CN109101910A - 一种基于噪声甄别的大地电磁信号去噪方法 - Google Patents

一种基于噪声甄别的大地电磁信号去噪方法 Download PDF

Info

Publication number
CN109101910A
CN109101910A CN201810858135.XA CN201810858135A CN109101910A CN 109101910 A CN109101910 A CN 109101910A CN 201810858135 A CN201810858135 A CN 201810858135A CN 109101910 A CN109101910 A CN 109101910A
Authority
CN
China
Prior art keywords
electromagnetic signal
noise
character string
magnetotelluric
complexity
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.)
Granted
Application number
CN201810858135.XA
Other languages
English (en)
Other versions
CN109101910B (zh
Inventor
李晋
蔡锦
张贤
刘晓琼
韦香宁
严梦纯
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.)
Dragon Totem Technology Hefei Co ltd
Original Assignee
Hunan Normal University
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 Hunan Normal University filed Critical Hunan Normal University
Priority to CN201810858135.XA priority Critical patent/CN109101910B/zh
Publication of CN109101910A publication Critical patent/CN109101910A/zh
Application granted granted Critical
Publication of CN109101910B publication Critical patent/CN109101910B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
    • G06F2218/12—Classification; Matching

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Artificial Intelligence (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Signal Processing (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • Measuring Magnetic Variables (AREA)

Abstract

本发明公开了一种基于噪声甄别的大地电磁信号去噪方法，包括：计算每个电磁信号样本的近似熵和LZ复杂度；利用每个电磁信号样本的近似熵、LZ复杂度以及类别值训练预设分类模型得到噪音甄别分类模型；获取待处理的大地电磁信号，再依据噪音甄别分类模型对待处理的大地电磁信号进行噪音甄别得到非强干扰的电磁信号段、强干扰的电磁信号段；对强干扰的电磁信号段结合互补集合经验模态分解和小波阈值法进行噪声压制处理；将去噪压制处理后的电磁信号段与非强干扰的电磁信号段进行合并得到重构的大地电磁信号。本发明通过上述方法可以更准确地甄别强干扰和非强噪声干扰的数据段，保留真实的大地电磁信号，提高大地电磁信号的去噪效果。

