CN113158553A - 一种基于cnn-lstm的大地电磁信号噪声压制方法及系统 - Google Patents

Abstract

本发明公开了一种基于CNN‑LSTM的大地电磁信号噪声压制方法及系统，该方法包括：构建大地电磁信号的噪声样本库和纯净信号样本库；利用样本信号训练卷积神经网络(CNN)得到CNN信噪辨识模型；将实测大地电磁信号输入至CNN信噪辨识模型识别出干扰数据段和无干扰数据段；再利用无干扰数据段训练长短时记忆神经网络(LSTM)得到LSTM预测模型；选取干扰数据段的相邻无干扰数据段，并输入至LSTM预测模型进行循环预测得到预测数据；最后将预测数据与无干扰数据段进行数据重构得到去噪后的大地电磁信号。本发明可以辨识出干扰数据和无干扰数据，有效避免有用信息丢失，同时使用LSTM模型预测能够压制大尺度噪声干扰。

Description

一种基于CNN-LSTM的大地电磁信号噪声压制方法及系统

技术领域

本发明属于大地电磁数据处理技术领域，具体涉及一种基于CNN-LSTM的大地电磁信号噪声压制方法及系统。

背景技术

随着科技日益进步，人们对资源的需求也逐步增加，寻找地下深部矿物和资源是解决这一需求的重要途径。大地电磁法(Magnetotelluric，MT)是苏联学者Tikhon和法国学者Cagiard 在50年代初提出利用天然交变电磁场研究地球电性结构的一种地球物理勘探方法。MT由于其成本低、施工简单、分辨率高等优点得到了广泛应用，但天然大地电磁场信号微弱且频带宽，极易受到各类噪声的影响。矿集区蕴含的矿物资源丰富，附近产生的噪声来源众多，给数据采集带来巨大困难。为此，在矿集区采集到的MT数据往往伴随着十分复杂且能量极强的噪声，有用信息几乎被完全湮灭，数据无法直接解释和分析。

近年来，新兴的现代信号处理技术，如Hilbert-Huang变换、信息熵与有理函数滤波、数学形态滤波、信号子空间增强、小波变换及综合算法、信噪辨识与递归分析、稀疏分解等均被应用至该领域，试图从不同程度污染的大地电磁数据中获取真实的电性结构，一定程度上提升了大地电磁数据质量；其研究成果逐步加深了对大地电磁信号和噪声的认识，推动了强电磁干扰环境下大地电磁处理技术的发展。然而，现有技术主要是以整体处理方式进行噪声压制，具有盲目性，导致强干扰被剔除的同时也滤除了一些有用的缓变化信息，过多地去除了本不是噪声的信号，导致处理后的大地电磁信号数据质量下降，严重影响大地电磁数据的可靠性和可解释性。随着大数据时代的来临，使用深度学习算法处理大数据成为一种时代趋势，同时使用深度学习对大数据进行分析相比传统数据分析方法在可靠性、时效性等方面都具有独特优势。

因此，如何利用深度学习算法对信号中的干扰段和无干扰段进行识别，实现大地电磁信号和强干扰的有效分离是本发明亟需研究的，进而克服现有噪声压制技术中所存在有用信息过处理的问题。

发明内容

本发明的目的是针对利用传统大地电磁去噪方法进行噪声压制所存在有用信息过处理的技术问题，提供一种基于CNN-LSTM的大地电磁信号噪声压制方法及系统，其中，使用CNN 信噪辨识模型对大地电磁数据预处理，辨识得到干扰数据和无干扰数据能够有效避免有用信息丢失，同时使用LSTM模型预测有用数据能够有效压制大尺度噪声干扰。

