CN114970646A - 一种人工源电磁伪随机信号去趋势和噪声识别方法 - Google Patents

Abstract

本发明属于人工源电磁法技术领域，公开了一种人工源电磁伪随机信号去趋势和噪声识别方法，利用去趋势波动分析结合固有时间尺度分解消除原始数据中的基线漂移，然后针对去基线漂移后的人工源电磁数据的等周期分段，提取联合特征参数结合优化概率神经网络实现智能且准确的异常识别，获取识别为有效信号段来重构人工源电磁高质量数据。本发明采用联合特征更为有效且有针对性地表征信号和噪声的区别，优化概率神经网络结构简单易操作，分类效果良好等特点，将人工源伪随机电磁数据实现智能且准确的噪声识别及剔除，能自适应且精确消除基线漂移和噪声数据，提高原始数据信噪比，提升现有智能识别算法在伪随机电磁噪声数据识别上的准确度。

Description

一种人工源电磁伪随机信号去趋势和噪声识别方法

技术领域

本发明属于人工源电磁法技术领域，具体涉及一种人工源电磁伪随机信号去趋势和噪声识别方法。

背景技术

人工源电磁场代替天然电磁场作为场源，以伪随机信号为发射源的广域电磁法具有抗干扰能力强，探测深度大等优势。近年来被广域应用于页岩气、金属矿勘探及工程物探等领域。随着现代化的城市与科技发展，人文电磁噪声愈发强烈，观测到的时域和频域数据紊乱且异常变化，导致野外采集的人工源伪随机数据质量差。因此。寻找一种智能化和高精细的去噪方法将是提升人工源电磁数据质量及改善勘探效果的有效途径。

针对人工源电磁伪随机信号受噪声影响的问题，传统的时间域去噪、频率域筛选、频点剔除、异常判别等方法在一定程度上改善了受噪声影响的人工源伪随机电磁数据的质量。但也存在一定的局限性，同时也未考虑到信号与噪声的识别，在一定程度上降低了方法的适应性，使得部分去噪方法的过处理或欠处理，同时也加大了人为经验处理的成本，及人工源伪随机数据质量也无法得到保障，无法智能化且精确化地识别出人工源电磁噪声数据。

发明内容

本发明的目的在于提供一种人工源电磁伪随机信号去趋势和噪声识别方法，以解决上述背景技术中提出现有技术中无法智能化且精确化地识别出人工源电磁噪声数据的问题。

为实现上述目的，本发明采用了如下技术方案：

一种人工源电磁伪随机信号去趋势和噪声识别方法，包括如下步骤：

S1：将人工源电磁数据进行基线漂移处理，利用去趋势波动分析优化固有时间尺度分解消除原始数据中的趋势项；固有时间尺度分解得到的旋转分量计算去趋势波动分析中标度指数值，并选取大于0.75的旋转分量进行叠加重构；