Description

一种基于噪声甄别的大地电磁信号去噪方法
技术领域
本发明属于大地电磁信号处理技术领域，具体涉及一种基于噪声甄别的大地电磁信号去噪方法。
背景技术
大地电磁测深(Magnetotelluric,MT)法是一种利用天然场源的电法勘探方法，通过在地面上观测具有区域性乃至全球性分布特征的天然交变电磁场来研究地下岩层的电学性质及其分布特征。该方法探测深度大、施工简便、成本低，在地球物理学的很多领域都得到了广泛的应用。然而，由于天然大地电磁场信号微弱、频带范围宽，野外采集的数据难免会受到不同程度的干扰，尤其是日趋严重的人文噪声干扰，导致大地电磁数据质量下降，视电阻率-相位曲线过度失真，极大地影响了采集数据本身的可靠性及地下电性结构的可解释性。
自20世纪50年代大地电磁法诞生以来，不断涌现出众多大地电磁去噪方法，旨在改善强干扰区大地电磁数据质量。如远参考法、Robust法、最小二乘法、小波变换、Hilbert-Huang变换、形态滤波等，都能在一定程度上压制噪声，改善大地电磁数据质量，但这些方法都有一定的局限性，且注重整体处理，缺乏噪声甄别环节，其结果往往会造成大地电磁数据的过处理并损失大量低频缓变化信息，导致去噪效果不佳。
发明内容
本发明的目的是设计一种基于噪声甄别的大地电磁信号去噪方法，来定量甄别强干扰和非强噪声干扰的数据段，保留真实的大地电磁信号，对辨识出的异常波形采取针对性地压制去噪处理，极大提升大地电磁法在强电磁干扰环境下的噪声抑制能力、最大限度地保留大地电磁低频段的缓变化信息。
本发明提供一种基于噪声甄别的大地电磁信号去噪方法，包括如下步骤：
步骤1：从采集的大地电磁信号中提取电磁信号样本；
其中，提取的所述电磁信号样本分为非强干扰的电磁信号以及强干扰的电磁信号；
步骤2：分别计算每个电磁信号样本的近似熵和LZ复杂度；
步骤3：利用每个电磁信号样本的近似熵、LZ复杂度以及类别值训练预设分类模型得到噪音甄别分类模型；
其中，每个电磁信号样本的类别值表示电磁信号是否为强干扰且依据电磁信号是否为强干扰来编码，所述噪音甄别分类模型的输入数据为电磁信号段的近似熵和LZ复杂度，输出数据为对应电磁信号段的类别值；
步骤4：获取待处理的大地电磁信号，再依据步骤3中的噪音甄别分类模型对待处理的大地电磁信号进行噪音甄别得到非强干扰的电磁信号段、强干扰的电磁信号段；
其中，将待处理的大地电磁信号划分为J段，并分别计算每段电磁信号的近似熵和LZ复杂度，再将每段电磁信号的近似熵和LZ复杂度输入噪音甄别分类模型得到每段电磁信号的类别值，J为正整数；
步骤5：对步骤4中强干扰的电磁信号段进行噪声压制处理；
步骤6：将去噪压制处理后的电磁信号段与步骤4中非强干扰的电磁信号段进行合并得到重构的大地电磁信号。
本发明针对大地电磁信号选用的近似熵、LZ复杂度两个特征进行分类处理，具体是将非强干扰以及强干扰的大地电磁信号的近似熵、LZ复杂度作为特征训练分类模型得到噪音甄别分类模型，再利用噪音甄别分类模型对实测的大地电磁信号进行分类得到强干扰段和非强干扰段的电磁信号，随后，将分类得到的强干扰段的电磁信号进行去噪处理，并在去噪处理后重构电磁信号，进而有效地避免现有技术中对数据进行整体处理而将非强干扰的信号也滤除的情况出现。选用近似熵和LZ复杂度是基于两者对大地电磁信号具有极其相似的复杂度度量，能够更好地表征大地电磁信号非强干扰和受到强干扰的时间序列。本发明通过对样本进行大量实验得到如下表1所示的数据，其中，将未受干扰的信号样本作为非强干扰的信号样本，针对样本分别提取近似熵和LZ复杂度的特征参数值，由表1可知，近似熵和LZ复杂度对于信号复杂度的度量是最为接近的，而度量接近会提高分类精度，因此本发明通过巧妙地将这两类特征参数输入支持向量机，而不是将更多的特征参数同时输入支持向量机，目的是使得能够达到更高精度的分类。由表1可知，未受干扰信号的近似熵值和LZ复杂度值明显高于受干扰的信号的两类特征参数值，将这两类特征参数输入到支持向量机进行噪声甄别，可对实测信号取得更高精度的分类识别。
表1
进一步优选，步骤5中对每个强干扰的电磁信号段进行噪声压制处理的过程均如下：
首先，利用互补集合经验模态分解强干扰的电磁信号段得到若干固有模态函数分量；
然后，采用小波阈值法对每阶固有模态函数分量依次进行降噪得到噪声压制后的电磁信号段。
对互补集合经验模态分解后得到的一系列模态函数分量从第一阶到最后一阶依次利用sym6小波基函数进行5层分解，以第1层求高斯包噪声的标准偏差，接着利用软阈值函数对求得的标准偏差求取阈值，最后利用求得的阈值对第一阶到最后一阶依次降噪后重构得到噪声压制后的电磁信号段。其中，对所有模态函数分量进行重构是采用的公知技术。