一方面，本发明提供一种基于CNN-LSTM的大地电磁信号噪声压制方法，包括如下步骤：

S1：构建大地电磁信号的噪声样本库和纯净信号样本库；

S2：利用噪声样本和纯净信号样本训练卷积神经网络(CNN)得到CNN信噪辨识模型；

其中，所述CNN信噪辨识模型用于鉴别信号段为干扰数据段还是无干扰数据段；

S3：将待辨识的实测大地电磁信号输入至所述CNN信噪辨识模型识别出干扰数据段和无干扰数据段；

S4：利用CNN信噪辨识模型辨识出的所述实测大地电磁信号中的无干扰数据段训练长短时记忆神经网络(LSTM)得到LSTM预测模型；

S5：再选取所述实测大地电磁信号中各个干扰数据段的相邻无干扰数据段，并分别输入至所述LSTM预测模型进行预测得到与对应干扰数据段长度相同的预测数据；

S6：将所述预测数据与所述无干扰数据段进行数据重构得到去噪后的大地电磁信号。

通过对矿集区采集的大量测点数据进行分析可知，大尺度噪声形状大致可分为：脉冲噪声、类充放电三角波噪声、类方波噪声等。在采集的大地电磁数据中，大尺度噪声干扰数据段相比无噪声数据段在形状和幅值都有极大的形态特征区别，且通过神经网络可学习到相邻无干扰数据之间的数据特征。为此，在处理MT带噪数据时，可以先对数据进行信噪辨识，从而减少数据在处理时有用信息被过处理，再利用无干扰数据对干扰数据部分进行预测，使得预测得到的数据能最大程度地接近真实无噪声数据。

因此，本发明针对实测大地电磁信号中典型大尺度干扰的幅值和形态特征，采用信噪辨识和干扰预测相结合的方式进行去噪处理，先训练CNN辨识模型使得模型能够实现信噪辨识，保留更多的有用信息；然后基于LSTM学习到相邻大地电磁无干扰数据段之间的特征，将辨识为干扰数据段前的无干扰数据段输入至LSTM模型，并将模型预测到的数据与此干扰数据进行替换以达到压制噪声干扰的目的，应当也理解，不局限于是干扰数据段前的无干扰数据段，其后的无干扰数据段也能实现该技术。通过对大地电磁信号进行分步处理不仅能减少有用信息的丢失，而且有效地去除了大地电磁信号中的大尺度强干扰。

可选地，所述LSTM预测模型的训练过程如下：

S41：将实测大地电磁信号中辨识出的无干扰数据段作为样本数据，设其中一个样本V 表示为：V＝[v₁,v₂,...,v_m]，v_m表示所述样本V中的第m个数据；

S42：将每个样本进行分段处理得到训练输入数据和训练输出数据；

其中，所述样本V进行分段处理得到数据V′和V″，k为分段比例：

V′＝[v₁,v₂,...,v_(km)]

V″＝[v_(km+1),v_(km+2),...,v_m]

式中，v_(km+1)表示所述样本V中的第(km+1)个元素；

S43：设置网络训练中输入输出数据之间的对应关系：

将第一组网络训练输入输出关系设置为：V′₁＝[v₁,v₂,...,v_(km-1)]作为训练输入，对应 V′₂＝[v₂,v₃,...,v_(km)]作为训练输出；第二组网络训练输入输出关系为：V′₂＝[v₂,v₃,...,v_(km)]作为训练输入，对应V′₃＝[v₃,v₄,...,v_(km+1)]作为训练输出；按照以上规则依次向后移动一个时间步设置训练输入数据与输出数据，并得到最后一组训练输入为V′_(m(1-k)+1)＝[v_(m(1-k)+1),v_(m(1-k)+2),...,v_(m-1)]，训练输出为V′_(m(1-k)+2)＝[v_(m(1-k)+2),v_(m(1-k)+3),...,v_m]；

其中，虽然仅对单个无干扰样本划分成训练输入数据和输出数据进行训练，实际是将所有样本进行划分输入至网络训练得到预测模型；

S44：定义LSTM网络架构并按照步骤S43设置的输入输出数据之间的对应关系进行学习得到预测模型；

其中，基于上述训练关系，LSTM网络能够学习到样本序列中每一时间步之间的特征关系。

其中，基于每一次训练输入得到的预测输出通过与真实的训练输出进行比对，从而对网络参数进行训练以及更新。譬如，以真实值和预测值的均方根误差为标准对网络参数进行更新，均方差误差的公式如下：

式中，ω为预测序列长度，

为预测序列Pre的第t个数据，

为真实序列Val的第t个数据。

步骤S44是在网络训练过程中对预测输出数据与实际训练输出数据进行对比，从而降低模型预测误差；由于LSTM网络具有记忆功能，当对每个新序列数据进行预测时，首先需要调用网络初始化函数初始化网络状态，防止先前预测值对当前预测产生影响，再使用预测更新函数对新序列输入进行第一次预测，达到更新网络状态的目的，再进行循环预测。其中，初始化网络状态而非初始化网络参数。

