CN110865414A - 一种用于城市地下空间探测的瞬变电磁噪声抑制方法 - Google Patents

Abstract

本发明涉及一种用于城市地下空间探测的瞬变电磁噪声抑制方法，包括：纯噪声与N组耦合信号采集；采用遗传算法搜索准最优噪声特征域；目标邻域最优搜索判定是否完成N组信号处理，直到N组耦合信号全部处理完成；将N组数据进行叠加平均处理，叠加平均后的数据作为最终输出数据，本发明提出了用于城市地下空间探测的瞬变电磁噪声抑制方法，通过大幅降低叠加次数达到传统大量叠加的噪声抑制效果，显著提高工作的效率，引入遗传算法改进后的邻域最优搜索可实现噪声特征域的快速最佳匹配，能够在大量数据下快速搜索最优解，保证了传统遗传算法进化不必完全充分情况下，锁定邻域最优解，该技术具有较高的实际应用价值。

Description

一种用于城市地下空间探测的瞬变电磁噪声抑制方法

技术领域

本发明涉及瞬变电磁信号处理与城市地下空间探测研究领域，特别是高效噪声抑制技术，涉及一种用于城市地下空间探测的瞬变电磁噪声抑制方法。

背景技术

近十几年城市化发展迅速，城市土地资源逐渐成为稀缺资源，该问题在一、二线城市尤为突出。地下空间作为城市的“第二生命”受到越来越多海内外学者的关注。地下隧道铺设、综合管廊建设、海绵城市规划均与地下空间规划利用密不可分。要高效、安全、充分的利用地下空间，首先就是清楚地对城市地下空间开展探测工作。

瞬变电磁法是一种基于电磁感应定律的地球物理探测方法，因其对低阻体敏感的特点，广泛应用于地质结构探测、地质资源勘查等工作中，同时广泛服务于人类城市地下空间的科学研究与探索工作中。

然而在噪声抑制方面，目前瞬变电磁噪声抑制最佳的处理方法是对大量数据直接多次叠加，该传统的方法取得了很好的工频噪声抑制效果；但是对噪声的压制效果与叠加次数相关，即压制噪声效果越好要求叠加次数也就相应越多，进而导致系统工作效率大大下降。尤其是在城市工作效率更低，城市环境噪声干扰极其严重，需要成千上万次叠加才能有效压制噪声。与此同时，由于效率下降带来的仪器信号温度漂移会引入新的误差，得不偿失。

发明内容

本发明所要解决的技术问题在于提供一种用于城市地下空间探测的瞬变电磁噪声抑制方法，可以大幅降低叠加次数，高效提取时域上更长的有效信号，对于实现地下空间的高效探测与高精度解释具有重要意义。

本发明是这样实现的，用于城市地下空间探测的瞬变电磁噪声抑制方法，包括以下步骤：

S1、纯噪声与N组耦合信号采集。使用同一个瞬变电磁系统的接收线圈进行纯噪声和耦合信号的采集，采集方式为采集一组时长为M的纯噪声数据，再根据瞬变电磁实际工作周期T，采集N组耦合信号，其中M≥3T。

S2、遗传算法搜索准最优噪声特征域。基于遗传算法快速搜索纯噪声数据，获取与一组耦合信号中噪声相关性较强的区域，该段区域称为噪声特征域。噪声特征域的数据大小与一组耦合信号的数据大小相同，即数组同维度。以目标评价函数值的最小值作为准最优噪声特征域的搜索标准，其中采用低种群数量、低进化代数的遗传算法，以提高搜索效率。

S3、目标邻域最优搜索。由于高效的遗传算法的局限性，搜索到的噪声特征域为准最优，但该区域与最佳噪声特征域邻近，进一步在最优邻域逐个搜索以获取最佳噪声特征域。接着，将该组耦合信号与噪声特征域进行相减处理，相减后得到的数据作为处理后的信号，进而实现对噪声的抑制，然后进行下一组耦合信号的消噪处理。

S4、判定是否完成N组信号处理。如果没有完成，重复步骤S2、S3对下一组耦合信号进行处理，直到N组耦合信号全部处理完成。

S5、N周期数据叠加平均。将上述步骤抑制噪声后的N组数据进行叠加平均处理，用以对残余噪声进一步抑制。叠加平均后的数据作为本方法发明的最终输出数据。

所述步骤S1中的纯噪声为多种类型噪声所耦合噪声，例如工频噪声、尖峰噪声、随机噪声、运动噪声等。测点数据表示为：

c(t)＝r(t)+n(t)

