CN111950503B - 航空瞬变电磁数据处理方法、装置及计算设备 - Google Patents
航空瞬变电磁数据处理方法、装置及计算设备 Download PDFInfo
- Publication number
- CN111950503B CN111950503B CN202010854561.3A CN202010854561A CN111950503B CN 111950503 B CN111950503 B CN 111950503B CN 202010854561 A CN202010854561 A CN 202010854561A CN 111950503 B CN111950503 B CN 111950503B
- Authority
- CN
- China
- Prior art keywords
- encoder
- self
- data
- inversion
- denoising
- 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
Links
- 230000001052 transient effect Effects 0.000 title claims abstract description 23
- 238000003672 processing method Methods 0.000 title claims abstract description 19
- 238000000034 method Methods 0.000 claims abstract description 37
- 238000013528 artificial neural network Methods 0.000 claims abstract description 27
- 238000000605 extraction Methods 0.000 claims abstract description 22
- 125000004122 cyclic group Chemical group 0.000 claims abstract description 16
- 238000013507 mapping Methods 0.000 claims abstract description 14
- 238000004590 computer program Methods 0.000 claims abstract description 12
- 238000000926 separation method Methods 0.000 claims abstract description 4
- 238000012545 processing Methods 0.000 claims description 37
- 230000006870 function Effects 0.000 claims description 26
- 238000012549 training Methods 0.000 claims description 23
- 238000005457 optimization Methods 0.000 claims description 8
- 230000008569 process Effects 0.000 claims description 8
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 claims description 5
- 230000009467 reduction Effects 0.000 claims description 4
- 238000012216 screening Methods 0.000 claims description 4
- LHLMOSXCXGLMMN-CLTUNHJMSA-M [(1s,5r)-8-methyl-8-propan-2-yl-8-azoniabicyclo[3.2.1]octan-3-yl] 3-hydroxy-2-phenylpropanoate;bromide Chemical compound [Br-].C([C@H]1CC[C@@H](C2)[N+]1(C)C(C)C)C2OC(=O)C(CO)C1=CC=CC=C1 LHLMOSXCXGLMMN-CLTUNHJMSA-M 0.000 description 27
- 238000012360 testing method Methods 0.000 description 15
- 230000000694 effects Effects 0.000 description 10
- 238000013461 design Methods 0.000 description 9
- 238000003860 storage Methods 0.000 description 9
- 230000008859 change Effects 0.000 description 7
- 230000004044 response Effects 0.000 description 7
- 238000010586 diagram Methods 0.000 description 5
- 230000000306 recurrent effect Effects 0.000 description 4
- 230000004913 activation Effects 0.000 description 3
- 238000013135 deep learning Methods 0.000 description 3
- 238000001514 detection method Methods 0.000 description 3
- 238000009826 distribution Methods 0.000 description 3
- 230000010355 oscillation Effects 0.000 description 3
- 230000001737 promoting effect Effects 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 2
- 238000006243 chemical reaction Methods 0.000 description 2
- 238000012937 correction Methods 0.000 description 2
- 239000000284 extract Substances 0.000 description 2
- 229910052500 inorganic mineral Inorganic materials 0.000 description 2
- 239000011707 mineral Substances 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000011056 performance test Methods 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 230000000630 rising effect Effects 0.000 description 2