进一步优选，步骤S5中LSTM模型预测干扰数据的过程均执行如下步骤：

S51：设通过CNN信噪模型辨识获取的噪声干扰数据为F＝[f₁,f₂,...,f_h]，其中h为此干扰数据长度也为单个样本数据长度，f_h表示干扰数据的第h个元素，获取该干扰数据段之前的无干扰数据段E＝[ε₁,ε₂,...,ε_z]，z为该数据段长度，ε_z表示该段数据的第z个元素。

S52：首先使用初始化函数初始化模型状态，再将该数据段E的前(z-1)位数即 E′＝[ε₁,ε₂,...,ε_z-1]输入至LSTM模型进行第一次预测得到序列

其中

表示第1次预测输出的第z-1个值，保留

并将序列

作为第二次预测的输入，并得到第二次预测输出

继续保留

并按照上述预测输入方法循环预测，每次保留预测数据的最后一位至保留数据达到h个数值，即得到最终预测序列

用于替换上述干扰数据F；预测去噪过程可理解为原始含噪数据[E,F]＝[ε₁,ε₂,...,ε_z,f₁,f₂,...,f_h]经过模型预测后变为去噪数据

其中ε_z、f_h、

分别表示无干扰数据、干扰数据、预测数据中的元素，即通过已知数据段E和F使用LSTM模型预测出数据Pre并替换F。

可选地，步骤S44中进行网络训练之前还包括：对所述样本数据V进行标准化处理；

其中，标准化公式如下：

式中，X_i为标准化处理之前样本数据V中的第i个元素，

为标准化处理之前样本数据 V的均值，N为标准化处理之前的样本数据V的长度，V_i为标准化处理之后的样本数据。

上述标准化处理可以加快网络的收敛速度和获得较好的拟合效果。

可选地，步骤S2中所述卷积神经网络包括输入层、3层卷积层以及全连接层，且所述3 层卷积层中的卷积核大小和神经元数目依次递减。

本发明改进了卷积神经网络，其并未使用池化层，原因在于池化层虽然可以减少特征数据的冗余、提高网络运行速率，但池化层的采样操作将导致部分数据特征丢失，继而无法利用特征对数据准确分类。每层卷积层中卷积核的大小和神经元数量不固定可以使得网络能够提取更复杂的数据特征、提高数据分类的准确度。另外，卷积核的大小和神经元数目梯度减少是由于数据经过每一层卷积层操作后得到的特征矩阵尺寸也会变小，按照梯度减少设置能够提高网络运行速率。

通过大量实验得出，3层卷积层中的卷积核大小分别为1×3、1×2、1×1，在神经元数目分别为100、50、20的网络配置下，大地电磁信号的信噪辨识效果最佳。

可选地，所述卷积神经网络的训练参数选取如下：最大迭代次数为400，学习率衰落因子为0.2，学习率衰落周期为5，验证周期为6，激活函数为ReLU。

以上参数选取通过大量实验得出，且效果最佳。

可选地，步骤S2中利用噪声样本和纯净信号样本训练卷积神经网络得到CNN信噪辨识模型的过程如下：

S21：将所述噪声样本库和纯净信号样本库的样本转换为宽度和长度统一的样本。具体包括如下内容：

A：提取的实测噪声数据段具有不同幅值和不同宽度，由于CNN信噪辨识模型训练采用相同数据长度的噪声样本和纯净信号样本，则需要将不同宽度的样本先进行规范化处理；

B：设原始选取的噪声数据段为U＝[μ₁,μ₂,...,μ_d-1,μ_d]，其中，d表示该数据段长度，μ_d表示数据中第d个元素，使用采样的思想将长度为d的数据转化为长度统一为h的噪声样本数据，设该噪声样本为U′＝[λ₁,λ₂,...,λ_h-1,λ_h]，λ_h为噪声样本数据中第h个元素，转化步骤如下：

λ₁＝μ₁，λ_h＝μ_d

式中，λ₁和λ_h分别表示样本数据U′的首位元素和末尾元素，μ₁和μ_d分别表示原始数据 U的首位元素和末尾元素，即保留原始数据的首位和末尾；

k＝(d-1)/(h-1)

式中，k为采样间隔，若实际中k不为整数，按照四舍五入取整；则原始噪声数据U转化成噪声样本U′如下：

[λ₁,λ₂,λ₃,...,λ_h-1,λ_h]＝[μ₁,μ_(1+k),μ_(1+2k),...,μ_(1+(h-2)k),μ_d]