其中c(t)为采集信号，r(t)为真实有效信号，n(t)为纯噪声信号。耦合纯噪声表达式为：

其中k为噪声类型个数，n_i(t)为各类噪声的时间域表达式，a_i为耦合权重系数。

所述步骤S2中的噪声特征域本质上是耦合信号中的噪声成分与纯噪声数据相关性最高的纯噪声数据部分。应用遗传算法的意义在于快速搜索该区域的准最优坐标，遗传算法的搜索准最优特征域的过程按照以下流程：

S21根据待噪声抑制耦合信号的数据长度，随机产生与种群数量相同的特征域搜索起点坐标；S22计算特征域的目标适应度函数值，记录当前代的自变量与函数值，完成当前代的搜索；S23根据设定的代数，判断是否足够迭代代数。若满足则遗传算法完成搜索工作，若不满足执行下一步；S24根据设定概率，判断当代搜索起点坐标是否进行交叉、变异操作，进入步骤S25；S25根据S24判定结果，对特征域搜索起点坐标进行交叉或变异操作；S26由步骤S25交叉或变异产生新特征域搜索起点坐标，作为新的种群；S27根据新的种群，计算准最优解坐标。特征区域噪声抑制中的遗传算法首先对初代起点坐标进行二进制编码，以生成用以搜索的第一代随机种群。计算适应度函数值前还要进行解码，解码过程是编码的逆操作，表达式为：

其中t₁、t₂分别代表纯噪声的特征域始末坐标，p为种群个数，b_i为基因，m为搜索精度所决定的基因个数。评价函数为：

其中N_c为采集一组耦合信号的有效数据点个数，t_i+x为特征域搜索起点坐标。解码后，带入目标函数，计算出初代的适应度函数值eval(U_k)，计算评价函数值的总和:

式中，U_k为未解码的二进制搜索坐标，每个染色体被复制的概率

再求其累积概率，表示为：

Q_k＝∑P_k

根据累积概率，使用“轮盘思想”对交叉和变异的染色体进行筛选，选出更利于准最优抑制噪声搜索起点坐标的染色体，生成下一代染色体；计算目标评价函数值，记录当前最优的自变量与函数值，直到所有迭代完成，准最优解完成搜索。噪声在遗传算法搜索到准最优解后，得到很好的抑制，提取比较有效关键信息。

所述步骤S3中邻域最优搜索是本发明方法对遗传算法的改进。传统遗传算法在兼顾效率的情况下，易在进化代数不十分充分时，搜索到最优解的附近解作为输出。然而，为了搜索最优解再增加叠加代数虽然可以最后找到最优解，但是带来的时间成本较高，不是最有效方式。本发明的方法在遗传算法进化到设定代数后，对该坐标的邻域进行逐个判定。设准最优特征域沿坐标轴正方向搜索起点坐标为1+x₀，邻域拟设定大小为L₀，准最优特征域总长度为L_t，N组耦合数据的长度为N_c。当0≤x₀≤L₀时，特征域在[-x₀,L₀]内逐个判定最优；当L_t-N_c-L₀<x₀<L_t-N_c时，特征域在[-L₀,L_t-N_c-x₀]内逐个判定最优；除了以上所述的其他情况下，特征域在[-L₀,L₀]内逐个判定最优。

所述步骤S4中因遗传算法搜索最佳噪声特征域是对一组信号处理，判定是否完成N组信号处理可保证所有数据在步骤S5叠加平均前处理完毕。

所述步骤S5中的数据处理方法与传统瞬变电磁的噪声抑制方式相同，但是所处理的数据量在应用本发明方法后可大幅降低，同时噪声抑制效率提高，为后续其他噪声处理和更多元化的采集方式奠定良好基础。

本发明与现有技术相比，有益效果在于：

①本发明提出了用于城市地下空间探测的瞬变电磁噪声抑制方法，通过大幅降低叠加次数达到传统大量叠加的噪声抑制效果，显著提高工作的效率。

②本发明方法引入遗传算法改进后的邻域最优搜索可实现噪声特征域的快速最佳匹配，能够在大量数据下快速搜索最优解，保证了传统遗传算法进化不必完全充分情况下，锁定邻域最优解，该技术具有较高的实际应用价值。

附图说明

图1为本发明实施例提供的工作流程示意图；

图2为目标邻域最优搜索工作流程示意图；

图3为纯噪声数据图；

图4为单周期耦合信号数据图；

图5为无处理叠加1024次耦合信号数据图；

图6为无处理叠加80次数据图；

图7为本发明实施例方法处理后叠加80次数据图。

具体实施方式

为了使本发明的目的、技术方案及优点更加清楚明白，以下结合实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。