其中，采用先分解后去噪，而不直接利用互补集合经验模态分解对分类为强干扰的数据段进行降噪，是因为互补集合经验模态(CEEMD)分解去噪是通过舍弃高频分量达到降噪的目的，是以损失高频分量中的有用信息为代价，最后并不能达到良好的降噪效果。
进一步优选，所述利用互补集合经验模态分解强干扰的电磁信号段得到若干模态函数分量的过程如下：
步骤5.1：在强干扰的电磁信号段加入白噪声得到两组含噪信号M1和M2；
步骤5.2：对两组含噪信号M1和M2进行经验模态分解得到第1阶固有模态函数分量和1阶残差；
步骤5.3：对得到的1阶残差进行经验模态分解得到第2阶固有模态函数分量和2阶残差，重复对每次得到的残差进行经验模态分解直至残差极值的个数小于或等于2时停止经验模态分解；
其中，每次经验模态分解得到一个固有模态函数分量。
步骤5.1中加入t组辅助白噪声W，其中t根据实测点分类为强干扰的序列数而定；步骤5.2中的分解过程如下：
res1＝M-IMF1
其中，M为M1和M2组成的2t维信号序列，IMF1为第1阶固有模态函数分量和res1为1阶残差；
步骤5.3中继续对res1进行分解，得到第2阶固有模态函数IMF2和2阶残差res2，如此重复，直至残差极值的个数小于等于2时停止分解，最终得到自适应地得到一系列不同频率和幅值的模态函数分量，即：
其中，res表示最终的残差值，K为最终的IMF分量数。
进一步优选，电磁信号的近似熵获取过程如下：
步骤2.1：根据电磁信号的时间序列构建m维向量；
R(i)＝(u(i),u(i+1)...u(i+m-1))，i＝1,2,…,N-m+1
式中，R(i)为构建的第i个m维向量，u(i)、u(i+1)、u(i+m-1)分别为电磁信号的时间序列中第i个、第i+1个、第i+m-1个序列点信号，N为电磁信号时间序列中序列点的个数；
步骤2.2：分别依次计算每两个m维向量之间的距离；
其中，第i个m维向量R(i)与第j个m维向量R(j)之间的距离计算公式如下：
式中，d(R(i),R(j))为两个m维向量R(i)、R(j)之间的距离；
步骤2.3：计算每个m维向量与其他m维向量的相似度；
其中，每个m维向量对应一个相似度，所述相似度的计算公式如下：
式中，为第i个m维向量R(i)的相似度，B{d(R(i),R(j))＜λ}为第i个m维向量R(i)与其他m维向量R(j)之间的距离d(R(i),R(j))小于λ的数量；
步骤2.4：基于步骤2.3计算出的相似度按照如下公式计算出中间参数；
式中，Φm(λ)为中间参数；
步骤2.5：增加维数使得m＝m+1，再按照步骤2.1-2.4计算出维数变化后的中间参数；
步骤2.6：计算维数变化前后的中间参数的差值，所述差值为电磁信号的近似熵。
例如选择近似熵的嵌入维数m取2，近似熵的相似容限λ取0.25倍标准差(SD)。
进一步优选，电磁信号的LZ复杂度的获取过程如下：
步骤3.1：对电磁信号的时间序列进行二值化处理得到字符串序列P；
P＝{p1,p2,…,pN}
式中，p1、p2、pN分别是字符串序列P中第一个、第二个、第N个字符；
步骤3.2：基于字符串序列P计算复杂度c；
A：初始化复杂度c、第一字符串S和第二字符串Q，并获取第一字符串S和第二字符串Q的校验级联SQV；
c＝1，S＝p1，Q＝{p2,p3,…,pN}，SQ＝(p1,p2,…,pN)；
式中，SQ为第一字符串S和第二字符串Q的级联，校验级联SQV为第一字符串S和第二字符串Q的级联SQ减去最后一个字符后的字符串；
B：判断第一字符串S是否是校验级联SQV的子串，若是，将第二字符串Q的下一个字符级联到第一字符串S；否则，将第一字符串S级联到第二字符串Q，并重新计算复杂度c＝c+1以及构造第一字符串S；
C：重复步骤B直至第一字符串S取到第二字符串的最后一位字符串；
D：更新复杂度c＝c+1；
步骤3.3：按照如下公式计算出LZ复杂度；
式中，LZC为LZ复杂度。
本发明是根据现有的基于字符串序列P计算复杂度c来计算出本发明的复杂度，基于多次的修改与验证，本发明在现有技术的基础上改进第一字符串S的初始值，即将第一字符串S的初始值取值为p1，可以提高计算效率。例如对于Q＝(10101010)，应用利用步骤3.2所述方法可以得到c(8)＝3三个新模式：1,0,101010。
进一步优选，所述预设分类模型为支持向量机。
支持向量机是近年来发展起来的一种通用机器学习方法。该方法以统计理论为先导，在结构风险最小化基础上建立学习策略，能解决小样本情况下非线性函数拟合的通用性和推广性问题。
进一步优选，步骤1中提取的电磁信号样本中强干扰的电磁信号为受类方波干扰、受类脉冲干扰、受类充放电三角波干扰的电磁信号。
有益效果
