CN112666617B - 一种时频域全卷积神经网络电磁噪声消除方法 - Google Patents
一种时频域全卷积神经网络电磁噪声消除方法 Download PDFInfo
- Publication number
- CN112666617B CN112666617B CN202011437208.1A CN202011437208A CN112666617B CN 112666617 B CN112666617 B CN 112666617B CN 202011437208 A CN202011437208 A CN 202011437208A CN 112666617 B CN112666617 B CN 112666617B
- Authority
- CN
- China
- Prior art keywords
- time
- noise
- electromagnetic data
- electromagnetic
- data
- 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
- 238000000034 method Methods 0.000 title claims abstract description 28
- 238000013528 artificial neural network Methods 0.000 title claims abstract description 14
- 230000008030 elimination Effects 0.000 title claims abstract description 14
- 238000003379 elimination reaction Methods 0.000 title claims abstract description 14
- 238000001228 spectrum Methods 0.000 claims description 44
- 238000005070 sampling Methods 0.000 claims description 6
- 238000012549 training Methods 0.000 claims description 3
- 230000001052 transient effect Effects 0.000 abstract description 14
- 238000013527 convolutional neural network Methods 0.000 abstract description 3
- 230000009466 transformation Effects 0.000 abstract description 3
- 238000002474 experimental method Methods 0.000 abstract description 2
- 238000012545 processing Methods 0.000 abstract description 2
- 230000001131 transforming effect Effects 0.000 abstract 1
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 238000001514 detection method Methods 0.000 description 3
- 230000001629 suppression Effects 0.000 description 3
- 238000005457 optimization Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 239000003245 coal Substances 0.000 description 1
- 239000004020 conductor Substances 0.000 description 1
- 230000005674 electromagnetic induction Effects 0.000 description 1
- 239000002360 explosive Substances 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 230000002068 genetic effect Effects 0.000 description 1
- 229910052500 inorganic mineral Inorganic materials 0.000 description 1
- 230000009545 invasion Effects 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 239000011707 mineral Substances 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