S2：将去趋势后的数据进行等周期分段，分别提取每段人工源电磁数据的峭度、偏度、小波奇异熵和信息熵四个特征参数；

S3：利用算术优化算法搜寻概率神经网络中的最佳平滑因子，进而训练每段人工源电磁数据的特征参数；利用预测样本与实际样本的误差作为适应度函数进行平滑因子寻优；

S4：利用训练好的优化概率神经网络（AOA-PNN）对人工源电磁数据进行噪声识别；识别的有效信号为伪随机信号，识别的异常波形为含有噪声的数据；

S5：将步骤S4中识别为噪声的数据进行剔除，将识别为有效信号段进行整合重构。

进一步的，去趋势波动分析优化固有时间尺度分解的步骤为：

S1.1：确定原始信号的极值点序列，计算极值点序列中每个极值点对应的基线控制点；

S1.2：对基线控制点进行样条插值拟合，获取基线信号；

S1.3：将原始信号x(t)减去基线信号得到第一个旋转分量PR₁(t)，其对应的基线信号为第一个残差分量；

S1.4：依次将基线信号作为原信号继续分解，直到基线信号满足单调条件，停止分解得到如下：

，

式中，N表示旋转分量的个数，Res_N(t)表示残差分量；

S1.5：计算每个旋转分量和残差分量的去趋势波动分析中标度指数值，选取大于0.75的分量进行叠加重构，获取趋势项；

S1.6：利用原始信号减去趋势项，获得无基线漂移的数据。

进一步的，峭度、偏度、小波奇异熵和信息熵四个特征参数的计算公式如下：

峭度F_QD：

，

式中，x(i),i=1,2,…,表示每段原始数据，共m段；

偏度F_PD：

；

小波奇异熵WSE：

，

式中，

为第i个非零奇异值λ_i的小波奇异熵增量；

信息熵H：

，

式中，X表示离散随机变量，p(x_i)表示第i个的输出概率函数。

进一步的，利用算术优化算法进行概率神经网络中的平滑因子优化，包含如下：

算术优化算法通过生成随机数进行种群初始化；

算术优化算法开始及优化过程之前，利用数学优化加速器进行勘探阶段和开发阶段，公式如下：

，

式中，MOA（C）表示当前迭代次数C下所计算出的数学优化系数，M表示最大的迭代次数，max和min分别表示数学优化加速器函数的最大值和最小值；

算术优化算法中勘探阶段的数学模型如下：

，

式中，r₂表示0至1均匀分布的随机数，x_i,j(C+1)表示第i个解在第j维的位置，best(x_j)表示迭代时最优解在第j维的位置，ε表示最小常数，ubj和lbj分别表示在第j维上的最优上界和下界，μ表示调整搜索过程中的控制参数，MOP表示数学优化器的一个系数；

算术优化算法中开发阶段的数学模型如下：

，

式中，r₃表示0至1均匀分布的随机数。

进一步的，概率神经网络包括输入层、隐层、求和层和输出层。

进一步的，所述输入层、隐层、求和层和输出层，每层包含如下：

所述输入层为接收数据并传至隐层，该层节点个数为信号样本的特征个数；

所述隐层如下：

，

式中，i=1,2,…表示输入样本的类别，φ_ij表示第i类神经元的第j个神经元对应的隐层输出，σ表示为平滑因子，d表示为样本的特征维数，x_ij表示为第i类神经元的第j个中心，T表示为转置；

所述求和层为神经元与隐层中对应的神经元连接，接收隐层数据，对隐层同一类神经元的输出结果求加权平均，并将计算结果传至输出层，公式如下：

，

式中，v_i表示第i类神经元的输出，L是表示第i类神经元的数量；

所述输出层为求和层得到的计算结果，以此判断输入对应的输出类别Type，公式如下：

Type(v_i)=arg max(v_i)，

式中，arg max表示计算最大参量。

进一步的，算术优化算法搜寻概率神经网络（AOA-PNN）中最佳平滑因子，利用预测样本与实际样本的误差作为适应度函数进行平滑因子寻优。

进一步的，包括至少一个模块用于执行人工源电磁伪随机信号去趋势和噪声识别方法。

进一步的，所述模块为优化概率神经网络模块。

本发明的技术效果和优点：本发明提出的一种人工源电磁伪随机信号去趋势和噪声识别方法，与现有技术相比，具有以下优点：

本发明利用去趋势波动分析结合固有时间尺度分解消除原始数据中的基线漂移，然后针对去基线漂移后的人工源电磁数据的等周期分段，提取联合特征参数结合优化概率神经网络实现智能且准确的异常波形和噪声识别，获取识别为有效信号段来重构人工源电磁高质量数据。本发明采用联合特征更为有效且有针对性地表征信号和噪声的区别，优化概率神经网络结构简单易操作，分类效果良好等特点，经过实验结果分析，本发明充分利用去趋势波动分析、固有时间尺度分解、联合特征参数和算术优化概率神经网络（AOA-PNN）等优势，将人工源伪随机电磁数据实现智能且准确的噪声识别及剔除，能自适应且精确消除基线漂移和噪声数据，提高原始数据信噪比，提升现有智能识别算法在伪随机电磁噪声数据识别上的准确度。