参见图1，用于城市地下空间探测的瞬变电磁噪声抑制方法，包括以下步骤：

S1、纯噪声与N组耦合信号采集。使用同一个瞬变电磁系统的接收线圈进行纯噪声和耦合信号的采集，采集方式为采集一组时长为M的纯噪声数据，再根据瞬变电磁实际工作周期T，采集N组耦合信号，其中M≥3T。

S2、遗传算法搜索准最优噪声特征域。基于遗传算法快速搜索纯噪声数据，获取与一组耦合信号中噪声相关性较强的区域，该段区域称为噪声特征域。噪声特征域的数据大小与一组耦合信号的数据大小相同，即数组同维度。以目标评价函数值的最小值作为准最优噪声特征域的搜索标准，其中采用低种群数量、低进化代数的遗传算法，以提高搜索效率。

S3、目标邻域最优搜索。由于高效的遗传算法的局限性，搜索到的噪声特征域为准最优，但该区域与最佳噪声特征域邻近，进一步在最优邻域逐个搜索以获取最佳噪声特征域。接着，将该组耦合信号与噪声特征域进行相减处理，相减后得到的数据作为处理后的信号，进而实现对噪声的抑制，然后进行下一组耦合信号的消噪处理。

S4、判定是否完成N组信号处理。如果没有完成，重复步骤S2、S3对下一组耦合信号进行处理，直到N组耦合信号全部处理完成。

S5、N周期数据叠加平均。将上述步骤抑制噪声后的N组数据进行叠加平均处理，用以对残余噪声进一步抑制。叠加平均后的数据作为本方法发明的最终输出数据。

所述步骤S1中的纯噪声为多种类型噪声所耦合噪声，例如工频噪声、尖峰噪声、随机噪声、运动噪声等。测点数据表示为：

c(t)＝r(t)+n(t)

其中c(t)为采集信号，r(t)为真实有效信号，n(t)为纯噪声信号。耦合纯噪声表达式为：

其中k为噪声类型个数，n_i(t)为各类噪声的时间域表达式，a_i为耦合权重系数。

所述步骤S2中的噪声特征域本质上是耦合信号中的噪声成分与纯噪声数据相关性最高的纯噪声数据部分。应用遗传算法的意义在于快速搜索该区域的准最优坐标，遗传算法的搜索准最优特征域的过程按照以下流程：

S21根据待噪声抑制耦合信号的数据长度，随机产生与种群数量相同的特征域搜索起点坐标；S22计算特征域的目标适应度函数值，记录当前代的自变量与函数值，完成当前代的搜索；S23根据设定的代数，判断是否足够迭代代数。若满足则遗传算法完成搜索工作，若不满足执行下一步；S24根据设定概率，判断当代搜索起点坐标是否进行交叉、变异操作，进入步骤S25；S25根据S24判定结果，对特征域搜索起点坐标进行交叉或变异操作；S26由步骤S25交叉或变异产生新特征域搜索起点坐标，作为新的种群；S27根据新的种群，计算准最优解坐标。特征区域噪声抑制中的遗传算法首先对初代起点坐标进行二进制编码，以生成用以搜索的第一代随机种群。计算适应度函数值前还要进行解码，解码过程是编码的逆操作，表达式为：

其中t₁、t₂分别代表纯噪声的特征域始末坐标，p为种群个数，b_i为基因，m为搜索精度所决定的基因个数。评价函数为：

其中N_c为采集一组耦合信号的有效数据点个数，t_i+x为特征域搜索起点坐标。解码后，带入目标函数，计算出初代的适应度函数值eval(U_k)，计算评价函数值的总和:

式中，U_k为未解码的二进制搜索坐标，每个染色体被复制的概率

再求其累积概率，表示为：

Q_k＝∑P_k

根据累积概率，使用“轮盘思想”对交叉和变异的染色体进行筛选，选出更利于准最优抑制噪声搜索起点坐标的染色体，生成下一代染色体；计算目标评价函数值，记录当前最优的自变量与函数值，直到所有迭代完成，准最优解完成搜索。噪声在遗传算法搜索到准最优解后，得到很好的抑制，提取比较有效关键信息。