式中，μ_(1+(h-2)k)表示U中的第(1+(h-2)k)个元素。

C：从实测大地电磁数据中提取的噪声数据按照上述B方法皆转化为具有相同长度h的规范噪声样本；无噪声干扰数据无需采样处理，直接按照长度h均匀分段构成纯净信号样本。

S22：针对纯净信号样本和噪声样本添加分类标签并输入至卷积神经网络进行训练；

S23：输入样本至卷积层进行特征提取，输入数据矩阵I如下：

式中，I矩阵每一行表示一个样本信号，

表示第n个样本中的第h个元素；

卷积神经网络采用一维卷积核C如下：

C＝[c₁,c₂,...,c_j]

式中，j为卷积核长度，c为卷积核元素，c_j为卷积核中第j个卷积元素；输入的样本经过卷积运算得到特征矩阵T如下：

T＝I*C

式中，n为特征向量个数，

为第n个样本特征向量的第(h-j+1)个元素；

其中，输入数据经过第一层卷积层之后得到特征矩阵T，再将特征矩阵T作为输入数据输入至下一卷积层，循环操作经过设置的所有卷积层之后得到特征矩阵P；

S27：特征矩阵P输入至全连接层进行分类输出，并采用损失函数用于判断训练模型真实值与预测值的差距，以所述差距为依据进行网络模型训练参数的优化。

譬如，选取交叉熵损失函数Y(α，β)，如下所示：

式中，α(x)为期望输出，β(x)为实际输出，当交叉熵函数值越小，训练样本输出判别结果与样本真实结果越接近，模型训练就越成功，根据以上步骤训练得到CNN信噪辨识模型。

通过实验对比得出将样本信号长度h设为15辨识效果较好，同时选取纯净信号样本数量为20000个，各类噪声样本总计47000个，从所有样本中从中随机抽取7000个样本作为测试集，其余60000个样本作为训练集。

可选地，步骤S1中构造噪声样本库和纯净信号样本库的过程均执行如下步骤：

S11：选取受噪声干扰的大地电磁测点，观察大地电磁测点所受噪声干扰类型，并人为提取典型噪声干扰数据，再调整其参数如幅值和宽度构建噪声样本；以及人为构建不同幅值的模拟噪声干扰加入噪声样本库；

S12：人为提取明显未受噪声干扰的大地电磁数据，并将其均匀分段作为纯净信号样本；以及人为加入高斯白噪声作为模拟的纯净信号样本。

本发明从大地电磁实测点中提取典型大尺度干扰数据和无干扰数据构建样本库信号，并改变单个样本幅值等参数和人为添加模拟噪声以增加样本库的多样性。在噪声样本种类和数量足够多的前提下训练CNN辨识模型，使得模型在面对实测数据中更为复杂的噪声干扰情况下利用其泛化能力准确辨识。

其中，典型噪声干扰类型如类充放电三角波噪声、脉冲噪声、阶跃噪声。利用上述丰富的样本可以防止模型出现过拟合现象。

可选地，所述LSTM预测模型的网络架构由序列输入层、LSTM层、全连接层和回归层构成，所述序列输入层指定输入数据维度为50，LSTM层的隐含单元个数为200，所述全连接层特征维数为50，譬如训练参数设置如下：求解器设置为adam，最大迭代次数为700，为了防止梯度爆炸，梯度阈值设置为1，初始学习率为0.5，在300轮训练后乘以学习率下降因子0.5来降低学习率。