Landscapes
- Noise Elimination (AREA)
Abstract
本发明为一种时频域全卷积神经网络电磁噪声消除方法,属于瞬变电磁数据处理领域,为一种瞬变电磁数据高斯噪声消除方法。该方法包括:首先产生M组无噪声和M组含高斯噪声电磁数据,并分别变换至时频域基于卷积神经网络进行训练,得到含随机噪声的电磁数据与无噪电磁信号时频域的最佳网络NET。对于采集到的任意一组瞬变电磁数据,将其变换至时频域并经过最佳网络NET,即实现噪声的消除。最后,通过短时傅里叶逆变换,即得到噪声消除后的时域瞬变电磁信号。经试验,本方法能够有效的消除高斯噪声,且不损失电磁信号。
Description
技术领域
本发明属于瞬变电磁数据处理领域,具体来讲为一种时频域全卷积神经网络电磁噪声消除方法。
背景技术
瞬变电磁法是一种基于电磁感应原理的地球物理探测方法,因为其具有对低阻导体敏感和非入侵的优点,被广泛应用于矿产煤炭和油气勘查、地质填图、未爆炸物探测等领域。对于电磁数据中存在的大量高斯噪声,目前应用十分广泛的传统方法是增加采集次数,通过多次叠加来减小数据中的噪声,但是叠加N次,数据的信噪比提高倍且存在极限。因此,研究电磁数据中高斯噪声的消除具有重要意义。
CN111308561A公开了一种可控源电磁信号强噪声去除方法,该方法通过设置两套频率发射表,进行两次信号发射并采集相应的信号的方式,建立起包含两个未知数的两个方程,从而可得到真实的有效场值以及环境平稳噪声,实现了可控源电磁信号噪声去除。但是该方法不适用于瞬变电磁数据。
CN111679332A公开了一种基于小波阈值与贝叶斯联合优化的瞬变电磁噪声抑制方法,该方法采集多组信号和1组噪声数据,对多组信号分别利用贝叶斯优化算法获得最优噪声相位,截取最优匹配噪声,进而实现噪声的压制。该方法可以通过较少的叠加次数提高数据的信噪比。
CN110865414A公开了一种用于城市地下空间探测的瞬变电磁噪声抑制方法。该方法采集1组纯噪声和多组耦合数据,采用遗传算法搜索最优噪声特征域,并将耦合信号与噪声相减,实现耦合数据的噪声消除。该方法可以通过较少的叠加次数提高数据的信噪比,且计算速度有所提高。
发明内容
本发明所要解决的技术问题在于提供一种时频域全卷积神经网络电磁噪声消除方法,旨在基于瞬变电磁数据的时频域特征,通过结合全卷积神经网络,实现瞬变电磁噪声的消除,该方法无需多次采集电磁信号,对提高瞬变电磁工作效率和提高数据质量具有重要的意义。
本发明是这样实现的,
一种时频域全卷积神经网络电磁噪声消除方法,该方法包括,
步骤1,随机产生M组不包含噪声的电磁数据,随机产生M组高斯噪声,对应加入不包含噪声的电磁数据,计算包含噪声数据的时频谱;
步骤2,计算不含噪声的电磁数据的时频谱;
步骤3,将包含噪声的时频谱作为输入,不包含噪声的时频谱的作为输出,基于全卷积神经网络框架,训练得到包含随机噪声的电磁数据与无噪电磁信号时频域的最佳网络NET;
步骤4,将采集得到的一组时间域电磁数据经过短时傅里叶变换得到时频谱;
步骤5,将步骤4得到的电磁数据的时频谱作为输入,利用步骤3得到的最佳网络NET,得到消澡后的电磁数据的时频谱。
步骤6,对步骤5得到的时频谱进行短时傅里叶逆变换,即得到消噪后的时间域电磁数据。
进一步地,步骤1具体的包括:随机产生M组大地模型,M≥10000,利用电磁正演公式,采样频率为1000Hz,得到M组不包含噪声的电磁数据,记为VF1(t),VF2(t),……,VFM(t),其中t为采样时间,利用公式(1),分别对M组电磁数据进行短时傅里叶变换,得到M个时频谱GF1(ω,τ),GF2(ω,τ),……,GFM(ω,τ),每个时频谱的维度均为P×Q;
随机产生M组高斯噪声,对应加入不包含噪声的电磁数据VF1(t),VF2(t),……,VFM(t)中,得到M组包含噪声的电磁数据记为VN1(t),VN2(t),……,VNM(t),并利用公式(1)对其进行短时傅里叶变换,得到M个时频谱GN1(ω,τ),GN2(ω,τ),……GNM(ω,τ);
其中g(τ)为窗函数,ω为角频率。
进一步地,步骤3,将包含噪声的时频谱数据GF1(ω,τ),GF2(ω,τ),……,GFM(ω,τ)的第(1+K)列~第(10+K)列作为输入,不包含噪声的时频谱数据GF1(ω,τ),GF2(ω,τ),……,GFM(ω,τ)的第(K+10)列作为输出,基于全卷积神经网络框架,训练得到包含随机噪声的电磁数据与无噪电磁信号时频域的最佳网络NET,其中K为0到(Q-10)之间的正整数。
进一步地,步骤4中将采集得到的一组时间域电磁数据记为V(t),利用公式(1)对V(t)进行短时傅里叶变换,得到电磁数据的时频谱,记为G(ω,τ)。
进一步地,步骤5具体包括:将步骤4得到的电磁数据时频谱G(ω,τ)的(1+K)列~第(10+K)列作为输入,其中K为1到(Q-10)间的正整数,利用步骤3得到的时频域最佳网络NET,依次得到第(K+10)列输出,即得到消澡后的电磁数据的时频谱
进一步地,利用公式(2),对步骤5得到的进行短时傅里叶逆变换,即得到消噪后的时间域电磁数据/>