1、本发明提供了对大地电磁信号具有鲁棒性特征的两类参数(近似熵、LZ复杂度)的提取方法，并将分帧后的数据段计算的两类特征参数合成的矩阵作为分类模型的输入，智能甄别强干扰的数据段和非强干扰的数据段，避免了后续噪声压制过程中的盲目性。选用近似熵和LZ复杂度是由于两者对大地电磁信号具有极其相似的复杂度度量，能够更好地表征大地电磁信号非强干扰和受到强干扰的时间序列。如上表1所示的样本分别提取近似熵和LZ复杂度的特征参数值，由表可知，近似熵和LZ复杂度对于信号复杂度的度量是最为接近的，将这两类特征参数输入支持向量机，能够达到更高精度的分类。
2、本发明提供了一种智能分类的大地电磁噪声甄别及压制方法，与现有技术中整体处理易损失低频缓变化信息相比，其增加了大地电磁噪声智能甄别环节，从而能够有针对性地对大地电磁数据进行噪声压制、保留更多的大地电磁有用信息，其结果能更为真实地反映天然大地电磁信号本身所固有的电性结构信息。
3、本发明提供了将互补集合经验模态分解和小波阈值法相结合进行噪声压制，对噪声甄别环节中甄辨为强干扰的数据段先利用互补集合经验模态分解自适应地分解为一系列IMF分量，再对IMF分量进行小波软阈值去噪。本发明中，不直接利用互补集合经验模态分解对分类为强干扰的数据段进行降噪，是因为CEEMD分解去噪是通过舍弃高频分量达到降噪的目的，是以损失高频分量中的有用信息为代价，最后并不能达到良好的降噪效果；本发明中，不直接利用小波阈值法对分类为强干扰的数据段进行降噪，是因为只用小波阈值去噪会造成数据段去噪不彻底，最终也不能得到理想的效果。而本发明所提方法不仅能保留更多的大地电磁数据的有用信息，而且去噪更加彻底，最终结果更加接近理想效果。
4、本发明利用近似熵、LZ复杂度先训练出噪声甄别分类模型，再利用训练出的噪声甄别分类模型对实测大地电磁信号进行处理，只需将计算实测大地电磁信号的近似熵、LZ复杂度特征参数，并输入模型就直接得到类别值，如“01”序列，“0”表示非强干扰数据段，“1”表示受强干扰数据段，分类界限分明，避免出现很多相近结果，影响分类效果，同时，对实测数据得到的分类“01”序列实现“量产”，提高了分类效率。此外，相较于现有技术中将样本熵和模糊熵作为联合特征参数，对分帧的大地电磁信号段进行模糊C均值聚类，来划分有用信号段和强干扰信号段等，利用形态分形维数和形态膨胀谱熵对大地电磁信号和强干扰进行信噪辨识等，这些现有方法均直接计算实测信号的复杂度，利用复杂度的不同来进行辨识或者分类，相较于本发明利用训练后的噪声甄别分类模型来对实测的大地电磁信号的分类处理，会降低分类效率和分类精度。
5、支持向量机是近年来发展起来的一种通用机器学习方法。该方法以统计理论为先导，在结构风险最小化基础上建立学习策略，能解决小样本情况下非线性函数拟合的通用性和推广性问题。本发明中将能较好表征信号复杂度的近似熵和LZ复杂度作为支持向量机的输入，对强干扰区大地电磁数据建立噪声甄别分类模型，并结合互补集合经验模态分解和小波阈值法仅对甄辨为强干扰的数据段进行噪声压制，从而保留了更多的低频缓变化信息不被“过处理”，大地电磁数据质量得到明显提升。
附图说明
图1为本发明的流程图。
图2为模拟信号经互补集合经验模态分解得到的时间域波形图及频谱图。
图3为一组样本的时域波形图，其中图(a)、图(b)、图(c)和图(d)分别为未受干扰的信号时域图、含类方波干扰的信号时域图、含类充放电三角波干扰的信号时域图和含类脉冲干扰的信号时域图。
图4为样本库支持向量机智能分类效果图。
图5为模拟信号噪声甄别及压制效果图，其中图(a)、图(b)和图(c)分别为模拟大尺度方波、充放电三角波和脉冲干扰的噪声甄别及压制效果图。
图6为实测大地电磁数据噪声甄别及压制效果图，其中，图(a)、图(b)和图(c)分别为含类方波、类充放电三角波和类脉冲干扰的实测大地电磁数据噪声甄别及压制效果图。
图7为实测点C43822原始数据的视电阻率曲线和经本发明方法处理的视电阻率曲线对比图，其中图(a)、图(b)分别对应Rxy、Ryx。
具体实施方式
下面将结合实施例对本发明做进一步的说明。
如图1所示，本发明公开了一种智能分类的大地电磁噪声甄别及压制方法，包括以下步骤：
Step1：从采集的大地电磁信号中提取电磁信号样本；
Step2：提取电磁信号样本的近似熵和LZ复杂度。
具体的，提取样本库中50个未受干扰的样本、50个受方波干扰的样本、50个受充放电三角波干扰的样本和50个受脉冲干扰的样本的近似熵和LZ复杂度。一共200个样本，每个电磁信号样本的长度为240。其中，本实施例中将未受干扰50个样本作为非强干扰样本，另外150个样本视为强干扰样本。如图3所示，图(a)、图(b)、图(c)和图(d)分别为未受干扰的信号时域图、含类方波干扰的信号时域图、含类充放电三角波干扰的信号时域图和含类脉冲干扰的信号时域图。本发明将图3中含类方波干扰的信号、含类充放电三角波干扰的信号和含脉冲干扰的信号视为受方波干扰的信号、受充放电三角波干扰的信号和受脉冲干扰的信号。