第二方面，本发明还提供一种基于上述一种基于CNN-LSTM的大地电磁信号噪声压制方法的系统，包括如下：

样本库构建模块：用于构建大地电磁信号的噪声样本库和纯净信号样本库；

CNN信噪辨识模型构建模块：用于利用噪声样本和纯净信号样本训练卷积神经网络 (CNN)得到CNN信噪辨识模型；

所述CNN信噪辨识模型用于鉴别信号段为干扰数据段还是无干扰数据段；

识别模块：用于将待辨识的实测大地电磁信号输入至所述CNN信噪辨识模型识别出干扰数据段和无干扰数据段；

LSTM预测模型构建模块：利用CNN信噪辨识模型辨识出的所述实测大地电磁信号中的无干扰数据段训练长短时记忆神经网络(LSTM)得到LSTM预测模型；

所述LSTM预测模型用于基于所述无干扰数据段的相邻数据段进行预测；

预测模块：用于选取所述实测大地电磁信号中各个干扰数据段的相邻无干扰数据段，分别输入至所述LSTM预测模型进行预测得到与对应干扰数据段长度相同的预测数据；

重构模块：用于将所述预测数据与所述无干扰数据段进行数据重构得到去噪的大地电磁信号。

有益效果

本发明提供的一种基于CNN-LSTM的大地电磁信号噪声压制方法，利用样本信号训练得到CNN信噪辨识模型和LSTM预测模型。其中，使用CNN信噪辨识模型对大地电磁信号进行信噪辨识区分出干扰数据和无干扰数据，保留无干扰数据并将干扰数据进行下一步处理，使有用信息得到极大的保留，相比传统去噪方式直接对大地电磁信号进行处理会严重造成有用成分丢失。在CNN信噪辨识模型识别出噪声干扰之后，将该段干扰数据的相邻无干扰数据输入至LSTM预测模型进行数据预测，由于采用实测点中的无干扰数据训练LSTM模型能学习到相邻无干扰数据间的特征，所以能够更加准确地预测出干扰段的真实数据，并能有效压制大尺度噪声干扰。

其中，本发明所采用深度学习中的卷积神经网络对大地电磁信号进行信噪辨识和长短时记忆神经网络对无干扰数据进行预测，不仅能保留更多的有用信息和压制大尺度噪声，且运行效率较传统去噪方法有极大的提升。

附图说明

图1为本发明一种基于CNN-LSTM的大地电磁信号噪声压制方法流程图。

图2中(2.1)、(2.2)分别为从实测大地电磁数据中提取干扰数据和无干扰数据示意图。

图3中(a)、(b)分别为实测数据样本和模拟数据样本图。

图4为卷积神经网络训练效果图。

图5中(5.1)、(5.2)分别为CNN信噪辨识模型对模拟样本辨识效果和实测数据辨识效果图。

图6为长短时记忆神经网络训练效果图。

图7中(a)、(b)分别为使用模型对大地电磁无干扰序列进行预测的过程示意图和实测大地电磁无干扰序列预测效果图。

图8为使用CNN-LSTM对实测大地电磁数据去噪效果图。

图9中(a)、(b)分别为EL22212A测点原始视电阻率-相位曲线和本发明方法去噪之后的视电阻率-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，本发明提供的一种基于CNN-LSTM的大地电磁信号噪声压制方法，其主要分为CNN数据辨识和LSTM数据预测两部分，具体包括如下步骤：

步骤1：观察采集到的大地电磁数据，并从中提取出含部分典型的大尺度干扰数据和无干扰数据；

通常在某一系列大地电磁测点中，受到的噪声干扰种类大致相同，通过观察实测数据中噪声干扰的特征，提取出用于构建样本库中的样本信号，样本库信号越接近实测大地电磁信号，则训练得到CNN信噪辨识模型辨识准确度越高。其中，如图2中的(2.1)图表示从实测大地电磁数据中提取出来的典型大尺度干扰，(2.2)图表示从实测大地电磁数据中提取出来的无干扰数据。

步骤2：对步骤1中含典型的大尺度干扰数据进行规范化处理以用于样本信号构建；

设含典型大尺度噪声干扰的数据段为U＝[μ₁,μ₂,...,μ_d-1,μ_d]，其中，μ_d表示数据中第d个元素且d＞15，将U转化为长度为15的样本信号U′＝[λ₁,λ₂,...,λ₁₄,λ₁₅]，转化过程如下：

λ₁＝μ₁，λ₁₅＝μ_d

式中，λ₁和λ₁₅分别表示样本数据U′的首位元素和末尾元素，μ₁和μ_d分别表示原始数据 U的首位元素和末尾元素，即保留原始数据的首位和末尾；按照采样间隔k＝(d-1)/14对余下13位数值等间距采样，即得到样本信号数值表示如下：

[λ₁,λ₂,λ₃,...,λ₁₄,λ₁₅]＝[μ₁,μ_(1+k),μ_(1+2k),...,μ_(1+13k),μ_d]

式中，μ_(1+13k)表示U中的第(1+13k)个元素。

步骤3：人为添加模拟噪声样本和纯净信号样本；

在本发明中仅依靠从实测大地电磁数据中提取出来的噪声样本和纯净信号样本用以网络训练，在样本数量和样本种类上难以满足训练要求，样本缺少会导致信噪辨识效果不佳，泛化能力弱，因此人为构建长度为15且幅值各异的噪声样本如规则三角波、脉冲、类充放电三角波、阶跃噪声等，使用幅值与真实大地电磁纯净信号接近的高斯白噪声作为模拟纯净信号样本。

