CN111597981B - 基于改进多尺度散布熵的大地电磁信号去噪方法及系统 - Google Patents

基于改进多尺度散布熵的大地电磁信号去噪方法及系统 Download PDF

Info

Publication number
CN111597981B
CN111597981B CN202010408412.4A CN202010408412A CN111597981B CN 111597981 B CN111597981 B CN 111597981B CN 202010408412 A CN202010408412 A CN 202010408412A CN 111597981 B CN111597981 B CN 111597981B
Authority
CN
China
Prior art keywords
signal
magnetotelluric
scale
entropy
section
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.)
Active
Application number
CN202010408412.4A
Other languages
English (en)
Other versions
CN111597981A (zh
Inventor
张贤
李帝铨
李晋
蒋奇云
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.)
Central South University
Original Assignee
Central South 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 Central South University filed Critical Central South University
Priority to CN202010408412.4A priority Critical patent/CN111597981B/zh
Publication of CN111597981A publication Critical patent/CN111597981A/zh
Application granted granted Critical
Publication of CN111597981B publication Critical patent/CN111597981B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

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
    • G06F18/23—Clustering techniques
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
    • G06F2218/08—Feature extraction
    • 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改进多尺度散布熵的大地电磁信号去噪方法及系统，该方法包括：步骤S1：将大地电磁信号分段，再分别提取每段大地电磁信号的改进多尺度散布熵；步骤S2：利用每段大地电磁信号的改进多尺度散布熵进行聚类分析识别出强干扰信号段和低频缓变化信号段；步骤S3：对所述强干扰信号段进行去噪；步骤S4：将步骤S3中去噪后的信号段与低频缓变化信号段进行合并拼接得到重构的大地电磁信号。本发明能获得高质量的大地电磁信号，能有效避免大地电磁低频数据丢失的情况，提升针对性去噪效果。