Step3：将提取的两类特征参数作为支持向量机的输入，训练得到噪声甄别分类模型。
即将样本库信号的近似熵和LZ复杂度特征参数值组成的特征矩阵输入至支持向量机，这里的特征矩阵是指同一个样本计算的两类特征参数值合成的200×2矩阵。同时输入至支持向量机的还包括每个电磁信号样本的类别值。本实施例中，类别值为“0”表示非强干扰，为“1”表示强干扰。具体如下所示：
将计算得到的200个电磁信号样本的近似熵和LZ复杂度特征参数值组成的特征矩阵zi通过一个非线性函数将其映射到一个高维空间，构成最优分类超平面并令其满足如下约束条件：
其中，ω为比例因子，εi为松弛变量，yi表示电磁信号样本的类别值矩阵，b表示一常数。其中，根据现有技术文献，可知如何限制松弛变量εi值的大小，进而得到训练后的噪音甄别分类模型。应当说明，本发明所选用的支持向量机的核函数为线性核函数，且支持向量机的训练过程为现有技术，因此对其具体过程不进行详细描述。噪音甄别分类模型定义如下：
f(zi)＝sign[βizi-b]
式中，f(zi)为噪音甄别分类模型输出的类别值，zi为输入数据，sign为符号函数，βi表示拉格朗日乘子矩阵。例如，若zi对应本实施例中的电磁信号样本，则为200个电磁信号样本的近似熵和LZ复杂度特征参数值组成的200×2特征矩阵，若zi对应训练阶段待处理的电磁信号，则为N'×2的特征矩阵，N'为待处理的电磁信号段的个数，输出的f(zi)为待处理的电磁信号段的类别值矩阵，其中每个电磁信号段对应一个类别值，依据类别值来判定待处理的电磁信号段为未干扰的电磁信号段或者强干扰的电磁信号段。
Step4：将实测大地电磁数据进行分帧，并对分帧后的实测大地电磁数据提取近似熵和LZ复杂度，再利用噪声甄别分类模型对大地电磁数据段进行分类；
分帧即将待处理的大地电磁信号分为J段，每段对应为每帧为10s，即采样长度为240个点。
其中，将每帧的电磁信号的近似熵和LZ复杂度输入至噪声甄别分类模型得到每帧电磁信号对应的类别值，本实施例中，若得到的类别值为“0”表示非强干扰，为“1”表示强干扰。
Step5：仅对划分为强干扰的数据段先利用互补集合经验模态分解自适应分解为一系列固有模态分量，再对每一阶固有模态分量采用小波阈值法进行噪声压制。
Step6：将步骤5中进行噪声压制后的数据段与步骤4中划分为非强干扰的数据段进行合并得到重构后的大地电磁有用信号。
本发明所解决的技术问题是，针对已有方法整体处理的不足，提供一种基于噪声甄别的大地电磁信号去噪方法。根据大地电磁数据信号复杂度的特征，引入近似熵和LZ复杂度对大地电磁时间序列进行定量剖析，并将其作为支持向量机的输入，对样本库进行训练生成噪声甄别分类模型；同时，结合互补集合经验模态分解和小波阈值法仅对甄别为强干扰的序列进行噪声压制。本发明中噪声甄别环节引入的两类特征参数在定量甄辨大尺度强干扰和微弱大地电磁有用信号方面具有良好的噪声鲁棒性；支持向量机能准确地甄别时间序列中大尺度噪声所包含的数据段和非强干扰的数据段；在区分大尺度强干扰的同时，低频段的缓变化信息得到了更为精细地保留，有效地避免了现有方法整体去噪时的“过处理”。本发明将噪声甄别作为预处理环节引入至大地电磁噪声压制，对提升大地电磁低频段的数据质量起到“事半功倍”的效果，应用前景广阔。
通过计算重构的大地电磁数据的视电阻率曲线来对本发明的效果进行评价。附图7所示为大地电磁实测点原始数据的视电阻率曲线和本发明方法处理的视电阻率曲线对比图。通过对比可知，经本发明方法处理后，视电阻率曲线更为光滑、连续，视电阻率曲线45°渐近线上升的近源效应得到了明显改善，保留了更多时间域序列中的低频缓变化信息，其结果更为真实地反映了该测点本身所固有的电性结构信息。
分析以上具体实施方案可知，本发明中智能体现在结合本发明提到的两类特征参数的支持向量机能对任何分帧的具有不同复杂度特征的大地电磁数据进行智能分类，过程中不需要人为划分；互补集合经验模态分解结合小波阈值法对不同噪声进行压制，能避免其单一方法的缺陷，突出本发明方法在噪声压制过程中的彻底性。
以上所述的具体实施方式，对本发明的技术领域、背景、目的、方案和有益效果做了进一步的详细说明，所应理解的是，本实施方式仅为本发明的优选方式而已，并不用于限制本发明，凡在本发明的精神和原则之内，做出的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (7)