其中，如图3中(a)图表示从实测大地电磁数据中提取出来的噪声样本和纯净信号样本， (b)图表示人为构建的模拟三角波、脉冲、类充放电三角波、阶跃噪声样本和纯净信号样本，以上即为本发明样本库中的样本类型。

至此，步骤1-步骤3构建出了本发明的噪声样本库和纯净信号样本库。

步骤4：将噪声样本和纯净信号样本贴上标签并生成训练集和测试集；

通过步骤1、2、3构造出纯净信号样本20000个，噪声样本47000个，分别给纯净信号样本和噪声样本贴上标签1和标签2，将噪声样本和纯净信号样本打乱并从中随机抽取7000个样本作为测试集，余下60000个样本作为训练集。

步骤5：设置卷积神经网络的结构和参数，并将训练集和测试集输入卷积神经网络进行训练得到辨识模型；

如图4所示为使用上述样本库信号训练卷积神经网络的结果，当训练次数达到200次左右，训练集和验证集准确率均趋近于99％且损失函数值趋近于0，最终该CNN信噪辨识模型辨识精度达到99.65％。

且优选，首先对样本库中的模拟信号进行信噪辨识，再对实测数据进行信噪辨识，验证其辨识效果。如图5中(5.1)图所示，CNN信噪辨识模型对模拟信号(样本库信号)辨识效果良好，能够完全将干扰部分和无干扰部分辨识出来；如图5中(5.2)图所示，CNN信噪辨识模型对实测大地电磁信号辨识效果较好，能够准确区分具有明显强干扰部分和无干扰部分。

步骤6：将实测大地电磁数据输入至步骤5训练好的CNN辨识模型中，将辨识出的无干扰的实测数据用于LSTM预测模型进行训练。本实施例中，长短时记忆神经网络训练和预测步骤如下：

步骤6.1：使用实测数据对应的无干扰数据段作为样本，设某一样本数据为 V＝[v₁,v₂,...,v_m]，其中v_m为此样本的第m个元素；

步骤6.2：将每个样本V按照9:1进行分段处理，得到数据V′和V″如下：

V′＝[v₁,v₂,...,v_(0.9m)]

V″＝[v_(0.9m+1),v_(0.9m+2),...,v_m]

式中，v_(0.9m+1)表示原始无干扰数据V中的第(0.9m+1)个元素；

步骤6.3：将数据V′和V″进行标准化处理；

步骤6.4：将标准化之后的数据V′和V″按照步骤S43-S44设置训练输入和输出数据，并进行网络训练获得LSTM预测模型；

其中，如图6所示为使用上述数据训练长短时记忆神经网络的结果，当训练次数达到300 时损失函数值趋近于0，当训练次数到达400时，训练误差趋近于0.02。

使用模型对大地电磁无干扰序列进行预测的过程如图7中(a)图所示，设大地电磁无干扰数据段为[V₁,V₂,...,V_m]，首先，将无干扰数据段输入至LSTM模型进行第一次预测，得到 [P₁ ¹,P₂ ¹,...,P_m ¹]，其中P_m ¹表示第一次预测得到的第m位数据；由于模型单次只预测单个数据，则只保留P_m ¹。然后，将[V₂,V₃,...,V_m,P_m ¹]输入至LSTM模型进行第二次预测，得到[P₁ ²,P₂ ²,...,P_m ²]，同理只保留P_m ²。最后，按照上述预测方式进行n次循环预测并保留数据，得到最终的预测数据段[P_m ¹,P_m ²,...,P_m ⁿ]。从训练数据中随机选取一段长度为75的大地电磁无干扰数据，将其前50个数据作为模型输入，后25个数据用于检验模型预测准确度，按照上述预测方法进行循环预测得到预测结果如图7中(b)图所示，预测值和真实值之间数值接近且形态接近，证明预测值在很大程度上能够反映真实数据的特征。

本发明中，用该段预测数据来替代对应位置的干扰数据，以达到去噪的目的。

步骤7：再选取所述实测大地电磁信号中各个干扰数据段的相邻无干扰数据段，分别输入至所述LSTM预测模型进行预测得到与对应干扰数据段长度相同的预测数据，并与无干扰数据段进行数据重构得到去噪后的大地电磁信号，去噪结果如图8所示。CNN信噪辨识模型能够准确甄别具有明显强干扰的数据，极大程度地保留了有用信息避免被过处理，且通过 LSTM模型预测之后噪声干扰数据得到了有效的压制，还原了真实大地电磁无干扰信号的数据特征。