- 238000005070 sampling Methods 0.000 description 2
- 238000004088 simulation Methods 0.000 description 2
- 239000007787 solid Substances 0.000 description 2
- 230000003068 static effect Effects 0.000 description 2
- 238000012876 topography Methods 0.000 description 2
- 235000002687 Caesalpinia echinata Nutrition 0.000 description 1
- 244000306301 Caesalpinia sappan Species 0.000 description 1
- 235000015162 Caesalpinia sappan Nutrition 0.000 description 1
- 241001424361 Haematoxylum brasiletto Species 0.000 description 1
- 230000001133 acceleration Effects 0.000 description 1
- 230000003044 adaptive effect Effects 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 238000000354 decomposition reaction Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000005672 electromagnetic field Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 239000003673 groundwater Substances 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 238000011835 investigation Methods 0.000 description 1
- JQJCSZOEVBFDKO-UHFFFAOYSA-N lead zinc Chemical compound [Zn].[Pb] JQJCSZOEVBFDKO-UHFFFAOYSA-N 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 238000011946 reduction process Methods 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 229910052709 silver Inorganic materials 0.000 description 1
- 239000004332 silver Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000010998 test method Methods 0.000 description 1
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
- G01—MEASURING; TESTING
- G01V—GEOPHYSICS; GRAVITATIONAL MEASUREMENTS; DETECTING MASSES OR OBJECTS; TAGS
- G01V3/00—Electric or magnetic prospecting or detecting; Measuring magnetic field characteristics of the earth, e.g. declination, deviation
- G01V3/15—Electric or magnetic prospecting or detecting; Measuring magnetic field characteristics of the earth, e.g. declination, deviation specially adapted for use during transport, e.g. by a person, vehicle or boat
- G01V3/165—Electric or magnetic prospecting or detecting; Measuring magnetic field characteristics of the earth, e.g. declination, deviation specially adapted for use during transport, e.g. by a person, vehicle or boat operating with magnetic or electric fields produced or modified by the object or by the detecting device
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01V—GEOPHYSICS; GRAVITATIONAL MEASUREMENTS; DETECTING MASSES OR OBJECTS; TAGS
- G01V3/00—Electric or magnetic prospecting or detecting; Measuring magnetic field characteristics of the earth, e.g. declination, deviation
- G01V3/38—Processing data, e.g. for analysis, for interpretation, for correction
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/048—Activation functions
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
- Y02A90/30—Assessment of water resources
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Biophysics (AREA)
- Computing Systems (AREA)
- Software Systems (AREA)
- Mathematical Physics (AREA)
- Molecular Biology (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- General Health & Medical Sciences (AREA)