Description

基于改进多尺度散布熵的大地电磁信号去噪方法及系统
技术领域
本发明属于大地电磁信号处理技术领域，具体涉及一种基于改进多尺度散布熵的大地电磁信号去噪方法及系统。
背景技术
大地电磁(MT)是一种基于电磁感应原理的电磁测深方法，通过利用在地面上观测具有区域性乃至全球性分布特性的天然交变电磁场来研究地下岩层的电性及分布特征。由于天然场中含有从高频到低频丰富的频率成分，而不同频率成分的电磁波具有不同的趋肤深度，因此大地电磁法能达到测深的目的。然而，一种天然交变电磁场做场源的方法与有源场相比，其信号微弱、频带宽，在野外数据采集中易受到噪声的干扰。如何高效压制噪声，提高大地电磁数据的信噪比，保证数据质量，始终是MT数据采集和处理的核心问题。
伴随着电子技术，信号处理技术的发展而迅速推广，大地电磁测深无论在仪器研制，数据采集，处理技术与反演解释的研究都融合了当今最新的科学理论和高新技术。如远参考法、robust估计、小波变换、数学形态滤波、压缩感知、稀疏分解、信噪辨识等均在MT数据处理中得到较好地应用，一定程度上提高数据的信噪比和质量。然而，上述方法在处理MT噪声信号时，往往丢失低频有用信息或处理效率低等问题，造成视电阻率-相位曲线严重混乱，导致数据质量严重降低，无法为后续电磁法反演提供有效可靠的大地电磁测深数据。
发明内容
本发明的目的是提供一种基于改进多尺度散布熵的大地电磁信号去噪方法及系统，从大地电磁时间序列入手，提取每段大地电磁信号的改进多尺度散布熵作为特征，再利用特征参数进行聚类分析，自动识别出强干扰信号段和低频缓变化信号段，然后仅对强干扰信号段进行针对性去噪，将去噪后的信号段和识别为低频缓变化信号段合并来重构高质量的大地电磁信号，解决了现有技术在去噪中的过处理和处理不当等问题。本发明算法简单，易于实现，适合于处理海量受方波和三角波强干扰的实测大地电磁数据。
本发明提供的一种基于改进多尺度散布熵的大地电磁信号去噪方法，包括以下步骤：
步骤S1：将大地电磁信号分段，再分别提取每段大地电磁信号的改进多尺度散布熵；
其中，将一段大地电磁信号在尺度因子τ下进行多尺度粗粒化处理得到τ组粗粒化序列，再统计尺度因子τ下粗粒化序列的散布模式概率的均值，并结合香农熵定义和所述散布模式概率的均值得到所述一段大地电磁信号的改进多尺度散布熵。
其中，将原始的大地电磁信号X分为n段，X＝{Xi,i＝1,2,...,n}，Xi表示第i个信号段，再分别计算每一段大地电磁信号的改进多尺度散布熵；
步骤S2：利用每段大地电磁信号的改进多尺度散布熵进行聚类分析识别出强干扰信号段和低频缓变化信号段；
步骤S3：对所述强干扰信号段进行去噪；
步骤S4：将步骤S3中去噪后的信号段与低频缓变化信号段进行合并拼接得到重构的大地电磁信号。
其中，所述改进多尺度散布熵的公式如下：
Figure BDA0002492263290000021
Figure BDA0002492263290000022
式中，m表示嵌入维数，c表示类别个数，d表示时延，Xi表示第i段大地电磁信号，1≤i≤n，n为待去噪的大地电磁信号分段后的总段数；
Figure BDA0002492263290000023
表示尺度因子为τ时的第k个粗粒化序列，IMDE(Xi,m,c,d,τ)表示嵌入维数m、类别个数c、时延d、尺度因子τ确定时第i段大地电磁信号Xi对应的改进多尺度散布熵；
Figure BDA0002492263290000024
表示散布模式，
Figure BDA0002492263290000025
表示尺度因子τ下的粗粒化序列的散布模式概率的均值，
Figure BDA0002492263290000026
表示一个粗粒化序列
Figure BDA0002492263290000027
对应的一种散布模式
Figure BDA0002492263290000028
的概率，cm表示散布模式的总个数，D＝1表示第一个散布模式，v0v1...vm-1分别对应嵌入向量中的m个元素值，嵌入向量是由粗粒化序列
Figure BDA0002492263290000029
转换而来。