通过对比实测点(EL22212A)经本发明方法处理前后的视电阻率曲线来评价效果优劣。如图9所示的(a)图为未经处理的大地电磁信号的视电阻率曲线，图9所示的(b)图为经过本发明方法处理后的视电阻率曲线，其中▲和

分别表示xy和yx方向上的视电阻率值，通过对比处理前和处理后的视电阻率曲线可以发现本发明的方法能够有效地剔除大地电磁信号中的大尺度干扰，经本发明处理后的视电阻率曲线更加平缓，有效减少了近源干扰对信号的影响，为去除大地电磁数据中的强干扰提供了一种新思路。

在一些实现方式中，本发明还提供一种基于CNN-LSTM的大地电磁信号噪声压制方法的大地电磁信号噪声压制系统，其包括：样本库构建模块、CNN信噪辨识模型构建模块、LSTM 预测模型构建模块、识别模块、预测模块和重构模块。

其中，样本库构建模块用于构建大地电磁信号的噪声样本库和纯净信号样本库。其中，在一些实现方式中，对照前述步骤1-步骤3对样本数据进行处理；

CNN信噪辨识模型构建模块：用于利用噪声样本和纯净信号样本训练卷积神经网络得到 CNN信噪辨识模型；

识别模块：用于将待辨识的实测大地电磁信号输入至所述CNN信噪辨识模型识别出干扰数据段和无干扰数据段；

LSTM预测模型构建模块：用于将实测大地电磁数据利用CNN信噪辨识模型识别的无干扰数据段训练长短时记忆神经网络得到LSTM预测模型；

预测模块：用于选取所述实测大地电磁信号中各个干扰数据段的相邻无干扰数据段，并分别输入至所述LSTM预测模型进行循环预测得到与对应干扰数据段长度相同的预测数据；

重构模块：用于将所述预测数据与所述无干扰数据段进行数据重构得到去噪的大地电磁信号。

其中，各个功能模块的具体实现过程请参照前述方法内容的阐述。应当理解，上述单元模块的具体实现过程参照方法内容，本发明在此不进行具体的赘述，且上述功能模块单元的划分仅仅是一种逻辑功能的划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。同时，上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。

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 (9)

1.一种基于CNN-LSTM的大地电磁信号噪声压制方法，其特征在于：包括如下步骤：

S1：构建大地电磁信号的噪声样本库和纯净信号样本库；

S2：利用噪声样本和纯净信号样本训练卷积神经网络(CNN)得到CNN信噪辨识模型；

其中，所述CNN信噪辨识模型用于鉴别信号段为干扰数据段还是无干扰数据段；

S3：将待辨识的实测大地电磁信号输入至所述CNN信噪辨识模型识别出干扰数据段和无干扰数据段；

S4：利用CNN信噪辨识模型辨识出的所述实测大地电磁信号中的无干扰数据段训练长短时记忆神经网络(LSTM)得到LSTM预测模型；

S5：再选取所述实测大地电磁信号中各个干扰数据段的相邻无干扰数据段，分别输入至所述LSTM预测模型进行预测得到与对应干扰数据段长度相同的预测数据；

S6：将所述预测数据与所述无干扰数据段进行数据重构得到去噪后的大地电磁信号。

2.根据权利要求1所述的方法，其特征在于：所述LSTM预测模型的训练过程如下：

S41：将实测大地电磁信号中辨识出的无干扰数据段作为样本数据，设其中一个样本V表示为：V＝[v₁,v₂,...,v_m]，v_m表示所述样本V中的第m个数据；

S42：将每个样本进行分段处理得到训练输入数据和训练输出数据；

其中，所述样本V进行分段得到数据V′和数据V″，k为分段比例：

V′＝[v₁,v₂,...,v_(km)]

V″＝[v_(km+1),v_(km+2),...,v_m]

式中，v_(km)、v_(km+1)、v_m表示所述样本V中的第km、km+1、m个元素；

S43：设置网络训练中输入输出数据之间的对应关系：

将第一组网络训练输入输出关系设置为：V′₁＝[v₁,v₂,...,v_(km-1)]作为训练输入，对应V′₂＝[v₂,v₃,...,v_(km)]作为训练输出；第二组网络训练输入输出关系为：V′₂＝[v₂,v₃,...,v_(km)]作为训练输入，对应V′₃＝[v₃,v₄,...,v_(km+1)]作为训练输出；按照以上规则依次向后移动一个时间步设置训练输入数据与输出数据，并得到最后一组训练输入为V′_(m(1-k)+1)＝[v_(m(1-k)+1),v_(m(1-k)+2),...,v_(m-1)]，训练输出为V′_(m(1-k)+2)＝[v_(m(1-k)+2),v_(m(1-k)+3),...,v_m]；