- Computational Linguistics (AREA)
- Geophysics (AREA)
- General Life Sciences & Earth Sciences (AREA)
- Remote Sensing (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Geology (AREA)
- Environmental & Geological Engineering (AREA)
- Signal Processing (AREA)
- Bioinformatics & Computational Biology (AREA)
- Electromagnetism (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Indication And Recording Devices For Special Purposes And Tariff Metering Devices (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Geophysics And Detection Of Objects (AREA)
Abstract
本申请公开了一种航空瞬变电磁数据处理方法、装置及计算设备，所述方法包括：利用去噪自编码器对获得的含噪观测数据中的有用信号与多源噪声进行分离；利用自编码器从分离得到的有用信号中提取其深度特征；利用循环神经网络建立有用信号深度特征与大地电阻率模型之间的映射关系，实现数据反演；所述的去噪自编码器、自编码器、以及循环神经网络集成在一个栈式自编码器中。所述装置包括分离模块、提取模块和反演模块。所述种计算设备包括存储器、处理器和存储在所述存储器内并能由所述处理器运行的计算机程序，所述处理器执行所述计算机程序时实现本申请所述的方法。
Description
技术领域
本申请涉及航空瞬变电磁数据处理技术，特别是涉及航空瞬变电磁数据处理方法。
背景技术
航空瞬变电磁法(Airborne Transient Electromagnetic,ATEM)是一种基于飞行平台的电磁探测方法，其利用闭合回线源对大地进行激励，通过观测大地响应电磁场的时空分布规律，实现对地下电性结构信息的提取。ATEM方法可有效克服地形地貌条件限制，高效、精细地完成对大面积测区的覆盖，已广泛应用于矿产、地下水等资源勘探及地质填图、环境保护等领域。该方法能够克服沙漠、沼泽、森林覆盖区等地形地貌限制，快速获取地下电性信息，是国际公认的“摸清矿产资源家底”的重要手段。
利用ATEM观测数据提取大地电阻率分布信息，首先要对观测数据进行处理。ATEM数据处理中，除系统响应效应去除、飘移矫正、飞行姿态矫正等工作外，最核心的任务是进行噪声去除。对于ATEM观测，飞行平台有限的搭载与供电能力限制了系统的发射磁矩，且发收天线还与大地间存在几十米距离，导致ATEM信号显著弱于同类地面观测。同时，由于采用航空观测方式，观测系统位置不断改变，不但导致无法像地面静态观测那样针对一个固定的位置，通过长时间数据叠加实现信噪比提升，也会引入诸如运动噪声这类地面静态观测数据中没有的噪声类型。目前主要的噪声去除方案是针对天电、人文、背景及运动等不同的噪声设计不同的处理方法，分步实现对ATEM数据中多源噪声的处理。对于海量的受多源噪声干扰的低信噪比ATEM观测数据，上述处理流程将包含诸多环节，结构相对松散，对操作人员的个人经验要求高，且面对海量观测数据，往往难以保证对整个数据集执行相同的处理标准。这就意味着，如果数据处理无法保证较高的可靠性，则数据中的剩余干扰将作为信号进入反演。
在完成对数据的上述处理后，采用反演方法提取大地电阻率分布信息。面向海量ATEM数据，高维反演虽具有诸多优势，但其计算效率仍难以满足需求。近年来已有研究人员提出多种加速方案，如移动足迹法、矩阵分解法等,但距实用化仍有距离。目前，国际主流ATEM服务所提供的反演结果均为一维反演及基于一维反演的拟多维反演。由于现有反演方法属于模型反演方法，一般仅能通过计算估计模型响应与输入数据的偏差来评价估计模型的可靠性，无法同时分析输入数据中有用信号的“纯粹性”，也即：由于反演与噪声处理是彼此独立的两个处理环节，作为下游环节的反演，一旦其输入数据中含有剩余干扰，反演结果的可靠性将无法得到保证。
由此可见，ATEM观测具有数据量大、有用信号弱、噪声来源多样且特征复杂等特点，去噪处理难度大；由于采用与去噪处理相互独立的模型反演方法，当去噪处理效果不佳、去噪后数据中仍有剩余干扰时，反演结果可靠性会受到严重影响。因此，实现对观测数据的有效噪声去除、准确提取出大地电性信息是推进ATEM发展的关键技术问题。
发明内容
本申请的目的在于克服上述问题或者至少部分地解决或缓减解决上述问题。
根据本申请的一个方面，提供了一种航空瞬变电磁数据处理方法，所述方法包括：
利用去噪自编码器对获得的含噪观测数据中的有用信号与多源噪声进行分离；
利用自编码器从分离得到的有用信号中提取其深度特征；
利用循环神经网络建立有用信号深度特征与大地电阻率模型之间的映射关系，实现数据反演；
所述的去噪自编码器、自编码器、以及循环神经网络集成在一个栈式自编码器中。
可选地，所述的栈式自编码器在训练过程中采用MSE作为基本损失函数。
可选地，所述的栈式自编码器在训练过程中采用“MSE+干扰项”作为损失函数。
可选地，所述的栈式自编码器在训练过程中采用adam作为最优化函数。
可选地，所述方法还包括：
对不同观测条件下的观测数据进行数据反演，根据反演结果评估各观测参数可接受的变化范围，并对所述的栈式自编码器进行优化。
本申请的航空瞬变电磁数据处理方法，由于建立了包含三个子网络的栈式自编码器深度学习系统，开展了ATEM观测数据多源噪声去除与实用化反演的一体化处理，不仅能够有效克服多源噪声的影响，所采用的数据驱动反演方法也将进一步提升探测结果的客观性与可靠性，对促进ATEM数据高质量处理方法研究将具有积极的理论意义与应用价值。
根据本申请的另一个方面，还提供了一种航空瞬变电磁数据处理装置，所述装置包括：
分离模块，其配置成利用去噪自编码器对获得的含噪观测数据中的有用信号与多源噪声进行分离；
提取模块，其配置成利用自编码器从分离得到的有用信号中提取其深度特征；
反演模块，其配置成利用循环神经网络建立有用信号深度特征与大地电阻率模型之间的映射关系，实现数据反演；
所述的去噪自编码器、自编码器、以及循环神经网络集成在一个栈式自编码器中。
可选地，所述的栈式自编码器在训练过程中采用MSE作为基本损失函数。
可选地，所述的栈式自编码器在训练过程中采用adam作为最优化函数。
可选地，所述装置还包括：
优化模块，其配置成对不同观测条件下的观测数据进行数据反演，根据反演结果评估各观测参数可接受的变化范围，并对所述的栈式自编码器进行优化。
本申请的航空瞬变电磁数据处理装置，由于建立了包含三个子网络的栈式自编码器深度学习系统，开展了ATEM观测数据多源噪声去除与实用化反演的一体化处理，不仅能够有效克服多源噪声的影响，所采用的数据驱动反演方法也将进一步提升探测结果的客观性与可靠性，对促进ATEM数据高质量处理方法研究将具有积极的理论意义与应用价值。