本发明针对大地电磁信号中的方波干扰和三角波干扰，巧妙地选用改进多尺度散布熵作为特征输入聚类分析，达到自动识别低频缓变化信号段(有用信号段)和强干扰信号段(噪声段)的目的，随后将识别为大地电磁强干扰信号段进行正交匹配追踪剔除噪声，并与有用信号段进行合并得到重构的大地电磁信号，进而有针对性地压制了大地电磁信号中的噪声干扰，保留了大地电磁有用信号，避免了现有技术进行整体处理时丢失的部分有用信号和现有技术在多特征提取及聚类或分类时的效率问题。
其中，本发明所选用的改进多尺度散布熵是将原始信号进行粗粒化处理，再统计粗粒化序列的散布模式概率的均值，并基于多尺度过程结合香农熵定义计算出的散布熵。其一方面，改进多尺度散布熵利用尺度因子下粗粒化序列的散布模式概率来计算均值，能有效地减少熵值随着尺度因子的增大而引起的波动，提高了多尺度分析的稳定性，减小计算偏差，另一方面，选用改进多尺度散布熵是从大地电磁时间序列的复杂性和不规则程度特征考虑的，改进多尺度散布熵越大，表示的混乱程度越高，更能反映强干扰信号段的不规则程度。然而，提取大地电磁数据特征是基于多尺度下粗粒化过程时对散布模式概率计算均值，并随着尺度的变化，本发明的特征参数值更加稳定，因此，本发明选用的改进多尺度散布熵特征能更加精细地描述大地电磁信号与噪声，提高MT数据的稳定性及计算特征时的效率。
进一步优选，嵌入维数m的取值范围为：[2,3]，类别个数c的取值范围为：[4,7]，时延d的取值范围为：[1,3]，尺度因子τ的取值范围为：[2,7]。
进一步优选，将一段大地电磁信号在尺度因子τ下进行多尺度粗粒化处理得到τ组粗粒化序列的过程为：所述τ组粗粒化序列中第k个粗粒化序列
Figure BDA0002492263290000031
表示为：
Figure BDA0002492263290000032
Figure BDA0002492263290000033
分别为粗粒化序列
Figure BDA0002492263290000034
中的第一个、第二个元素；
Figure BDA0002492263290000035
式中，
Figure BDA0002492263290000036
表示粗粒化序列
Figure BDA0002492263290000037
中的第j个元素，xi表示所述一段大地电磁信号中第i个信号，N表示所述一段大地电磁信号的长度，即第i个信号段Xi的长度为N。
进一步优选，步骤S3中采用正交匹配追踪算法对所述强干扰信号段进行去噪；
其中，所述正交匹配追踪算法中过完备原子库包含了Fourier原子库和小波原子库，原子设定为正余弦原子和小波原子。
其中，Fourier原子库是简谐三角函数，表示傅里叶变换中的基，对简谐信号匹配，该原子由频率f和相位
Figure BDA0002492263290000039
两个参数决定，当相位分别为0和1时就是余弦原子ar＝cos(2πft)和正弦原子ar＝sin(2πft)；小波原子库基于小波函数，通过离散尺度参数和时间平移参数来构建过完备原子库。
进一步优选，采用正交匹配追踪算法对所述强干扰信号段进行去噪的过程如下：
步骤S3.1：构建过完备原子库Γ；
步骤S3.2：从过完备原子库Γ的原子库中任意选择第r个原子，并对所选原子进行正交化处理；
步骤S3.3：利用正交化处理后的原子更新原子集合，初始的所述原子集合为空集；
Figure BDA0002492263290000038
式中，φn、φn-1分别表示第n次、第n-1次稀疏分解的原子集合，
Figure BDA00024922632900000310
表示当前第n次稀疏分解中步骤S3.2所选的正交化处理后的原子；
步骤S3.4：利用最小二乘法计算投影系数bn，再利用投影系数bn与更新的原子集合φn相乘获得重构信号，并利用重构信号更新残差信号：
Figure BDA0002492263290000041
式中，bn表示当前第n次稀疏分解对应的投影系数，Rn-1、Rn分别表示第n-1次、第n次稀疏分解对应的残差信号，初始残差信号R0为所述强干扰信号段f，
Figure BDA0002492263290000042
表示当前第n次稀疏分解对应的重构信号，T表示转置；