本发明具有如下的优点及有益效果:与传统的瞬变电磁噪声消除方法相比,时频域全卷积神经网络电磁噪声消除方法在野外实验时只需要采集一组瞬变电磁数据,无需多次采集数据,大大提高了工作效率。此外,本方法中的网络只需训练一次,即适用于任意情况的瞬变电磁数据。
附图说明
图1为时频域全卷积神经网络电磁噪声消除方法的流程图;
图2为包含噪声的电磁数据的时频谱;
图3利用时频域全卷积网络消除噪声后的电磁数据的时频谱;
图4消除噪声后的电磁数据(抽道后)。
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用以解释本发明,并不用于限定本发明。
参见图1所示,一种时频域全卷积神经网络电磁噪声消除方法,包括:
首先随机产生M组大地模型,M≥10000,利用电磁正演公式,采样频率为10kHz,得到M组不包含噪声的电磁数据,记为VF1(t),VF2(t),……,VFM(t)。其中t为采样时间。在本实施例中设定M=10000。利用公式(1),分别对M组电磁数据进行短时傅里叶变换,得到M个时频谱GF1(ω,τ),GF2(ω,τ),……,GFM(ω,τ),每个时频谱的维度为P×Q。
随机产生M组高斯噪声,对应加入不包含噪声的电磁数据VF1(t),VF2(t),……,VFM(t)中,得到M组包含噪声的电磁数据记为VN1(t),VN2(t),……,VNM(t),并利用公式(1)对其进行短时傅里叶变换,得到M个时频谱GN1(ω,τ),GN2(ω,τ),……GNM(ω,τ)。
将包含噪声的时频谱数据GF1(ω,τ),GF2(ω,τ),……,GFM(ω,τ)的第(1+K)列~第(10+K)列作为输入,不包含噪声的时频谱数据GF1(ω,τ),GF2(ω,τ),……,GFM(ω,τ)的第(K+10)列作为输出,基于全卷积神经网络框架,训练得到包含随机噪声的电磁数据与无噪电磁信号时频域的最佳网络NET。其中K为0到(Q-10)之间的正整数,即本实施例中K为0到19990间的正整数。
其中g(τ)为窗函数,ω为角频率。
将采集得到的一组时间域电磁数据记为V(t),利用公式(1)对V(t)进行短时傅里叶变换,得到电磁数据的时频谱,如图2所示,记为G(ω,τ),图2时频谱杂乱无章,即数据中存在大量噪声。
分别将得到的电磁数据时频谱G(ω,τ)的(1+K)列~第(10+K)列作为输入,其中K为1到(Q-10)间的正整数,利用时频域最佳网络NET,依次得到第(K+10)列输出,即得到消澡后的电磁数据的时频谱如图3所示。
利用公式(2),对进行短时傅里叶逆变换,即得到消噪后的时间域电磁数据/>经过抽道后,电磁数据如图4所示,本实施例中抽道数为14。由图4可以看出,衰减曲线光滑,即噪声得到了很好的抑制。公式(2)如下:
Claims (2)
1.一种时频域全卷积神经网络电磁噪声消除方法,其特征在于,该方法包括,
步骤1,随机产生M组不包含噪声的电磁数据,随机产生M组高斯噪声,对应加入不包含噪声的电磁数据,计算包含噪声数据的时频谱;
步骤2,计算不含噪声的电磁数据的时频谱;
步骤3,将包含噪声的时频谱作为输入,不包含噪声的时频谱的作为输出,基于全卷积神经网络框架,训练得到包含随机噪声的电磁数据与无噪电磁信号时频域的最佳网络NET;
步骤4,将采集得到的一组时间域电磁数据经过短时傅里叶变换得到时频谱;
步骤5,将步骤4得到的电磁数据的时频谱作为输入,利用步骤3得到的最佳网络NET,得到消澡后的电磁数据的时频谱;
步骤6,对步骤5得到的时频谱进行短时傅里叶逆变换,得到消噪后的时间域电磁数据;
步骤1具体的包括:随机产生M组大地模型,M≥10000,利用电磁正演公式,采样频率为1000Hz,得到M组不包含噪声的电磁数据,记为VF1(t),VF2(t),……,VFM(t),其中t为采样时间,利用公式(1),分别对M组电磁数据进行短时傅里叶变换,得到M个时频谱GF1(ω,τ),GF2(ω,τ),……,GFM(ω,τ),每个时频谱的维度均为P×Q;
随机产生M组高斯噪声,对应加入不包含噪声的电磁数据
VF1(t),VF2(t),……,VFM(t)中,得到M组包含噪声的电磁数据记为VN1(t),VN2(t),……,VNM(t),并利用公式(1)对其进行短时傅里叶变换,得到M个时频谱GN1(ω,τ),GN2(ω,τ),……GNM(ω,τ);
其中g(τ)为窗函数,ω为角频率;
步骤3,将包含噪声的时频谱数据
GF1(ω,τ),GF2(ω,τ),……,GFM(ω,τ)的第(1+K)列~第(10+K)列作为输入,不包含噪声的时频谱数据GF1(ω,τ),GF2(ω,τ),……,GFM(ω,τ)的第(K+10)列作为输出,基于全卷积神经网络框架,训练得到包含随机噪声的电磁数据与无噪电磁信号时频域的最佳网络NET,其中K为0到(Q-10)之间的正整数;
步骤4中将采集得到的一组时间域电磁数据记为V(t),利用公式(1)对V(t)进行短时傅里叶变换,得到电磁数据的时频谱,记为G(ω,τ);
步骤5具体包括:将步骤4得到的电磁数据时频谱G(ω,τ)的(1+K)列~第(10+K)列作为输入,其中K为1到(Q-10)间的正整数,利用步骤3得到的时频域最佳网络NET,依次得到第(K+10)列输出,即得到消澡后的电磁数据的时频谱