1.一种基于噪声甄别的大地电磁信号去噪方法，其特征在于：包括如下步骤：
步骤1：从采集的大地电磁信号中提取电磁信号样本；
其中，提取的所述电磁信号样本分为非强干扰的电磁信号以及强干扰的电磁信号；
步骤2：分别计算每个电磁信号样本的近似熵和LZ复杂度；
步骤3：利用每个电磁信号样本的近似熵、LZ复杂度以及类别值训练预设分类模型得到噪音甄别分类模型；
其中，每个电磁信号样本的类别值表示电磁信号是否为强干扰且依据电磁信号是否为强干扰来编码，所述噪音甄别分类模型的输入数据为电磁信号段的近似熵和LZ复杂度，输出数据为对应电磁信号段的类别值；
步骤4：获取待处理的大地电磁信号，再依据步骤3中的噪音甄别分类模型对待处理的大地电磁信号进行噪音甄别得到非强干扰的电磁信号段、强干扰的电磁信号段；
其中，将待处理的大地电磁信号划分为J段，并分别计算每段电磁信号的近似熵和LZ复杂度，再将每段电磁信号的近似熵和LZ复杂度输入噪音甄别分类模型得到每段电磁信号的类别值，J为正整数；
步骤5：对步骤4中强干扰的电磁信号段进行噪声压制处理；
步骤6：将去噪压制处理后的电磁信号段与步骤4中非强干扰的电磁信号段进行合并得到重构的大地电磁信号。
2.根据权利要求1所述的方法，其特征在于：步骤5中对每个强干扰的电磁信号段进行噪声压制处理的过程均如下：
首先，利用互补集合经验模态分解强干扰的电磁信号段得到若干固有模态函数分量；
然后，采用小波阈值法对每阶固有模态函数分量依次进行降噪得到噪声压制后的电磁信号段。
3.根据权利要求2所述的方法，其特征在于：所述利用互补集合经验模态分解强干扰的电磁信号段得到若干模态函数分量的过程如下：
步骤5.1：在强干扰的电磁信号段加入白噪声得到两组含噪信号M1和M2；
步骤5.2：对两组含噪信号M1和M2进行经验模态分解得到第1阶固有模态函数分量和1阶残差；
步骤5.3：对得到的1阶残差进行经验模态分解得到第2阶固有模态函数分量和2阶残差，重复对每次得到的残差进行经验模态分解直至残差极值的个数小于或等于2时停止经验模态分解；
其中，每次经验模态分解得到一个固有模态函数分量。
4.根据权利要求1所述的方法，其特征在于：电磁信号的近似熵的获取过程如下：
步骤2.1：根据电磁信号的时间序列构建m维向量；
R(i)＝(u(i),u(i+1)...u(i+m-1))，i＝1,2,···,N-m+1
式中，R(i)为构建的第i个m维向量，u(i)、u(i+1)、u(i+m-1)分别为电磁信号的时间序列中第i个、第i+1个、第i+m-1个序列点信号，N为电磁信号时间序列中序列点的个数；
步骤2.2：分别依次计算每两个m维向量之间的距离；
其中，第i个m维向量R(i)与第j个m维向量R(j)之间的距离计算公式如下：
式中，d(R(i),R(j))为两个m维向量R(i)、R(j)之间的距离；
步骤2.3：计算每个m维向量与其他m维向量的相似度；
其中，每个m维向量对应一个相似度，所述相似度的计算公式如下：
式中，为第i个m维向量R(i)的相似度，B{d(R(i),R(j))＜λ}为第i个m维向量R(i)与其他m维向量R(j)之间的距离d(R(i),R(j))小于λ的数量；
步骤2.4：基于步骤2.3计算出的相似度按照如下公式计算出中间参数；
式中，Φm(λ)为中间参数；
步骤2.5：增加维数使得m＝m+1，再按照步骤2.1-2.4计算出维数变化后的中间参数；
步骤2.6：计算维数变化前后的中间参数的差值，所述差值为电磁信号的近似熵。
5.根据权利要求1所述的方法，其特征在于：电磁信号的LZ复杂度的获取过程如下：
步骤3.1：对电磁信号的时间序列进行二值化处理得到字符串序列P；
P＝{p1,p2,···,pN}
式中，p1、p2、pN分别是字符串序列P中第一个、第二个、第N个字符；
步骤3.2：基于字符串序列P计算复杂度c；
A：初始化复杂度c、第一字符串S和第二字符串Q，并获取第一字符串S和第二字符串Q的校验级联SQV；
c＝1，S＝p1，Q＝{p2,p3,···,pN}，SQ＝(p1,p2,···,pN)；
式中，SQ为第一字符串S和第二字符串Q的级联，校验级联SQV为第一字符串S和第二字符串Q的级联SQ减去最后一个字符后的字符串；
B：判断第一字符串S是否是校验级联SQV的子串，若是，将第二字符串Q的下一个字符级联到第一字符串S；否则，将第一字符串S级联到第二字符串Q，并重新计算复杂度c＝c+1以及构造第一字符串S；
C：重复步骤B直至第一字符串S取到第二字符串的最后一位字符串；
D：更新复杂度c＝c+1；
步骤3.3：按照如下公式计算出LZ复杂度；
式中，LZC为LZ复杂度。
6.根据权利要求1所述的方法，其特征在于：所述预设分类模型为支持向量机。
7.根据权利要求1所述的方法，其特征在于：步骤1中提取的电磁信号样本中强干扰的电磁信号为受类方波干扰、受类脉冲干扰、受类充放电三角波干扰的电磁信号。
CN201810858135.XA 2018-07-31 2018-07-31 一种基于噪声甄别的大地电磁信号去噪方法 Active CN109101910B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201810858135.XA CN109101910B (zh) 2018-07-31 2018-07-31 一种基于噪声甄别的大地电磁信号去噪方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201810858135.XA CN109101910B (zh) 2018-07-31 2018-07-31 一种基于噪声甄别的大地电磁信号去噪方法