步骤S3.5：判断更新的残差信号与所述强干扰信号段f的能量比是否小于预设阈值或者当前迭代次数是否达到最大迭代次数，若能量比小于预设阈值或当前迭代次数达到最大迭代次数，当前更新的残差信号为所述强干扰信号段f去噪后的信号；否则，返回步骤S3.2进行下一次的稀疏分解。
进一步优选，步骤S2中采用模糊C均值聚类方法进行聚类分析。
模糊C均值聚类通过利用隶属度来确定每个特征参数与聚类中心的欧式距离，并划分聚类结果，从而识别出大地电磁噪声段和大地电磁有用信号段，为后续剔除识别为大地电磁噪声段提供针对性处理。
另一方面，本发明提供的一种基于改进多尺度散布熵的大地电磁信号去噪系统，包括：
特征提取模块，用于将大地电磁信号分段，再分别提取每段大地电磁信号的改进多尺度散布熵；
聚类分析模块，用于利用每段大地电磁信号的改进多尺度散布熵进行聚类分析识别出强干扰信号段和低频缓变化信号段；
去噪模块，用于对所述强干扰信号段进行去噪；
信号拼接模块，用于将去噪后的信号段与低频缓变化信号段进行合并得到重构的大地电磁信号。
有益效果
1、本发明提供了一种基于改进多尺度散布熵的大地电磁信号去噪方法及系统，通过提取大地电磁信号的改进多尺度散布熵经过聚类分析进行信号与噪声的识别，将识别为大地电磁噪声段进行针对性去噪处理，将去噪后的信号段与识别的有用信号段进行合并得到重构大地电磁信号。本发明不仅能保留识别为大地电磁信号段，而且去噪更有针对性，其重构结果改善了大地电磁低频段的数据质量，更为真实地接近天然大地电磁场源数据，能为后续电磁法反演提供可靠的大地电磁测深数据，进一步为高精细的大地电磁强干扰压制提供了新的技术支持；
2、本发明将改进多尺度散布熵作为输入聚类分析中的特征参数，改进多尺度散布熵是先将原始信号进行粗粒化处理，再统计多尺度下粗粒化序列散布模式概率的均值，并结合香农熵定义计算散布熵。改进多尺度散布熵利用尺度因子下粗粒化序列的散布模式概率来计算均值，能有效地减少熵值随着尺度因子的增大而引起的波动，提高了多尺度分析的稳定性，减小计算偏差。进一步从熵的理论特性结合大地电磁信号特征，信号熵值越大，其混乱程度越高，该特征能反映大地电磁时间序列的复杂性和不规则程度。本发明的特征参数值较多尺度熵值和多尺度散布熵值更加稳定，在大地电磁信号特征提取中更具优势。本发明仅利用改进多尺度散布熵特征提高了MT数据特征参数的稳定性及计算效率，能更为精细地描述大地电磁信号与噪声；
3、进一步优选方案中选用正交匹配追踪算法对强干扰信号段进行去噪，且是运用Fourier原子库和小波原子库来构建过完备原子库，并使用通用性较强的正余弦原子和小波原子进行高精度地匹配大地电磁强干扰信号，将所有选中的原子进行正交化，改进了原始匹配追踪算法，并提升了收敛速度及计算效率。
附图说明
图1为本发明所述去噪方法的流程图。
图2为样本库信号不同特征参数对比，其中，(a)图中对应熵值为多尺度熵，(b)图中对应熵值为多尺度散布熵，(c)图中对应熵值为改进多尺度散布熵。
图3为样本库信号通过提取改进多尺度散布熵特征经模糊C均值聚类的效果。
图4为模拟原始Blocks含噪信号的去噪效果，其中，(a)图为匹配追踪去噪效果，(b)图为正交匹配追踪去噪效果。
图5为实测大地电磁信噪识别及针对性去噪效果，其中，(a)图为实测大地电磁类方波干扰MT信号，(b)图为实测大地电磁类充放电三角波干扰MT信号。
图6为本发明方法处理前后大地电磁(MT)测点的视电阻率-相位曲线对比图，其中，(a)图为原始MT测点的视电阻率-相位曲线，(b)图为本发明方法处理后MT测点的视电阻率-相位曲线。
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，本发明实施例提供的一种基于改进多尺度散布熵的大地电磁信号去噪方法，包括以下步骤：
步骤S1：将原始的大地电磁信号分段，再分别提取每段大地电磁信号的改进多尺度散布熵；
其中，将一段大地电磁信号在尺度因子τ下进行多尺度粗粒化处理得到τ组粗粒化序列，再统计尺度因子τ下粗粒化序列的散布模式概率的均值，并结合香农熵定义和所述散布模式概率的均值得到所述一段大地电磁信号的改进多尺度散布熵。
其中，将原始的大地电磁信号X分为n段，X＝{Xi,i＝1,2,...,n}，Xi表示第i个信号段，再分别计算每一段大地电磁信号的改进多尺度散布熵；