2.按照权利要求1所述的方法,其特征在于,利用公式(2),对步骤5得到的进行短时傅里叶逆变换,即得到消噪后的时间域电磁数据/>
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011437208.1A CN112666617B (zh) | 2020-12-11 | 2020-12-11 | 一种时频域全卷积神经网络电磁噪声消除方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011437208.1A CN112666617B (zh) | 2020-12-11 | 2020-12-11 | 一种时频域全卷积神经网络电磁噪声消除方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112666617A CN112666617A (zh) | 2021-04-16 |
CN112666617B true CN112666617B (zh) | 2024-04-12 |
Family
ID=75401916
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011437208.1A Active CN112666617B (zh) | 2020-12-11 | 2020-12-11 | 一种时频域全卷积神经网络电磁噪声消除方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112666617B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114882901A (zh) * | 2022-04-26 | 2022-08-09 | 同济大学 | 一种基于频域卷积和边际谱反馈的虾类声信号时频特征提取方法 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP1585112A1 (en) * | 2004-03-30 | 2005-10-12 | Dialog Semiconductor GmbH | Delay free noise suppression |
CN110865414A (zh) * | 2019-11-01 | 2020-03-06 | 吉林大学 | 一种用于城市地下空间探测的瞬变电磁噪声抑制方法 |
CN110879980A (zh) * | 2019-11-13 | 2020-03-13 | 厦门大学 | 基于神经网络算法的核磁共振波谱去噪方法 |
CN111081268A (zh) * | 2019-12-18 | 2020-04-28 | 浙江大学 | 一种相位相关的共享深度卷积神经网络语音增强方法 |
CN111399065A (zh) * | 2020-03-17 | 2020-07-10 | 中研地科(天津)科技发展有限公司 | 抗干扰大地电磁测量方法及装置 |
CN111614584A (zh) * | 2020-05-20 | 2020-09-01 | 西安电子科技大学 | 基于神经网络的变换域自适应滤波信道估计方法 |
CN111860273A (zh) * | 2020-07-14 | 2020-10-30 | 吉林大学 | 基于卷积神经网络的磁共振地下水探测噪声抑制方法 |
CN111983705A (zh) * | 2020-09-30 | 2020-11-24 | 吉林大学 | 基于神经网络的地空时间域电磁系统噪声抑制方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US10877178B2 (en) * | 2019-05-03 | 2020-12-29 | Institute Of Geology And Geophysics, Chinese Academy Of Sciences | Method for suppressing airborne transient electromagnetic in-band vibration noise |
-
2020
- 2020-12-11 CN CN202011437208.1A patent/CN112666617B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP1585112A1 (en) * | 2004-03-30 | 2005-10-12 | Dialog Semiconductor GmbH | Delay free noise suppression |
CN110865414A (zh) * | 2019-11-01 | 2020-03-06 | 吉林大学 | 一种用于城市地下空间探测的瞬变电磁噪声抑制方法 |
CN110879980A (zh) * | 2019-11-13 | 2020-03-13 | 厦门大学 | 基于神经网络算法的核磁共振波谱去噪方法 |