Publications (2)

Publication Number Publication Date
CN109101910A true CN109101910A (zh) 2018-12-28
CN109101910B CN109101910B (zh) 2019-11-08

Family

ID=64847890

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201810858135.XA Active CN109101910B (zh) 2018-07-31 2018-07-31 一种基于噪声甄别的大地电磁信号去噪方法

Country Status (1)

Country Link
CN (1) CN109101910B (zh)

Cited By (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110146929A (zh) * 2019-05-21 2019-08-20 东华理工大学 基于过完备字典与压缩感知重构算法的低频大地电磁数据去噪方法
CN110412656A (zh) * 2019-07-18 2019-11-05 长江大学 一种大地电磁测深资料时间域压噪的方法及系统
CN111176441A (zh) * 2019-11-27 2020-05-19 广州雪利昂生物科技有限公司 基于表面肌电的人机交互训练方法、装置及存储介质
CN111551992A (zh) * 2020-05-12 2020-08-18 中国科学院地质与地球物理研究所 岩石储层构造表征方法、装置、计算机可读存储介质及电子设备
CN111780817A (zh) * 2020-06-07 2020-10-16 承德石油高等专科学校 一种低频励磁电磁流量计噪声信号检测及处理的算法
CN112818876A (zh) * 2021-02-04 2021-05-18 成都理工大学 一种基于深度卷积神经网络的电磁信号提取与处理方法
CN112932424A (zh) * 2019-12-09 2021-06-11 杭州壹诚企业管理咨询有限公司 一种数据获取方法及系统
CN113568058A (zh) * 2021-07-20 2021-10-29 湖南师范大学 一种基于多分辨率奇异值分解的大地电磁信噪分离方法及系统
CN114970647A (zh) * 2022-07-29 2022-08-30 中南大学 基于概率神经网络的电磁数据识别方法及系统
CN116509415A (zh) * 2023-04-21 2023-08-01 山东省人工智能研究院 一种基于信号分量的单元化形态学特征的降噪方法

Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107657242A (zh) * 2017-10-10 2018-02-02 湖南师范大学 一种大地电磁信噪辨识及分离方法

Patent Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107657242A (zh) * 2017-10-10 2018-02-02 湖南师范大学 一种大地电磁信噪辨识及分离方法

Non-Patent Citations (6)

* Cited by examiner, † Cited by third party
Title
DANIEL ABÁSOLO 等: "Non-linear Analysis of Intracranial Electroencephalogram Recordings with Approximate Entropy and Lempel-Ziv Complexity for Epileptic Seizure Detection", 《PROCEEDINGS OF THE 29TH ANNUAL INTERNATIONAL CONFERENCE OF THE IEEE EMBS》 *
JIN LI 等: "SIGNAL-NOISE IDENTIFICATION OF MAGNETOTELLURIC SIGNALS USING FRACTAL-ENTROPY AND CLUSTERING ALGORITHM FOR TARGETED DE-NOISING", 《FRACTALS》 *
张兴哲: "一种基于复杂性测度的干扰样式识别方法", 《菏泽学院学报》 *
李晋 等: "基于信噪辨识的矿集区大地电磁噪声压制", 《地球物理学报》 *
蔡剑华 等: "基于经验模态分解与小波阈值的ＭＴ信号去噪方法", 《石油地球物理勘探》 *
高鹏 等: "铝合金焊缝电涡流磁场信号的非线性特征提取及分类方法研究", 《物理学报》 *