如图2所示为样本库信号不同特征参数的对比效果，改进多尺度散布熵有效减少了随尺度因子增大而引起的波动，并提升了大地电磁数据在多尺度下分析中的稳定性。
步骤S2：利用每段大地电磁信号的改进多尺度散布熵进行模糊C均值聚类分析，并识别出强干扰信号段和低频缓变化信号段。
其中，通过输入各段大地电磁信号的改进多尺度散布熵特征，利用隶属度来确定每个特征参数值与聚类中心的欧式距离，并划分聚类结果；如图3所述，聚类分析仅将待处理的大地电磁数据分为两类，一类为强干扰的大地电磁噪声段，另一类为低频缓变化信号段，而被识别出的低频缓变化的大地电磁信号段将保留，不做处理。其中，模糊C均值聚类分析的实现过程为现有技术实现过程，本发明对此不进行更详细的说明。其他可行的实施例中，可以选用其他聚类算法进行聚类分析。
步骤S3：采用正交匹配追踪算法对所述强干扰信号段进行去噪。
其中，正交匹配追踪算法中的过完备原子库包含了Fourier原子库和小波原子库，原子设定为原子库中的正余弦原子和小波原子。本发明对选用的原子进行正交化处理，进而改进了匹配追踪算法得到本发明的正交匹配追踪算法。以图4表示模拟原始Blocks含噪信号的不同方法去噪效果，结合下表1，可以表明正交匹配追踪对比匹配追踪在消除Blocks噪声信号展示出更好的效果。
表1
Figure BDA0002492263290000061
Figure BDA0002492263290000071
步骤S4：将步骤S3中去噪后的信号段与低频缓变化信号段进行合并拼接得到重构的大地电磁信号。
如图5所示，实测大地电磁信号经本发明方法识别出低频缓变化信号段和强干扰信号段，并有针对性的利用正交匹配追踪进行去噪处理。本发明保留了更多的大地电磁细节信息，为有针对性地压制强干扰提供了有利条件。
以任一段大地电磁信号Xi的改进多尺度散布熵的计算过程为例进行说明，其过程如下：
步骤S1.1：计算尺度因子为τ时一段大地电磁信号Xi对应的τ组粗粒化序列，其中，第k个粗粒化序列
Figure BDA0002492263290000072
表示为：
Figure BDA0002492263290000073
分别为粗粒化序列
Figure BDA0002492263290000074
中的第一个、第二个元素；
Figure BDA0002492263290000075
式中，
Figure BDA0002492263290000076
表示粗粒化序列
Figure BDA0002492263290000077
中的第j个元素，xi表示一段大地电磁信号中第i个信号，N表示该一段大地电磁信号的长度。
本实施例中，选用上述粗粒化方法，其他可行的实施例中，还可以选用地理粗粒化、谱粗粒化、格点粗粒化、动力学粗粒化、Equation-Free多尺度粗粒化、重整化群粗粒化、度粗粒化等方法，本发明对此不进行具体的限定。
步骤S1.2：采用正态分布函数分别将各个粗粒化序列
Figure BDA0002492263290000078
均映射到y＝{yA,A＝1,2,...,N}；通过线性变换将每个子序列yA映射到[1,c]范围内，即得到每个映射的信号
Figure BDA0002492263290000079
Figure BDA00024922632900000710
int()为取整函数，c为类别个数。
其中，各个粗粒化序列
Figure BDA00024922632900000711
均执行上述操作。
步骤S1.3：计算嵌入向量
Figure BDA00024922632900000712
即每个粗粒化序列
Figure BDA00024922632900000713
均对应一组嵌入向量。
嵌入向量
Figure BDA00024922632900000714
其中，
Figure BDA00024922632900000715
分别为嵌入向量
Figure BDA00024922632900000716
中的第1个、第2个以及第m个元素，m为嵌入维数，d为时延。由此可知，每一组粗粒化序列
Figure BDA0002492263290000081
将得到N-(m-1)d组嵌入向量，且每组嵌入向量中的元素个数均为m。
若
Figure BDA0002492263290000082
则嵌入向量对应的散布模式为