参见图2所示，所述步骤S3中邻域最优搜索是本发明方法对遗传算法的改进。传统遗传算法在兼顾效率的情况下，易在进化代数不十分充分时，搜索到最优解的附近解作为输出。然而，为了搜索最优解再增加叠加代数虽然可以最后找到最优解，但是带来的时间成本较高，不是最有效方式。本发明的方法在遗传算法进化到设定代数后，对该坐标的邻域进行逐个判定。设准最优特征域沿坐标轴正方向搜索起点坐标为1+x₀，邻域拟设定大小为L₀，准最优特征域总长度为L_t，N组耦合数据的长度为N_c。当0≤x₀≤L₀时，特征域在[-x₀,L₀]内逐个判定最优；当L_t-N_c-L₀<x₀<L_t-N_c时，特征域在[-L₀,L_t-N_c-x₀]内逐个判定最优；除了以上所述的其他情况下，特征域在[-L₀,L₀]内逐个判定最优。

所述步骤S4中因遗传算法搜索最佳噪声特征域是对一组信号处理，判定是否完成N组信号处理可保证所有数据在步骤S5叠加平均前处理完毕。

所述步骤S5中的数据处理方法与传统瞬变电磁的噪声抑制方式相同，但是所处理的数据量在应用本发明方法后可大幅降低，同时噪声抑制效率提高，为后续其他噪声处理和更多元化的采集方式奠定良好基础。

用于城市地下空间探测的瞬变电磁噪声抑制方法的详细说明：

(1)本发明工作流程示意图如图1所示，该方法按照以下流程进行搜索：S1、纯噪声与N组耦合信号采集。使用同一个瞬变电磁系统的接收线圈进行纯噪声和耦合信号的采集，采集方式为采集一组时长为M的纯噪声数据，再根据瞬变电磁实际工作周期T，采集N组耦合信号，其中M≥3T。S2、遗传算法搜索准最优噪声特征域。基于遗传算法快速搜索纯噪声数据，获取与一组耦合信号中噪声相关性较强的区域，该段区域称为噪声特征域。噪声特征域的数据大小与一组耦合信号的数据大小相同，即数组同维度。以目标评价函数值的最小值作为准最优噪声特征域的搜索标准，其中采用低种群数量、低进化代数的遗传算法，以提高搜索效率。S3、目标邻域最优搜索。由于高效的遗传算法的局限性，搜索到的噪声特征域为准最优，但该区域与最佳噪声特征域邻近，进一步在最优邻域逐个搜索以获取最佳噪声特征域。接着，将该组耦合信号与噪声特征域进行相减处理，相减后得到的数据作为处理后的信号，进而实现对噪声的抑制，然后进行下一组耦合信号的消噪处理。S4、判定是否完成N组信号处理。如果没有完成，重复步骤S2、S3对下一组耦合信号进行处理，直到N组耦合信号全部处理完成。S5、N周期数据叠加平均。将上述步骤抑制噪声后的N组数据进行叠加平均处理，用以对残余噪声进一步抑制。叠加平均后的数据作为本方法发明的最终输出数据。

(3)纯噪声数据图如图3所示。纯噪声数据为接受系统在没有发射信号的情况下，采集的纯噪声数据。该耦合信号内噪声成分为纯噪声数据的子集，这样方可保证噪声特征域以足够特征性进行噪声抑制操作。该数据作为特征域样本对耦合信号进行噪声抑制操作。

(4)单周期耦合信号数据图如图4所示。该数据图为N组耦合信号中的一组单周期数据，可以看出噪声对信号的影响比较大。

(5)无处理叠加1024次耦合信号如图5所示。该数据图为不采用本发明方法，而采用瞬变电磁传统单纯叠加平均的噪声抑制方法。其缺点也十分显著，数据量大、效率低、准确度受限于仪器精度等。但此图的准确度可作为本发明方法的对比参照。

(6)无处理叠加80次数据图如图6所示。该数据图为同样为不采用本发明方法，单纯叠加平均对噪声抑制，但是数据量只有80组，这样降低数据量，可以兼顾效率，同时可以看出噪声抑制效果不佳。同时可以作为本发明方法具有参考性的定性分析依据。

(7)本发明方法处理后叠加80次数据图如图7所示。该数据图为采用本发明方法进行噪声抑制后所产生的效果。采用本发明方法可以明显看出取得了预期的效果，对于高效噪声抑制提供了一种新的途径。采用用于城市地下空间探测的瞬变电磁噪声抑制方法处理后的数据，提高了信噪比，更高效地还原信号的真实性，为后期数据反演解释奠定了重要基础。

以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明的保护范围之内。

Claims (6)

