Magnetic Anomaly Detection Based on Energy-Concentrated Discrete Cosine Wavelet Transform
Notice bibliographique
Résumé
The magnetic anomaly signal tends to be contaminated by ambient environmental noise due to the complexity and diversity in the field of magnetic anomaly detection (MAD). The current denoising methods are effective in improving the signal-to-noise ratio (SNR). However, most of them are only applicable to the Gaussian noise and perform poorly for the practical geomagnetic noise, that is the nonstationary noise with a power spectral density (PSD) of 1/ <italic xmlns:mml="http://www.w3.org/1998/Math/MathML" xmlns:xlink="http://www.w3.org/1999/xlink">f<sup>a</sup></i> . To solve this issue, a MAD method based on energy concentrated discrete cosine wavelet transform is proposed in this paper. A novel framework through fusing wavelet transform and discrete cosine transform, dubbed WT-DCT, is constructed, which consists of abnormal signal acquisition, frequency domain energy concentration, and discrete wavelet transformation. The SNR of the magnetic anomaly is improved by extracting the principal components of the scale signal in wavelet transformation through the discrete cosine transform. Through comparing the WT-DCT to four commonly used and accepted methods with extensive simulations and field tests, the results demonstrate that with variations of the geomagnetic noise strengths in the range from 250 nT to 1000 nT, the proposed WT-DCT achieves the highest SNR improvement by about 44.81% and the best structural similarity (SSIM) improvement by about 84.75%.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».