Figure BDA0002492263290000083
由于散布模式
Figure BDA0002492263290000084
由c个数字组成每个数字有m种取值，所对应的散布模式共有cm个。
步骤S1.4：按照如下公式分别计算出每个粗粒化序列对应的每个散布模式的概率：
Figure BDA0002492263290000085
式中，
Figure BDA0002492263290000086
表示一个粗粒化序列
Figure BDA0002492263290000087
对应的一种散布模式
Figure BDA0002492263290000088
的概率，上述公式中的分子
Figure BDA0002492263290000089
表示嵌入向量映射到散布模式
Figure BDA00024922632900000810
的总个数。
步骤S1.5：按照如下公式计算出改进多尺度散布熵：
Figure BDA00024922632900000811
Figure BDA00024922632900000812
式中，m表示嵌入维数，c表示类别个数，d表示时延，Xi表示第i段大地电磁信号，1≤i≤n，n为待去噪的大地电磁信号分段后的总段数；IMDE(Xi,m,c,d,τ)表示嵌入维数m、类别个数c、时延d、尺度因子τ确定时第i段大地电磁信号Xi对应的改进多尺度散布熵；
Figure BDA00024922632900000813
表示散布模式，
Figure BDA00024922632900000814
表示尺度因子τ下的粗粒化序列的散布模式概率的均值，
Figure BDA00024922632900000815
表示一个粗粒化序列
Figure BDA00024922632900000816
对应的一种散布模式
Figure BDA00024922632900000817
的概率，
Figure BDA00024922632900000818
表示尺度因子为τ时的第k个粗粒化序列，cm表示散布模式的总个数，D＝1表示第一个散布模式，v0v1...vm-1分别对应嵌入向量中的m个元素值，嵌入向量是由粗粒化序列
Figure BDA00024922632900000819
转换而来。
从上述公式可知，计算出的一段大地电磁信号Xi的改进多尺度散布熵是利用了尺度因子τ下粗粒化序列的散布模式概率的均值，并结合香农熵得到的。
本发明还提供一种基于改进多尺度散布熵的大地电磁信号去噪系统，包括：
特征提取模块，用于将大地电磁信号分段，再分别提取每段大地电磁信号的改进多尺度散布熵；
聚类分析模块，用于利用每段大地电磁信号的改进多尺度散布熵进行聚类分析识别出强干扰信号段和低频缓变化信号段；
去噪模块，用于对所述强干扰信号段进行去噪；
信号拼接模块，用于将去噪后的信号段与低频缓变化信号段进行合并得到重构的大地电磁信号。
其中，各个模块的划分是功能性划分，可以进一步合并或者拆分，本发明对此不进行具体的限定。
本发明针对大地电磁强干扰压制方法中低频信号丢失及处理不当等问题，提出了一种基于改进多尺度散布熵的大地电磁信号去噪方法及系统。本发明实施例中通过提取改进多尺度散布熵特征进行模糊C均值聚类分析，识别出低频缓变化信号段和强干扰信号段，并对识别出的强干扰信号段进行正交匹配追踪针对性去噪处理。因此，本发明能为后续电磁法反演提供高质量的大地电磁测深数据。
通过处理前后的大地电磁数据ρxy(正方形表示)与ρyx(三角波表示)方向的视电阻率-相位曲线来对本发明的效果进行评价。如图6表示大地电磁(MT)实测点的原始视电阻率-相位曲线和本发明方法得到的视电阻率-相位曲线，其中图6中上半图表示视电阻率曲线，下半图表示相位曲线，其横坐标表示频率(Hz)，纵坐标表示视电阻率值(Ω·m)。不难发现，经本发明方法处理后，测点的视电阻率-相位曲线的整体形态更为稳定、连续。本发明方法表明：处理后的实测点更能真实地反映强干扰环境下测点本身所固有的地电构造信息。
需要强调的是，本发明所述的实例是说明性的，而不是限定性的，因此本发明不限于具体实施方式中所述的实例，凡是由本领域技术人员根据本发明的技术方案得出的其他实施方式，不脱离本发明宗旨和范围的，不论是修改还是替换，同样属于本发明的保护范围。