附图说明

图1是本发明实施例的方法流程图；

图2为本发明实施例含趋势噪声的伪随机信号图；

图3为本发明实施例消除趋势噪声的伪随机信号图；

图4为本发明实施例含趋势噪声的伪随机信号频谱图；

图5为本发明实施例消除趋势噪声的伪随机信号频谱图；

图6为本发明实施例伪随机信号图；

图7为本发明实施例含脉冲干扰图；

图8为本发明实施例含衰减干扰图；

图9为本发明实施例伪随机信号频谱图；

图10为本发明实施例含脉冲干扰的频谱图；

图11为本发明实施例含衰减干扰的频谱图；

图12为本发明实施例训练后的效果图；

图13为本发明实施例训练后的误差图；

图14为本发明实施例含噪信号图；

图15为本发明实施例去趋势后的信号图；

图16为本发明实施例识别为本发明实施例噪声图；

图17为本发明实施例识别为本发明实施例信号图；

图18为本发明实施例重构信号图；

图19为本发明实施例原始有效信号的频谱图；

图20为本发明实施例含噪信号的频谱图；

图21为本发明实施例趋势项的频谱图；

图22为本发明实施例识别噪声的频谱图；

图23为本发明实施例重构信号的频谱图；

图24为本发明实施例原始数据图；

图25为本发明实施例趋势项图；

图26为本发明实施例去趋势后的数据图；

图27为本发明实施例识别为本发明实施例噪声图；

图28为本发明实施例识别为本发明实施例信号图；

图29为本发明实施例重构数据图；

图30为本发明实施例的实测点的电场曲线处理前后效果图。

具体实施方式

下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。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。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

本发明提供了如图1－图30所示的一种人工源电磁伪随机信号去趋势和噪声识别方法，包括如下步骤：

S1：将人工源电磁数据进行基线漂移处理，利用去趋势波动分析优化固有时间尺度分解消除原始数据中的趋势项；其中，固有时间尺度分解得到的旋转分量计算去趋势波动分析中标度指数值，并选取大于0.75的旋转分量进行叠加重构；

去趋势波动分析优化固有时间尺度分解的步骤为：

S1.1：确定原始信号的极值点序列，计算极值点序列中每个极值点对应的基线控制点；

S1.2：对基线控制点进行样条插值拟合，获取基线信号；

S1.3：将原始信号x(t)减去基线信号得到第一个旋转分量PR₁(t)，其对应的基线信号为第一个残差分量；

S1.4：依次将基线信号作为原信号继续分解，直到基线信号满足单调条件，停止分解得到如下：

，

式中，N表示旋转分量的个数，Res_N(t)表示残差分量；

S1.5：计算每个旋转分量和残差分量的去趋势波动分析中标度指数值，选取大于0.75的分量进行叠加重构，获取趋势项；

S1.6：利用原始信号减去趋势项，获得无基线漂移的数据。

S2：将去趋势后的数据进行等周期分段，分别提取每段人工源电磁数据的峭度、偏度、小波奇异熵和信息熵四个特征参数；

在该步骤中，计算联合特征参数，其特征参数为峭度、偏度、小波奇异熵和信息熵的计算公式如下：

峭度F_QD：

，

式中x(i),i=1,2…，m表示每段原始数据，共m段；

偏度F_PD：

；

小波奇异熵WSE：

，

式中，

为第i个非零奇异值λ_i的小波奇异熵增量；

信息熵H：

，

式中，X表示离散随机变量，p(x_i)表示第i个的输出概率函数。

S3：利用算术优化算法搜寻概率神经网络（AOA-PNN）中的最佳平滑因子，进而训练每段人工源电磁数据的特征参数；结合样本库信号的类别与预测效果图及其预测误差示意图，其中，利用预测样本与实际样本的误差作为适应度函数进行平滑因子寻优；