CN111081268A (zh) * | 2019-12-18 | 2020-04-28 | 浙江大学 | 一种相位相关的共享深度卷积神经网络语音增强方法 |
CN111399065A (zh) * | 2020-03-17 | 2020-07-10 | 中研地科(天津)科技发展有限公司 | 抗干扰大地电磁测量方法及装置 |
CN111614584A (zh) * | 2020-05-20 | 2020-09-01 | 西安电子科技大学 | 基于神经网络的变换域自适应滤波信道估计方法 |
CN111860273A (zh) * | 2020-07-14 | 2020-10-30 | 吉林大学 | 基于卷积神经网络的磁共振地下水探测噪声抑制方法 |
CN111983705A (zh) * | 2020-09-30 | 2020-11-24 | 吉林大学 | 基于神经网络的地空时间域电磁系统噪声抑制方法 |
Non-Patent Citations (2)
Title |
---|
地面瞬变电磁法(TEM)研究进展;欧阳立胜;;四川地震(第04期);全文 * |
瞬变电磁勘探中的人工神经网络反演法;李创社,张彦鹏,李实,张立新;西安交通大学学报(第06期);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN112666617A (zh) | 2021-04-16 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Pinnegar et al. | Application of the S transform to prestack noise attenuation filtering | |
CN103543469B (zh) | 一种基于小波变换的小尺度阈值去噪方法 | |
Ma et al. | Deep residual encoder–decoder networks for desert seismic noise suppression | |
Sun et al. | Cross-correlation analysis and time delay estimation of a homologous micro-seismic signal based on the Hilbert–Huang transform | |
CN109031422A (zh) | 一种基于CEEMDAN与Savitzky-Golay滤波的地震信号噪声抑制方法 | |
CN106405645B (zh) | 一种基于资料品质分析的信噪比可控的地震拓频处理方法 | |
CN103645507A (zh) | 地震记录的处理方法 | |
CN107179550B (zh) | 一种数据驱动的地震信号零相位反褶积方法 | |
CN102053273A (zh) | 一种对地震波信号进行反q滤波的方法 | |
CN112666617B (zh) | 一种时频域全卷积神经网络电磁噪声消除方法 | |
CN113310684B (zh) | 基于尺度空间和改进稀疏表示的齿轮箱故障特征提取方法 | |
CN110261910A (zh) | 基于自适应稀疏s变换的地震数据面波去除方法 | |
CN105182418A (zh) | 一种基于双树复小波域的地震信号降噪方法及系统 | |
CN104730576A (zh) | 基于Curvelet变换的地震信号去噪方法 | |
CN104280776A (zh) | 一种自适应小波阈值求取方法 | |
CN105319593A (zh) | 基于曲波变换和奇异值分解的联合去噪方法 | |
CN104422956B (zh) | 一种基于稀疏脉冲反演的高精度地震谱分解方法 | |
CN109581481B (zh) | 一种便携式高频可控震源地震信号谐波干扰消除方法 | |
Zhao et al. | Background noise suppression for DAS-VSP records using GC-AB-unet | |
CN111650655B (zh) | 一种非负矩阵分解的有监督瞬变电磁信号降噪方法 | |
CN117574062A (zh) | 基于vmd-dnn模型的小回线瞬变电磁信号去噪方法 | |
CN105700019B (zh) | 一种基于Born‑Jordan时频分布的地震信号时频峰值滤波方法 | |
Karsli et al. | Ground-roll attenuation based on Wiener filtering and benefits of time-frequency imaging | |
CN104122583A (zh) | 一种拓宽地震数据频谱的方法和装置 | |
CN109085649B (zh) | 一种基于小波变换优化的地震资料去噪方法 |
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 |