Claims (6)

1.一种基于改进多尺度散布熵的大地电磁信号去噪方法，其特征在于：包括以下步骤：
步骤S1：将待去噪的大地电磁信号分段，再分别提取每段大地电磁信号的改进多尺度散布熵；
其中，将一段大地电磁信号在尺度因子τ下进行多尺度粗粒化处理得到τ组粗粒化序列，再统计尺度因子τ下粗粒化序列的散布模式概率的均值，并结合香农熵定义和所述散布模式概率的均值得到所述一段大地电磁信号的改进多尺度散布熵；
步骤S2：利用每段大地电磁信号的改进多尺度散布熵进行聚类分析识别出强干扰信号段和低频缓变化信号段；
步骤S3：对所述强干扰信号段进行去噪；
步骤S4：将步骤S3中去噪后的信号段与低频缓变化信号段进行合并拼接得到重构的大地电磁信号；
所述改进多尺度散布熵的公式如下：
Figure FDA0003583773640000011
Figure FDA0003583773640000012
式中，m表示嵌入维数，c表示类别个数，d表示时延，Xi表示第i段大地电磁信号，1≤i≤n，n为待去噪的大地电磁信号分段后的段总数；IMDE(Xi,m,c,d,τ)表示嵌入维数m、类别个数c、时延d、尺度因子τ确定时第i段大地电磁信号Xi对应的改进多尺度散布熵；
Figure FDA0003583773640000013
表示散布模式，
Figure FDA0003583773640000014
表示尺度因子τ下的粗粒化序列的散布模式概率的均值，
Figure FDA0003583773640000015
表示一个粗粒化序列
Figure FDA0003583773640000016
对应的一种散布模式
Figure FDA0003583773640000017
的概率，
Figure FDA0003583773640000018
表示尺度因子为τ时的第k个粗粒化序列，cm表示散布模式的总个数，D＝1表示第一个散布模式，v0v1...vm-1分别对应嵌入向量中的m个元素值，嵌入向量是由粗粒化序列
Figure FDA0003583773640000019
转换而来；
将一段大地电磁信号在尺度因子τ下进行多尺度粗粒化处理得到τ组粗粒化序列的过程为：所述τ组粗粒化序列中第k个粗粒化序列
Figure FDA00035837736400000110
表示为：
Figure FDA00035837736400000111
Figure FDA00035837736400000112
分别为粗粒化序列
Figure FDA00035837736400000113
中的第一个、第二个元素；
Figure FDA00035837736400000114
式中，
Figure FDA0003583773640000021
表示粗粒化序列
Figure FDA0003583773640000022
中的第j个元素，xi表示所述一段大地电磁信号中第i个信号，N表示所述一段大地电磁信号的长度。
2.根据权利要求1所述的方法，其特征在于：嵌入维数m的取值范围为：[2,3]，类别个数c的取值范围为：[4,7]，时延d的取值范围为：[1,3]，尺度因子τ的取值范围为：[2,7]。
3.根据权利要求1所述的方法，其特征在于：步骤S3中采用正交匹配追踪算法对所述强干扰信号段进行去噪；
其中，所述正交匹配追踪算法中过完备原子库包含了Fourier原子库和小波原子库，原子设定为正余弦原子和小波原子。
4.根据权利要求3所述的方法，其特征在于：采用正交匹配追踪算法对所述强干扰信号段进行去噪的过程如下：
步骤S3.1：构建过完备原子库Γ；
步骤S3.2：从过完备原子库Γ的原子库中任意选择第r个原子，并对所选原子进行正交化处理；
步骤S3.3：利用正交化处理后的原子更新原子集合，初始的所述原子集合为空集；
Figure FDA0003583773640000023
式中，φn、φn-1分别表示第n次、第n-1次稀疏分解的原子集合，
Figure FDA0003583773640000024
表示当前第n次稀疏分解中步骤S3.2所选的正交化处理后的原子；
步骤S3.4：利用最小二乘法计算投影系数bn，再利用投影系数bn与更新的原子集合φn相乘获得重构信号，并利用重构信号更新残差信号：
Figure FDA0003583773640000025
式中，bn表示当前第n次稀疏分解对应的投影系数，Rn-1、Rn分别表示第n-1次、第n次稀疏分解对应的残差信号，初始残差信号R0为所述强干扰信号段f，
Figure FDA0003583773640000026
表示当前第n次稀疏分解对应的重构信号，T表示转置；
步骤S3.5：判断更新的残差信号与所述强干扰信号段f的能量比是否小于预设阈值或者当前迭代次数是否达到最大迭代次数，若能量比小于预设阈值或当前迭代次数达到最大迭代次数，当前更新的残差信号为所述强干扰信号段f去噪后的信号；否则，返回步骤S3.2进行下一次的稀疏分解。
5.根据权利要求1所述的方法，其特征在于：步骤S2中采用模糊C均值聚类方法进行聚类分析。
6.一种基于权利要求1-5任一项所述方法的系统，其特征在于：包括：
特征提取模块，用于将大地电磁信号分段，再分别提取每段大地电磁信号的改进多尺度散布熵；
聚类分析模块，用于利用每段大地电磁信号的改进多尺度散布熵进行聚类分析识别出强干扰信号段和低频缓变化信号段；
去噪模块，用于对所述强干扰信号段进行去噪；
信号拼接模块，用于将去噪后的信号段与低频缓变化信号段进行合并得到重构的大地电磁信号。
CN202010408412.4A 2020-05-14 2020-05-14 基于改进多尺度散布熵的大地电磁信号去噪方法及系统 Active CN111597981B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010408412.4A CN111597981B (zh) 2020-05-14 2020-05-14 基于改进多尺度散布熵的大地电磁信号去噪方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010408412.4A CN111597981B (zh) 2020-05-14 2020-05-14 基于改进多尺度散布熵的大地电磁信号去噪方法及系统