Cited By (14)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110146929A (zh) * 2019-05-21 2019-08-20 东华理工大学 基于过完备字典与压缩感知重构算法的低频大地电磁数据去噪方法
CN110412656B (zh) * 2019-07-18 2021-05-04 长江大学 一种大地电磁测深资料时间域压噪的方法及系统
CN110412656A (zh) * 2019-07-18 2019-11-05 长江大学 一种大地电磁测深资料时间域压噪的方法及系统
CN111176441A (zh) * 2019-11-27 2020-05-19 广州雪利昂生物科技有限公司 基于表面肌电的人机交互训练方法、装置及存储介质
CN112932424A (zh) * 2019-12-09 2021-06-11 杭州壹诚企业管理咨询有限公司 一种数据获取方法及系统
CN111551992A (zh) * 2020-05-12 2020-08-18 中国科学院地质与地球物理研究所 岩石储层构造表征方法、装置、计算机可读存储介质及电子设备
CN111551992B (zh) * 2020-05-12 2021-02-26 中国科学院地质与地球物理研究所 岩石储层构造表征方法、装置、计算机可读存储介质及电子设备
CN111780817A (zh) * 2020-06-07 2020-10-16 承德石油高等专科学校 一种低频励磁电磁流量计噪声信号检测及处理的算法
CN112818876A (zh) * 2021-02-04 2021-05-18 成都理工大学 一种基于深度卷积神经网络的电磁信号提取与处理方法
CN112818876B (zh) * 2021-02-04 2022-09-20 成都理工大学 一种基于深度卷积神经网络的电磁信号提取与处理方法
CN113568058A (zh) * 2021-07-20 2021-10-29 湖南师范大学 一种基于多分辨率奇异值分解的大地电磁信噪分离方法及系统
CN114970647A (zh) * 2022-07-29 2022-08-30 中南大学 基于概率神经网络的电磁数据识别方法及系统
CN116509415A (zh) * 2023-04-21 2023-08-01 山东省人工智能研究院 一种基于信号分量的单元化形态学特征的降噪方法
CN116509415B (zh) * 2023-04-21 2024-01-26 山东省人工智能研究院 一种基于信号分量的单元化形态学特征的降噪方法

Also Published As

Publication number Publication date
CN109101910B (zh) 2019-11-08

Similar Documents

Publication Publication Date Title
CN109101910B (zh) 一种基于噪声甄别的大地电磁信号去噪方法
Wyse Audio spectrogram representations for processing with convolutional neural networks
CN109100814B (zh) 一种基于信噪分类的音频大地电磁信号去噪方法
CN101303764B (zh) 基于非下采样轮廓波的多传感器图像自适应融合方法
CN106500735B (zh) 一种基于压缩感知的fbg信号自适应修复方法
CN109271975A (zh) 一种基于大数据多特征提取协同分类的电能质量扰动识别方法
CN105488466B (zh) 一种深层神经网络和水声目标声纹特征提取方法
Liu et al. Deep learning and recognition of radar jamming based on CNN
CN105929024A (zh) 混凝土缺陷智能化检测与定量识别方法
CN102982351A (zh) 基于bp神经网络的瓷绝缘子振动声学检测数据分类方法
Li et al. IncepTCN: A new deep temporal convolutional network combined with dictionary learning for strong cultural noise elimination of controlled-source electromagnetic data
CN108387887A (zh) 一种水声信号的混合降噪方法
CN107153155A (zh) 一种电缆局部放电信号特征向量提取方法
CN113295702A (zh) 电气设备故障诊断模型训练方法和电气设备故障诊断方法
Li et al. Magnetotelluric signal-noise separation method based on SVM–CEEMDWT
Yang et al. GAN-based sample expansion for underwater acoustic signal
Cicone et al. Jot: a variational signal decomposition into jump, oscillation and trend
CN104536007A (zh) 一种基于多视角声学数据的鱼类识别方法
CN104102834A (zh) 录音地点的识别方法
CN109917459A (zh) 一种压制地震噪声的方法、装置及系统
Cui et al. Seismic noise attenuation via convolution neural network with learningnoise prior
Amine et al. Contribution of wavelet transformation and empirical mode decomposition to measurement of US core inflation
Malfante et al. Machine learning for automatic classification of volcano-seismic signatures
CN117251737B (zh) 闪电波形处理模型训练方法、分类方法、装置及电子设备
Jiang et al. Automatic phase picking from microseismic recordings using feature extraction and neural network

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
TR01 Transfer of patent right
TR01 Transfer of patent right

Effective date of registration: 20240108

Address after: 230000 floor 1, building 2, phase I, e-commerce Park, Jinggang Road, Shushan Economic Development Zone, Hefei City, Anhui Province

Patentee after: Dragon totem Technology (Hefei) Co.,Ltd.

Address before: 410081 No. 36, Mount Lu, Changsha, Hunan, Yuelu District

Patentee before: HUNAN NORMAL University