在该步骤中，算术优化算法通过生成随机数进行种群初始化；所述算术优化算法开始及优化过程之前，利用数学优化加速器进行勘探阶段和开发阶段，公式如下：

，

式中，MOA(C)表示当前迭代次数C下所计算出的数学优化系数，M表示最大的迭代次数，max和min分别表示数学优化加速器函数的最大值和最小值；

算术优化算法中勘探阶段的数学模型如下：

，

式中，r₂表示0至1均匀分布的随机数，X_i,j(C+1)表示第i个解在第j维的位置，best(X_j)表示迭代时最优解在第j维的位置，ε表示最小常数，ubj和lbj分别表示在第j维上的最优上界和下界，μ表示调整搜索过程中的控制参数，MOP表示数学优化器的一个系数；

算术优化算法中开发阶段的数学模型如下：

，

式中，r₃表示0至1均匀分布的随机数。

概率神经网络包括输入层、隐层、求和层和输出层，每层包含如下：

所述输入层为接收数据并传至隐层，该层节点个数为信号样本的特征个数；

所述隐层如下：

，

式中，i=1,2…表示输入样本的类别，Φ_ij表示第i类神经元的第个j神经元对应的隐层输出，σ表示为平滑因子，d表示为样本的特征维数，x_ij表示为第i类神经元的第j个中心，T表示为转置；

所述求和层为神经元与隐层中对应的神经元连接，接收隐层数据，对隐层同一类神经元的输出结果求加权平均，并将计算结果传至输出层，公式如下：

，

式中，v_i表示第i类神经元的输出，L是表示第i类神经元的数量；

所述输出层为求和层得到的计算结果，以此判断输入对应的输出类别Type，公式如下：

Type(v_i)=arg max(v_i)，

式中，arg max表示计算最大参量。

S4：利用训练好的优化概率神经网络（AOA-PNN）对人工源电磁数据进行噪声识别；识别的有效信号为伪随机信号，识别的异常波形为含有噪声的数据；其中，识别的有效信号为伪随机信号，识别的异常波形为含有噪声的数据。

S5：将步骤S4中识别为噪声的数据进行剔除，将识别为有效信号段进行整合重构。能自适应且精确消除基线漂移和噪声数据，提高原始数据信噪比。

另外本实施例中还提出包括至少一个模块用于执行一种人工源电磁伪随机信号去趋势和噪声识别方法，所述模块为优化概率神经网络模块。

为了验证本实施例效果的有效性，将本发明方法在模拟含噪数据和实测数据中进行时域噪声识别和频域频谱对比。本实施例方法能有效识别异常波形，其异常波形的频谱也能被剔除，高精度地保留识别为有效信号段，还原原始数据的时域波形与频谱特征，提升去噪效果、精度和数据质量。

通过对比原始数据和本实施例方法处理后的电场曲线的效果进行评价。由于原始人工源电磁数据在时间域中异常波形的影响，导致了频率域的频点出现异常跳变，整体曲线变得不连续；不难发现，经本实施例方法处理后，实测点的电场曲线更为平稳、连续，表明含噪的异常波形得到了有效识别与剔除。

在上述实施例中利用去趋势波动分析结合固有时间尺度分解消除原始数据中的基线漂移，然后针对去基线漂移后的人工源电磁数据的等周期分段，提取联合特征参数结合优化概率神经网络实现智能且准确的异常识别，获取识别为有效信号段来重构人工源电磁高质量数据。采用联合特征更为有效且有针对性地表征信号和噪声的区别，优化概率神经网络结构简单易操作，分类效果良好等特点，经过实验结果分析，本发明充分利用去趋势波动分析、固有时间尺度分解、联合特征参数和算术优化概率神经网络（AOA-PNN）等优势，将人工源伪随机电磁数据实现智能且准确的噪声识别及剔除，提升现有智能识别算法在人工源伪随机电磁噪声数据识别上的准确度，具有一定的实用价值和创新性。

最后应说明的是：以上所述仅为本发明的优选实施例而已，并不用于限制本发明，尽管参照前述实施例对本发明进行了详细的说明，对于本领域的技术人员来说，其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换，凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (9)

1.一种人工源电磁伪随机信号去趋势和噪声识别方法，其特征在于，包括如下步骤：

S1：将人工源电磁数据进行基线漂移处理，利用去趋势波动分析优化固有时间尺度分解消除原始数据中的趋势项；固有时间尺度分解得到的旋转分量计算去趋势波动分析中标度指数值，并选取大于0.75的旋转分量进行叠加重构；