Publications (2)

Publication Number Publication Date
CN111597981A CN111597981A (zh) 2020-08-28
CN111597981B true CN111597981B (zh) 2022-05-27

Family

ID=72185650

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010408412.4A Active CN111597981B (zh) 2020-05-14 2020-05-14 基于改进多尺度散布熵的大地电磁信号去噪方法及系统

Country Status (1)

Country Link
CN (1) CN111597981B (zh)

Families Citing this family (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112817056B (zh) * 2020-12-30 2021-12-07 吉林大学 一种大地电磁信号去噪方法及系统
CN113158553B (zh) * 2021-03-25 2022-04-01 湖南师范大学 一种基于cnn-lstm的大地电磁信号噪声压制方法及系统
CN113392732B (zh) * 2021-05-31 2023-05-26 国网山东省电力公司电力科学研究院 一种局部放电超声信号抗干扰方法及系统
CN113466571B (zh) * 2021-09-06 2022-02-22 中国人民解放军国防科技大学 一种用于构建电磁地图的方法和系统

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106154344A (zh) * 2016-08-01 2016-11-23 湖南文理学院 一种基于组合滤波的大地电磁信号去噪方法
CN110991564A (zh) * 2019-12-24 2020-04-10 安徽工业大学 基于多尺度分散熵偏均值与非线性模式分解的变工况轴承故障诊断方法

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US7428338B2 (en) * 2002-01-10 2008-09-23 Ricoh Co., Ltd. Header-based processing of images compressed using multi-scale transforms

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106154344A (zh) * 2016-08-01 2016-11-23 湖南文理学院 一种基于组合滤波的大地电磁信号去噪方法
CN110991564A (zh) * 2019-12-24 2020-04-10 安徽工业大学 基于多尺度分散熵偏均值与非线性模式分解的变工况轴承故障诊断方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
基于信噪辨识的矿集区大地电磁噪声压制;李晋等;《地球物理学报》;20170215(第02期);全文 *

Also Published As

Publication number Publication date
CN111597981A (zh) 2020-08-28

Similar Documents

Publication Publication Date Title
CN111597981B (zh) 基于改进多尺度散布熵的大地电磁信号去噪方法及系统
CN110361778B (zh) 一种基于生成对抗网络的地震数据重建方法
Sang A practical guide to discrete wavelet decomposition of hydrologic time series
CN107657242B (zh) 一种大地电磁信噪辨识及分离方法
CN112083508B (zh) 一种带噪声参考道的人工源电磁勘探信号去噪方法及系统
CN113568058B (zh) 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
CN106441288A (zh) 一种加速度计的自适应小波降噪方法
Saulig et al. A local entropy-based algorithm for information content extraction from time–frequency distributions of noisy signals
Zhang et al. Separation of magnetotelluric signals based on refined composite multiscale dispersion entropy and orthogonal matching pursuit
CN111985383A (zh) 基于改进变分模态分解的瞬变电磁信号噪声分离识别方法
CN108961181A (zh) 一种基于shearlet变换的探地雷达图像去噪方法
CN117056677A (zh) 基于麻雀算法改进变分模态分解的瞬变电磁信号去噪方法
CN113392732A (zh) 一种局部放电超声信号抗干扰方法及系统
CN113640891A (zh) 一种基于奇异谱分析的瞬变电磁探测数据噪声滤除方法
CN102184451A (zh) 一种基于多小波融合特征的神经元动作特征提取方法
Li et al. Magnetotelluric signal-noise separation method based on SVM–CEEMDWT
CN112817056B (zh) 一种大地电磁信号去噪方法及系统
CN113935246A (zh) 一种信号鲁棒稀疏时频分析方法、终端设备及存储介质
Li et al. A method for magnetotelluric data processing based on sparsity adaptive stage-wise orthogonal matching pursuit
CN111142134B (zh) 一种坐标时间序列处理方法及装置
CN110660051B (zh) 一种基于导航金字塔的张量投票处理方法
CN111144230A (zh) 一种基于vmd的时域载荷信号的去噪方法
CN104570131A (zh) 一种估计大地电磁参数的方法和装置
Melinda et al. Implementation of segmentation scheme based on wavelet transform in multi-spectral fluctuation patterns
CN114239757A (zh) 一种电磁时间序列数据的去噪方法及系统

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