1.一种用于城市地下空间探测的瞬变电磁噪声抑制方法，其特征在于，该方法包括以下步骤：

S1、纯噪声与N组耦合信号采集：使用同一个瞬变电磁系统的接收线圈进行纯噪声和耦合信号的采集，采集方式为采集一组时长为M的纯噪声数据，再根据瞬变电磁实际工作周期T，采集N组耦合信号，其中M≥3T；

S2、遗传算法搜索准最优噪声特征域：基于遗传算法快速搜索纯噪声数据，获取与一组耦合信号中噪声相关性较强的区域，称为噪声特征域，所述噪声特征域的数据大小与一组耦合信号的数据大小相同，为数组同维度，以目标评价函数值的最小值作为准最优噪声特征域的搜索标准，其中采用低种群数量、低进化代数的遗传算法；

S3、目标邻域最优搜索：在准最优噪声特征域逐个搜索以获取最佳噪声特征域，将该组耦合信号与最佳噪声特征域进行相减处理，相减后得到的数据作为处理后的信号，进而实现对噪声的抑制，然后进行下一组耦合信号的消噪处理；

S4、判定是否完成N组信号处理，如果没有完成，重复步骤S2、S3对下一组耦合信号进行处理，直到N组耦合信号全部处理完成；

S5、将N组数据进行叠加平均处理，叠加平均后的数据作为最终输出数据。

2.按照权利要求1所述的方法，其特征在于，

所述步骤S1中的纯噪声为多种类型噪声所耦合噪声，包括工频噪声、尖峰噪声、随机噪声以及运动噪声，测点数据表示为：

c(t)＝r(t)+n(t)

其中c(t)为采集信号，r(t)为真实有效信号，n(t)为纯噪声信号，耦合纯噪声表达式为：

其中k为噪声类型个数，n_i(t)为各类噪声的时间域表达式，a_i为耦合权重系数。

3.按照权利要求1所述的方法，其特征在于，

所述步骤S2中的遗传算法搜索准最优特征域包括如下的步骤：

S21根据待噪声抑制耦合信号的数据长度，随机产生与种群数量相同的特征域搜索起点坐标；

S22计算特征域的目标适应度函数值，记录当前代的自变量与函数值，完成当前代的搜索；

S23根据设定的代数，判断是否足够迭代代数，若满足则遗传算法完成搜索工作，若不满足执行下一步；

S24根据设定概率，判断当代搜索起点坐标是否进行交叉、变异操作，进入步骤S25；

S25根据S24判定结果，对特征域搜索起点坐标进行交叉或变异操作；

S26由步骤S25交叉或变异产生新特征域搜索起点坐标，作为新的种群；

S27根据新的种群，计算准最优解坐标。

4.按照权利要求3所述的方法，其特征在于，

特征区域噪声抑制中的遗传算法首先对初代起点坐标进行二进制编码，以生成用以搜索的第一代随机种群，

计算适应度函数值前还要进行解码，解码过程是编码的逆操作，表达式为：

其中t₁、t₂分别代表纯噪声的特征域始末坐标，p为种群个数，b_i为基因，m为搜索精度所决定的基因个数。

5.按照权利要求1所述的方法，其特征在于，目标评价函数值采用的评价函数为：

其中N_c为采集一组耦合信号的有效数据点个数，t_i+x为特征域搜索起点坐标。解码后，带入目标函数，计算出初代的适应度函数值eval(U_k)，计算评价函数值的总和:

式中，U_k为未解码的二进制搜索坐标，每个染色体被复制的概率：

每个染色体被复制的概率的累积概率，表示为：

Q_k＝∑P_k

根据累积概率，使用“轮盘思想”对交叉和变异的染色体进行筛选，选出更利于准最优抑制噪声搜索起点坐标的染色体，生成下一代染色体；计算目标评价函数值，记录当前最优的自变量与函数值，直到所有迭代完成，准最优解完成搜索。

6.按照权利要求1所述的方法，其特征在于，

所述步骤S3中邻域最优搜索具体为：在遗传算法进化到设定代数后，对该坐标的邻域进行逐个判定，设准最优特征域沿坐标轴正方向搜索起点坐标为1+x₀，其中x₀为坐标轴正方向搜索位数，邻域拟设定大小为L₀，准最优特征域总长度为L_t，N组耦合数据的长度为N_c，当0≤x₀≤L₀时，特征域在[-x0,L₀]内逐个判定最优；当L_t-N_c-L₀<x₀<L_t-N_c时，特征域在[-L₀,L_t-N_c-x₀]内逐个判定最优；除了以上所述的其他情况下，特征域在[-L₀,L₀]内逐个判定最优。

Images