根据本申请的第三个方面，还提供了一种计算设备，所述计算设备包括存储器、处理器和存储在所述存储器内并能由所述处理器运行的计算机程序，其中，所述处理器执行所述计算机程序时实现本申请所述的方法。
根据下文结合附图对本申请的具体实施例的详细描述，本领域技术人员将会更加明了本申请的上述以及其他目的、优点和特征。
附图说明
后文将参照附图以示例性而非限制性的方式详细描述本申请的一些具体实施例。附图中相同的附图标记标示了相同或类似的部件或部分。本领域技术人员应该理解，这些附图未必是按比例绘制的。附图中：
图1是根据本申请一个实施例的航空瞬变电磁数据处理方法的示意性流程图；
图2是根据本申请一个实施例的栈式自编码器的神经网络结构示意图；
图3是根据本申请一个实施例的电阻率小梯度下降与大梯度上升的组合测试结果，其中，(a)为“去噪”子网络的处理效果；(b)为“特征提取”子网络的处理效果；(c)为“反演”子网络的输出结果；
图4是根据本申请一个实施例的电阻率大梯度下降与小梯度上升的组合测试结果，其中(a)为“去噪”子网络的处理效果；(b)为“特征提取”子网络的处理效果；(c)为“反演”子网络的输出结果；
图5是根据本申请一个实施例的测试飞行航迹图；
图6是根据本申请一个实施例的实测数据处理结果，其中，(a)为“去噪”子网络处理结果；(b)为“反演”子网络输出结果与传统反演方法结果的对比；
图7是根据本申请一个实施例的航空瞬变电磁数据处理装置的结构示意图；
图8是根据本申请一个实施例的一种计算设备的结构示意图；
图9是根据本申请一个实施例的一种计算机可读存储介质的结构示意图。
具体实施方式
本申请实施例的航空瞬变电磁数据处理方法首先需要有效准确地将输入数据转换为一系列特征，之后分辨这些特征中哪些与有用信号有关，最终利用这些与有用信号有关的特征建立与大地电阻率模型之间的映射关系，从而实现对ATEM数据的反演。
图1是根据本申请一个实施例的航空瞬变电磁数据处理方法的示意性流程图。所述航空瞬变电磁数据处理方法一般性地可包括：
步骤S1、利用去噪自编码器对获得的含噪观测数据中的有用信号与多源噪声进行分离；
在ATEM数据中，常见的噪声包含运动噪声、中近源天电噪声、人文电磁干扰以及背景电磁噪声，ATEM的观测数据可认为是这些噪声与有用信号的线性组合。由于在ATEM数据中，仅有有用信号的特征才与大地电阻率模型具有映射关系，因此，在获得含噪观测数据后，首先要实现对数据中有用信号与多源噪声的分离，这一步骤所采用的网络称为“去噪”子网络，所述“去噪”子网络采用去噪自编码器(Denoising Auto-Encoder，DAE)实现。由于“去噪”子网络直接与观测数据相联系，因此需要考虑对应系统的硬件参数，如采样率、发射基频、占空比、噪声水平等，以此为基础确定网络输入层(同时也是输出层)的结构与节点数。在此基础上，选择网络类型，隐含层个数及各层节点数，选择激活函数等。
步骤S2、利用自编码器从分离得到的有用信号中提取其深度特征；
该步骤所采用的网络称为“特征提取”子网络，所述“特征提取”子网络采用自编码器(Auto-Encoder，AE)实现。“特征提取”子网络的设计在一定程度上受控于“去噪”子网络的设计，这是由于“特征提取”子网络的输入层和输出层的结构与节点数本质上是在“去噪”子网络的设计中就已经确定好了。在此基础上，“特征提取”子网络主要决策中间隐含层的个数及各层节点数，并选择激活函数等。由于拟采用循环神经网络(Recurrent NeuralNetwork，RNN)实现数据的反演，因此在“特征提取”子网络的设计过程中，需要考虑将作为“反演”子网络的输入层的中间隐含层的结构需求。
步骤S3、利用循环神经网络建立有用信号深度特征与大地电阻率模型之间的映射关系，实现数据反演；
该步骤所采用的网络称为“反演”子网络，所述“反演”子网络采用循环神经网络(Recurrent Neural Network，RNN)实现，用于实现信号特征到电阻率参数的“语义转化”，需要结合“特征提取”子网络确定具体的网络结构，选择恰当的激活函数，从而实现对ATEM数据的精细反演。
所述的去噪自编码器、自编码器、以及循环神经网络集成在一个栈式自编码器(Stacked Auto-Encoder，SAE)中。
在网络训练方面，主要有两方面工作：一是建立适用的训练数据集，二是选择合适的网络训练函数。在训练集的建立方面，将数据分为有用信号与噪声两类，进行独立建集。有用信号集主要通过仿真得到，而噪声集则从实测数据中提取。在网络训练函数的选择方面，选择mean-square error(MSE)作为所述栈式自编码器的基本损失函数，选择adaptivemoment estimation(adam)作为所述栈式自编码器的首选最优化函数。
此外，在现有MSE损失函数的末尾增加一个“干扰项”，以对信号分析过程实施约束，使之能够更有助于区分有用信号与各类噪声之间的特征。
在生成用于训练的理论响应曲线时，通常是针对指定的系统，尽可能全面地考虑地电模型，以生成训练集。在实际观测中，响应数据对观测条件的变化非常敏感，例如飞行高度、传感器姿态、收发回线共面度等。可以通过改变飞行器飞行高度、传感器姿态以及收发回线共面度等观测参数的变化开展SAE泛化性能测试，评估上述参数可接受的变化范围，并以此为依据评估对SAE的优化策略与具体方案。比如：对“反演”子网络的输入层进行优化，增加其节点数，使其除了承接“特征提取”子网络提取的含噪输入信号深度特征外，还将作为观测参数(包括但不限于飞行高度、传感器姿态、收发回线共面度等)进入网络的接口。通过上述泛化性能测试与网络优化，最终构建起具有较高泛化性能的SAE反演网络。
图2给出了上述栈式自编码器的神经网络结构示意图。
“去噪”子网络是一个DAE，其输入数据X％是ATEM观测信号(有用信号X+多源噪声)，其输出为重构信号Z％。通过网络训练，使Z％能够尽可能接近无损有用信号X。“去噪”子网络的功能是建立一个映射关系(编码过程)，其能够将含噪数据转换为一系列隐含特征C1(Code Layer)，之后通过一个具有筛选功能的解码过程，实现仅对有用信号的重构。也即，“去噪”子网络的本质是使用无噪信号作为约束条件，使网络对输入信号的特征分析能够以有用信号的特征为根本依据。这样，所获得的隐含特征C1将易于实现对有用信号与噪声的区分。
“特征提取”子网络是一个AE，其输入数据为“去噪”子网络所获的的隐含特征C1，输出为重构信号C1R，通过网络训练，使重构信号C1R能够尽可能接近隐含特征信号C1。“特征提取”子网络的功能是对“去噪”子网络获得的隐含特征进行再处理，其通过一个无监督的AE神经网络，进一步提取观测信号X％的深度隐含特征也即，对隐含特征C1进行降维处理，从而获得对观测信号X％更加高效的表示。
“反演”子网络是一个多层神经网络，以观测信号的深度隐含特征作为输入，以映射得到的大地电阻率模型Y％为输出，通过网络训练，使Y％能够尽可能接近与无噪信号X对应的大地电阻率模型Y。“反演”子网络的功能是构建/>中与有用信号有关的特征与大地电阻率模型之间的映射关系，从而完成对ATEM数据的反演。
