,size=100)
 subset = some_data[42:50]
 ​
 mean = np.mean(some_data)
 some_data_normalised = some_data - mean
 subset_normalised = subset - mean
 ​
 correlated = np.correlate(some_data_normalised, subset_normalised)
 max_index = np.argmax(correlated)  # 42 !

我使用它的第二种用途（以及如何解释结果）是频率检测：

 hz_a = np.cos(np.linspace(0,np.pi*6,100))
 hz_b = np.cos(np.linspace(0,np.pi*4,100))
 ​
 f, axarr = plt.subplots(2, sharex=True)
 ​
 axarr[0].plot(hz_a)
 axarr[0].plot(hz_b)
 axarr[0].grid(True)
 ​
 hz_a_autocorrelation = np.correlate(hz_a,hz_a,'same')[round(len(hz_a)/2):]
 hz_b_autocorrelation = np.correlate(hz_b,hz_b,'same')[round(len(hz_b)/2):]
 ​
 axarr[1].plot(hz_a_autocorrelation)
 axarr[1].plot(hz_b_autocorrelation)
 axarr[1].grid(True)
 ​
 plt.show()