S44：定义LSTM网络架构并按照步骤S43设置的输入输出数据之间的对应关系进行学习得到预测模型。

3.根据权利要求2所述的方法，其特征在于：步骤S44中进行网络训练之前还包括：

对所述样本数据V进行标准化处理，其中，标准化公式如下：

式中，X_i为标准化处理之前的样本数据V中第i个元素，

为标准化处理之前样本数据V的均值，N为标准化处理之前的样本数据V的长度，V_i为标准化处理之后的样本数据。

4.根据权利要求1所述的方法，其特征在于：步骤S2中所述卷积神经网络包括输入层、3层卷积层以及全连接层，且所述3层卷积层中的卷积核大小和神经元数目依次递减。

5.根据权利要求4所述的方法，其特征在于：所述卷积神经网络的训练参数选取如下：最大迭代次数为400，学习率衰落因子为0.2，学习率衰落周期为5，验证周期为6，激活函数为ReLU。

6.根据权利要求1所述的方法，其特征在于：步骤S2中利用噪声样本和纯净信号样本训练卷积神经网络得到CNN信噪辨识模型的过程如下：

S21：将所述噪声样本库和纯净信号样本库的样本转换为长度统一的样本；

S22：针对纯净信号样本和噪声样本添加分类标签并输入至卷积神经网络进行训练；

S23：输入样本至卷积层进行特征提取，输入数据矩阵I如下：

式中，I矩阵每一行表示一个样本信号，

表示第n个样本中的第h个元素；

卷积神经网络采用一维卷积核C如下：

C＝[c₁,c₂,...,c_j]

式中，c_j为卷积核中第j个卷积元素；输入的样本经过卷积运算得到特征矩阵T如下：

T＝I*C

式中，

为第n个样本特征向量中的第(h-j+1)个元素；

其中，输入数据经过第一层卷积层之后得到特征矩阵T，再将特征矩阵T作为输入数据输入至下一卷积层，循环操作经过设置的所有卷积层之后得到特征矩阵P；

S27：特征矩阵P输入至全连接层进行分类输出，并采用损失函数用于判断训练模型真实值与预测值的差距，以所述差距为依据进行网络模型训练参数的优化。

7.根据权利要求1所述的方法，其特征在于：步骤S1中构造噪声样本库和纯净信号样本库的过程均执行如下步骤：

S11：选取受噪声干扰的大地电磁测点，观察大地电磁测点所受噪声干扰类型，并人为提取典型噪声干扰数据，再调整其参数如幅值和宽度来构建噪声样本；以及人为构建不同幅值的模拟噪声干扰加入噪声样本库；

S12：人为提取明显未受噪声干扰的大地电磁数据，并将其均匀分段作为纯净信号样本；以及人为加入高斯白噪声作为模拟纯净信号样本。

8.根据权利要求1所述的方法，其特征在于：所述LSTM预测模型的网络架构由序列输入层、LSTM层、全连接层和回归层构成，所述序列输入层指定输入数据维度为50，LSTM层的隐含单元个数为200，所述全连接层特征维数为50。

9.一种基于权利要求1-8任一项所述方法的系统，其特征在于：包括如下：

样本库构建模块：用于构建大地电磁信号的噪声样本库和纯净信号样本库；

CNN信噪辨识模型构建模块：用于利用噪声样本和纯净信号样本训练卷积神经网络得到CNN信噪辨识模型；

所述CNN信噪辨识模型用于鉴别信号段为干扰数据段还是无干扰数据段；

识别模块：用于将待辨识的实测大地电磁信号输入至所述CNN信噪辨识模型识别出干扰数据段和无干扰数据段；

LSTM预测模型构建模块：利用CNN信噪辨识模型辨识出的所述实测大地电磁信号中的无干扰数据段训练长短时记忆神经网络得到LSTM预测模型；

所述LSTM预测模型用于预测所述干扰数据段的真实信号；

预测模块：用于选取所述实测大地电磁信号中各个干扰数据段的相邻无干扰数据段，分别输入至所述LSTM预测模型进行预测得到与对应干扰数据段长度相同的预测数据；

重构模块：用于将所述预测数据与所述无干扰数据段进行数据重构得到去噪后的大地电磁信号。

Images