由上述SAE神经网络设计逻辑可见，与传统的数据处理-反演策略不同，SAE神经网络首先以有用信号为参照，对有用信号与多源噪声的特征进行了分析，但并没对两者特征进行硬性分离，而是在完成“反演”功能的子网络中进行了筛选，提取与有用信号有关的特征实现向大地电阻率模型的转换。相比一般只能依赖不多于10个周期观测数据(对于单一测点)，且关键参数设置往往需要不断进行人工介入的传统数据处理方法，SAE网络的训练依赖大量数据，其所形成的“机器经验”将能够更加有效、客观地实现上述筛选、反演工作。
为了验证SAE对实测数据的反演效果，本实施例采用传统反演方法和本申请的栈式自编码器对相同的实测数据进行反演，并对处理结果进行对比。通过对实测数据进行处理，对反演效果进行评价，从而实现对SAE网络的再优化。
首先利用测试数据集对SAE网络的噪声处理与反演性能进行测试，图3与图4为测试结果。这里并没有按照传统电磁法对简单层状大地模型的分类进行测试结果展示，而是依据大地电阻率对比度(电阻率变化梯度)进行测试结果展示，主要测试系统对大梯度电阻率下降、小梯度电阻率下降、大梯度电阻率上升以及小梯度电阻率上升等变化情况的反演效果。这样进行测试成果展示的主要原因在于，无论哪种具体的简单层状大地模型，实际上均可以定性地视作由上述电阻率变化情况组合而成。
如图3所示，为电阻率小梯度下降与大梯度上升的组合测试结果。进入SAE“去噪”子网络的输入数据是归一化后的含噪ATEM衰减曲线，如图3(a)的噪声响应曲线所示，其主要包含的噪声类型包括：运动噪声、人文噪声、远源天电噪声及其他天然背景电磁噪声。经“去噪”子网络处理后，输出结果如图3(a)中的虚线(即“去噪”子网络响应曲线)所示，其与图中色曲线，即理论衰减曲线重合度较高，说明“去噪”子网络较为成功地分离出了有用信号与噪声信号的特征。图3(b)为“特征提取”子网络的处理结果展示，其输入为“去噪”子网络所获得的Code Layer，即输入信号的降维表示；“特征提取”子网络为AE网络，图3(b)表明其输出层与输入层高度重合，即意味着“特征提取”子网络的中间层实现了对“去噪”子网络的Code Layer的进一步降维表示。图3(c)为“反演”子网络的输出结果，也即SAE网络所实现的反演结果，图中原始模型指反演前的起始模型。“反演”子网络的输入为“特征提取”子网络的中间层，经过“反演”子网络的转换后，得到代表电阻率由浅到深变化的输出层。由图3(c)可见，SAE网络对电阻率小梯度下降过程(电阻率值、发生位置)拾取准确，且下降过程前后沿震荡较小；对于电阻率大梯度上升，对其过程的拾取同样准确，但在上升过程的前后沿存在一定震荡。总体而言，SAE对于电阻率小梯度下降与大梯度上升的特征拾取是较为准确的。
图4为电阻率大梯度下降与小梯度上升的组合测试结果，其测试过程与图3基本相同，不同之处主要在于：(1)在图4(a)中，进入数据的噪声类型较图3(a)多了一个中近源天电(其中心位于1ms附近)，此外，较大的运动噪声导致含噪信号末端为负值，因此未出现在图4(a)中；(2)由图4(c)可见，网络对大梯度下降与小梯度上升的拾取依然非常准确，大梯度下降与小梯度上升的前后沿均存在一定震荡，但小梯度上升前后沿的震荡更加轻微一些。结合图3的结果，我们可以推知：SAE网络对大梯度与小梯度电阻率变化过程的特征拾取均较为准确，但对于大梯度电阻率变化，在其前后沿将会出现一定程度的震荡。
为进一步测试SAE对实测数据的反演效果，我们采用2016年在内蒙古自治区兴安盟进行的飞行试验数据。实验地点位于内蒙古自治区兴安盟科尔沁右翼前旗桃合木苏木铅锌银多金属矿勘查区。根据先验资料，该测区为火山盆地控制的火山沉积型铅锌矿，在500米以浅深度范围内，地电结构大致可认为是H型三层模型，低阻层深度大致位于地下100-300米。如图5所示，灰色为设计测线，图中21条测线相互平行，黑线为实飞航迹。测线长度约10公里，线间距200米，五角星位置为直升机临时起降点位置。
如图6所示，为SAE对实测数据的处理与反演效果。图6(a)中红色曲线为选取测点上单一半周期内的实测turn-off data，蓝色曲线为“去噪”子网络的输出结果(保持128kHz采样率)，黑色曲线是传统处理方法得到的抽道后数据。由图6(a)可见，“去噪”子网络的输出结果与传统方法处理结果在中早期一致性较高，在晚期则更加稳定平滑。图6(b)中红色曲线是对传统处理方法得到的抽道数据进行反演(基于MGS稳定泛函的正则化反演)得到的结果，蓝色曲线是SAE的“反演”子网络的输出结果。对比上述反演结果，两者均为一个三层电阻率结构，在中部低阻层的阻值以及层中心深度方面一致性较高，并与目前已有的先验知识具有较高的吻合度。
ATEM方法能够高效、精细地完成对大面积测区的覆盖，已在全世界范围内得到广泛应用。目前，现有ATEM的数据处理与反演通常被视为两个独立环节，因此，如果数据处理质量得不到保证，数据中的剩余干扰将作为信号进入反演，则反演结果的可靠性将无法得到保证。为此，我们尝试引入深度学习方法，建立一个具备区分有用信号与噪声能力的栈式自编码器神经网络，实现对ATEM数据噪声去除与反演的一体化处理。
上述航空瞬变电磁数据处理方法共包含三个子网络，“去噪”子网络用于将含噪信号转换为其降维表示；“特征提取”子网络对上述降维表示进一步降维，从而得到输入信号的某种深度表示；“反演”子网络以“特征提取”子网络得到的输入信号深度表示为输入，对其进行筛选，并将与有用信号有关的部分转换为电阻率参数，并将三个子网络统筹在一个栈式自编码器中，最终实现对航空瞬变电磁数据多源噪声去除与实用化数据驱动反演的高效客观的一体化处理。利用仿真数据与实测数据对所建立的SAE性能进行测试，测试结果表明所述SAE其基本达到了设计目标。
本申请实施例还提供了一种航空瞬变电磁数据处理装置，如图7所示，所述装置一般性地可包括：
分离模块1，其配置成利用去噪自编码器对获得的含噪观测数据中的有用信号与多源噪声进行分离；
提取模块2，其配置成利用自编码器从分离得到的有用信号中提取其深度特征；
反演模块3，其配置成利用循环神经网络建立有用信号深度特征与大地电阻率模型之间的映射关系，实现数据反演；和
优化模块4，其配置成对不同观测条件下的观测数据进行数据反演，根据反演结果评估各观测参数可接受的变化范围，并对所述的栈式自编码器进行优化。
所述的去噪自编码器、自编码器、以及循环神经网络集成在一个栈式自编码器中。
所述航空瞬变电磁数据处理装置能够执行本申请实施例的航空瞬变电磁数据处理方法的步骤。
本申请实施例还提供了一种计算设备，参照图8，该计算设备包括存储器1120、处理器1110和存储在所述存储器1120内并能由所述处理器1110运行的计算机程序，该计算机程序存储于存储器1120中的用于程序代码的空间1130，该计算机程序在由处理器1110执行时实现用于执行任一项根据本发明的方法步骤1131。
本申请实施例还提供了一种计算机可读存储介质。参照图9，该计算机可读存储介质包括用于程序代码的存储单元，该存储单元设置有用于执行根据本发明的方法步骤的程序1131′，该程序被处理器执行。
本申请实施例还提供了一种包含指令的计算机程序产品。当该计算机程序产品在计算机上运行时，使得计算机执行根据本发明的方法步骤。
在上述实施例中，可以全部或部分地通过软件、硬件、固件或者其任意组合来实现。当使用软件实现时，可以全部或部分地以计算机程序产品的形式实现。所述计算机程序产品包括一个或多个计算机指令。在计算机加载和执行所述计算机程序指令时，全部或部分地产生按照本申请实施例所述的流程或功能。所述计算机可以是通用计算机、专用计算机、计算机网络、获取其他可编程装置。所述计算机指令可以存储在计算机可读存储介质中，或者从一个计算机可读存储介质向另一个计算机可读存储介质传输，例如，所述计算机指令可以从一个网站站点、计算机、服务器或数据中心通过有线(例如同轴电缆、光纤、数字用户线(DSL))或无线(例如红外、无线、微波等)方式向另一个网站站点、计算机、服务器或数据中心进行传输。所述计算机可读存储介质可以是计算机能够存取的任何可用介质或者是包含一个或多个可用介质集成的服务器、数据中心等数据存储设备。所述可用介质可以是磁性介质，(例如，软盘、硬盘、磁带)、光介质(例如，DVD)、或者半导体介质(例如固态硬盘Solid State Disk(SSD))等。
专业人员应该还可以进一步意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、计算机软件或者二者的结合来实现，为了清楚地说明硬件和软件的可互换性，在上述说明中已经按照功能一般性地描述了各示例的组成及步骤。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本申请的范围。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分步骤是可以通过程序来指令处理器完成，所述的程序可以存储于计算机可读存储介质中，所述存储介质是非短暂性(英文：non-transitory)介质，例如随机存取存储器，只读存储器，快闪存储器，硬盘，固态硬盘，磁带(英文：magnetic tape)，软盘(英文：floppy disk)，光盘(英文：optical disc)及其任意组合。
以上所述，仅为本申请较佳的具体实施方式，但本申请的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本申请揭露的技术范围内，可轻易想到的变化或替换，都应涵盖在本申请的保护范围之内。因此，本申请的保护范围应该以权利要求的保护范围为准。
Claims (10)
1.航空瞬变电磁数据处理方法，包括：
利用去噪自编码器对获得的含噪观测数据中的有用信号与多源噪声进行分离；所述去噪自编码器是建立一个映射关系，将含噪数据转换为一系列隐含特征C1，通过一个具有筛选功能的解码过程，实现仅对有用信号的重构；
利用自编码器从分离得到的有用信号中提取其深度特征；所述自编码器是对隐含特征C1进行降维处理，从而获得对观测信号更加高效的表示；
利用循环神经网络建立有用信号深度特征与大地电阻率模型之间的映射关系，实现数据反演；所述循环神经网络以观测信号的深度隐含特征作为输入，以映射得到的大地电阻率模型为输出，通过网络训练使映射得到的大地电阻率模型尽可能接近与无噪信号对应的大地电阻率模型；
所述的去噪自编码器、自编码器、以及循环神经网络集成在一个栈式自编码器中。
2.根据权利要求1所述的方法，其特征在于，所述的栈式自编码器在训练过程中采用MSE作为基本损失函数。
3.根据权利要求2所述的方法，其特征在于，所述的栈式自编码器在训练过程中采用“MSE+干扰项”作为损失函数。
4.根据权利要求1至3中任一项所述的方法，其特征在于，所述的栈式自编码器在训练过程中采用adam作为最优化函数。
5.根据权利要求1至3中任一项所述的方法，其特征在于，还包括：
对不同观测条件下的观测数据进行数据反演，根据反演结果评估各观测参数可接受的变化范围，并对所述的栈式自编码器进行优化。
6.航空瞬变电磁数据处理装置，包括：
分离模块，其配置成利用去噪自编码器对获得的含噪观测数据中的有用信号与多源噪声进行分离；所述去噪自编码器是建立一个映射关系，将含噪数据转换为一系列隐含特征C1，通过一个具有筛选功能的解码过程，实现仅对有用信号的重构；
提取模块，其配置成利用自编码器从分离得到的有用信号中提取其深度特征；所述自编码器是对隐含特征C1进行降维处理，从而获得对观测信号更加高效的表示；和反演模块，其配置成利用循环神经网络建立有用信号深度特征与大地电阻率模型之间的映射关系，实现数据反演；所述循环神经网络以观测信号的深度隐含特征作为输入，以映射得到的大地电阻率模型为输出，通过网络训练使映射得到的大地电阻率模型尽可能接近与无噪信号对应的大地电阻率模型；
所述的去噪自编码器、自编码器、以及循环神经网络集成在一个栈式自编码器中。
7.根据权利要求6所述的装置，其特征在于，所述的栈式自编码器在训练过程中采用MSE作为基本损失函数。
8.根据权利要求6或7所述的装置，其特征在于，所述的栈式自编码器在训练过程中采用adam作为最优化函数。
9.根据权利要求6或7所述的装置，其特征在于，还包括：
优化模块，其配置成对不同观测条件下的观测数据进行数据反演，根据反演结果评估各观测参数可接受的变化范围，并对所述的栈式自编码器进行优化。
10.一种计算设备，包括存储器、处理器和存储在所述存储器内并能由所述处理器运行的计算机程序，其中，所述处理器执行所述计算机程序时实现如权利要求1-5中任一项所述的方法。
Applications Claiming Priority (2)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| AU2020101013A AU2020101013A4 (en) | 2020-06-16 | 2020-06-16 | A method for airborne transient electromagnetic data processing |
| AU2020101013 | 2020-06-16 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN111950503A CN111950503A (zh) | 2020-11-17 |
| CN111950503B true CN111950503B (zh) | 2024-01-30 |
Family
ID=71615048
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010854561.3A Active CN111950503B (zh) | 2020-06-16 | 2020-08-24 | 航空瞬变电磁数据处理方法、装置及计算设备 |
Country Status (2)
| Country | Link |
|---|---|
| CN (1) | CN111950503B (zh) |
| AU (1) | AU2020101013A4 (zh) |
Families Citing this family (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US11313984B2 (en) * | 2019-06-09 | 2022-04-26 | Institute Of Geology And Geophysics, Chinese Academy Of Sciences | Method and system for electromagnetic method (EM) signal detection based on onshore sparker source |
| CN113568056B (zh) * | 2021-07-16 | 2022-07-01 | 北京大学 | 一种基于卷积神经网络的航空瞬变电磁数据反演方法 |
| CN113568055B (zh) * | 2021-07-16 | 2022-07-01 | 北京大学 | 一种基于lstm网络的航空瞬变电磁数据反演方法 |
| CN113655532B (zh) * | 2021-09-03 | 2022-05-17 | 山东大学 | 一种非全时半航空瞬变电磁数据运动噪声去除方法及系统 |
| CN113917549B (zh) * | 2021-09-08 | 2023-11-14 | 成都理工大学 | 基于光纤传感技术的航空电磁数据采集系统及采集方法 |
| CN114065102A (zh) * | 2021-11-29 | 2022-02-18 | 西南科技大学 | 基于航空瞬变电磁和dem的泥石流物源静储量计算方法 |
| CN115829001B (zh) * | 2022-11-08 | 2023-06-20 | 中国科学院地质与地球物理研究所 | 一种瞬变电磁-激电场分离及多参数信息提取方法和系统 |
Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US10003483B1 (en) * | 2017-05-03 | 2018-06-19 | The United States Of America, As Represented By The Secretary Of The Navy | Biologically inspired methods and systems for automatically determining the modulation types of radio signals using stacked de-noising autoencoders |
| CN109507648A (zh) * | 2018-12-19 | 2019-03-22 | 西安电子科技大学 | 基于VAE-ResNet网络的雷达辐射源识别方法 |
| CN109559329A (zh) * | 2018-11-28 | 2019-04-02 | 陕西师范大学 | 一种基于深度去噪自动编码器的粒子滤波跟踪方法 |
| WO2019062413A1 (zh) * | 2017-09-30 | 2019-04-04 | Oppo广东移动通信有限公司 | 应用程序管控方法、装置、存储介质及电子设备 |
| CN110942100A (zh) * | 2019-11-29 | 2020-03-31 | 山东大学 | 一种基于深度去噪神经网络的空间调制系统的工作方法 |
| CN110968826A (zh) * | 2019-10-11 | 2020-04-07 | 重庆大学 | 一种基于空间映射技术的大地电磁深度神经网络反演方法 |
| CN111144303A (zh) * | 2019-12-26 | 2020-05-12 | 华北电力大学（保定） | 基于改进去噪自编码器的电力线信道传输特性识别方法 |
Family Cites Families (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US11119239B2 (en) * | 2017-01-13 | 2021-09-14 | Baker Hughes Holdings Llc | Measuring petrophysical properties of an earth formation by regularized direct inversion of electromagnetic signals |
| US10996372B2 (en) * | 2017-08-25 | 2021-05-04 | Exxonmobil Upstream Research Company | Geophysical inversion with convolutional neural networks |
| US10732315B2 (en) * | 2017-12-29 | 2020-08-04 | Baker Hughes, A Ge Company, Llc | Real-time inversion of array dielectric downhole measurements with advanced search for initial values to eliminate non-uniqueness |
| CN111046824B (zh) * | 2019-12-19 | 2023-04-28 | 上海交通大学 | 一种时间序列信号高效去噪和高精度重构建模方法及系统 |
-
2020
- 2020-06-16 AU AU2020101013A patent/AU2020101013A4/en active Active
- 2020-08-24 CN CN202010854561.3A patent/CN111950503B/zh active Active
Patent Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US10003483B1 (en) * | 2017-05-03 | 2018-06-19 | The United States Of America, As Represented By The Secretary Of The Navy | Biologically inspired methods and systems for automatically determining the modulation types of radio signals using stacked de-noising autoencoders |
| WO2019062413A1 (zh) * | 2017-09-30 | 2019-04-04 | Oppo广东移动通信有限公司 | 应用程序管控方法、装置、存储介质及电子设备 |
| CN109559329A (zh) * | 2018-11-28 | 2019-04-02 | 陕西师范大学 | 一种基于深度去噪自动编码器的粒子滤波跟踪方法 |
| CN109507648A (zh) * | 2018-12-19 | 2019-03-22 | 西安电子科技大学 | 基于VAE-ResNet网络的雷达辐射源识别方法 |
| CN110968826A (zh) * | 2019-10-11 | 2020-04-07 | 重庆大学 | 一种基于空间映射技术的大地电磁深度神经网络反演方法 |
| CN110942100A (zh) * | 2019-11-29 | 2020-03-31 | 山东大学 | 一种基于深度去噪神经网络的空间调制系统的工作方法 |
| CN111144303A (zh) * | 2019-12-26 | 2020-05-12 | 华北电力大学（保定） | 基于改进去噪自编码器的电力线信道传输特性识别方法 |
Non-Patent Citations (9)
| Title |
|---|
| BP神经网络在大地电磁反演中的应用;孔凡涛 等;《科技创新与应用》;第252卷(第32期);19-21 * |
| Imaging subsurface resistivity structure from airborne electromagnetic induction data using deep neural network;Kyubo Noh 等;《Exploration Geophysics》;第51卷(第02期);214-220 * |
| Neural network modeling and prediction of resistivity structures using VES Schlumberger data over a geothermal area;Singh U K 等;《Computers & Geosciences》;第52卷;246-257 * |
| Stacked denoising autoencoders: Learning useful representations in a deep network with a local denoising criterion;Vincent P 等;《Journal of machine learning research》;第11卷(第12期);3371-3408 * |
| 中国直升机航空瞬变电磁探测技术进展;武欣 等;《地球物理学进展》;第34卷(第04期);1679-1686 * |
| 基于人工神经网络的航空瞬变电磁拟电阻率成像方法研究;李栋;《中国优秀硕士学位论文全文数据库 (基础科学辑)》(第01期);A011-701 * |
| 基于堆栈降噪自编码的轴承故障诊断方法研究;胡俊;《中国优秀硕士学位论文全文数据库 (工程科技Ⅱ辑)》(第02期);C029-148 * |
| 基于瞬变电磁矩变换的快速三维反演方法;饶丽婷 等;《地球物理学报》;第59卷(第11期);4338-4348 * |
| 瞬变电磁法理论与应用研究进展;薛国强 等;《地球物理学进展》;第22卷(第04期);1195-1200 * |
Also Published As
| Publication number | Publication date |
|---|---|
| AU2020101013A4 (en) | 2020-07-23 |
| CN111950503A (zh) | 2020-11-17 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111950503B (zh) | 航空瞬变电磁数据处理方法、装置及计算设备 | |
| US11016214B2 (en) | Dolomite reservoir prediction method and system based on well and seismic combination, and storage medium | |
| Dong et al. | Denoising the optical fiber seismic data by using convolutional adversarial network based on loss balance | |
| Wu et al. | Removal of multisource noise in airborne electromagnetic data based on deep learning | |
| CN112308008B (zh) | 基于迁移学习的工作模式开集的雷达辐射源个体识别方法 | |
| CN110308484A (zh) | 一种基于深度学习智能筛选初至的层析反演方法及系统 | |
| CN111948711B (zh) | 一种利用深度学习法提取地震数据低频部分的方法和系统 | |
| Si et al. | Attenuation of random noise using denoising convolutional neural networks | |
| Li et al. | IncepTCN: A new deep temporal convolutional network combined with dictionary learning for strong cultural noise elimination of controlled-source electromagnetic data | |
| He et al. | PickCapsNet: Capsule network for automatic P-wave arrival picking | |
| CN108897042A (zh) | 有机质含量地震预测方法及装置 | |
| CN116484177B (zh) | 一种用于飞行平台电磁探测的运动诱导噪声预测消除方法 | |
| CN104143115A (zh) | 地质雷达技术实现土壤含水性分类识别的技术方法 | |
| CN111894563B (zh) | 潜山段中裂缝型储层的分类确定方法及系统 | |
| US11965998B2 (en) | Training a machine learning system using hard and soft constraints | |
| CN112578439B (zh) | 一种基于空间约束的地震反演方法 | |
| CN114706128A (zh) | 一种微地震资料噪声压制方法及系统、存储介质和地震信息处理设备 | |
| CN110471105A (zh) | 一种层位约束下基于地震解析道的相干增强断层识别方法 | |
| Xia et al. | Application of semi-airborne frequency domain electromagnetic data based on improved ant-colony-optimized wavelet threshold denoising method | |
| US20240103036A1 (en) | Embedded artificial intelligence augmented sensors | |
| CN104280766A (zh) | 一种利用局部数据同相轴斜率的直接偏移方法 | |
| Zhao et al. | Different training sample selection strategies in unsupervised seismic facies analysis | |
| CN113012049B (zh) | 一种基于gan网络的遥感数据隐私保护方法 | |
| Ren et al. | BTRPP: A Rapid PGA Prediction Model Based on Machine Learning | |
| CN116990772B (zh) | 基于多尺度卷积网络的探地雷达双参数实时反演方法 |
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 |