S2：将去趋势后的数据进行等周期分段，分别提取每段人工源电磁数据的峭度、偏度、小波奇异熵和信息熵四个特征参数；

S3：利用算术优化算法搜寻概率神经网络中的最佳平滑因子，进而训练每段人工源电磁数据的特征参数；利用预测样本与实际样本的误差作为适应度函数进行平滑因子寻优；

S4：利用训练好的优化概率神经网络对人工源电磁数据进行噪声识别；识别的有效信号为伪随机信号，识别的异常波形为含有噪声的数据；

S5：将步骤S4中识别为噪声的数据进行剔除，将识别为有效信号段进行整合重构。

2.根据权利要求1所述的一种人工源电磁伪随机信号去趋势和噪声识别方法，其特征在于：去趋势波动分析优化固有时间尺度分解的步骤为：

S1.1：确定原始信号的极值点序列，计算极值点序列中每个极值点对应的基线控制点；

S1.2：对基线控制点进行样条插值拟合，获取基线信号；

S1.3：将原始信号x(t)减去基线信号得到第一个旋转分量PR₁(t)，其对应的基线信号为第一个残差分量；

S1.4：依次将基线信号作为原信号继续分解，直到基线信号满足单调条件，停止分解得到如下：

，

式中，N表示旋转分量的个数，Res_N(t)表示残差分量；

S1.5：计算每个旋转分量和残差分量的去趋势波动分析中标度指数值，选取大于0.75的分量进行叠加重构，获取趋势项；

S1.6：利用原始信号减去趋势项，获得无基线漂移的数据。

3.根据权利要求1所述的一种人工源电磁伪随机信号去趋势和噪声识别方法，其特征在于：峭度、偏度、小波奇异熵和信息熵四个特征参数的计算公式如下：

峭度F_QD：

，

式中，x(i),i=1,2,…,m表示每段原始数据，共m段；

偏度F_PD：

；

小波奇异熵WSE：

，

式中，

为第i个非零奇异值λ_i的小波奇异熵增量；

信息熵H：

，

式中，X表示离散随机变量，P(x_i)表示第i个的输出概率函数。

4.根据权利要求1所述的一种人工源电磁伪随机信号去趋势和噪声识别方法，其特征在于：利用算术优化算法进行概率神经网络中的平滑因子优化，包含如下：

算术优化算法通过生成随机数进行种群初始化；

算术优化算法开始及优化过程之前，利用数学优化加速器进行勘探阶段和开发阶段，公式如下：

，

式中，MOA(C)表示当前迭代次数C下所计算出的数学优化系数，M表示最大的迭代次数，max和min分别表示数学优化加速器函数的最大值和最小值；

算术优化算法中勘探阶段的数学模型如下：

，

式中，r₂表示0至1均匀分布的随机数，X_i,j(C+1)表示第i个解在第j维的位置，best(X_j)表示迭代时最优解在第j维的位置，ε表示最小常数，ub_j和lb_j分别表示在第j维上的最优上界和下界，μ表示调整搜索过程中的控制参数，MOP表示数学优化器的一个系数；

算术优化算法中开发阶段的数学模型如下：

，

式中，r₃表示0至1均匀分布的随机数。

5.根据权利要求1所述的一种人工源电磁伪随机信号去趋势和噪声识别方法，其特征在于：概率神经网络包括输入层、隐层、求和层和输出层。

6.根据权利要求5所述的一种人工源电磁伪随机信号去趋势和噪声识别方法，其特征在于：所述输入层、隐层、求和层和输出层，每层包含如下：

所述输入层为接收数据并传至隐层，该层节点个数为信号样本的特征个数；

所述隐层如下：

，

式中，i=1…2表示输入样本的类别，Φ_ij表示第i类神经元的第j个神经元对应的隐层输出，σ表示为平滑因子，d表示为样本的特征维数，x_ij表示为第i类神经元的第j个中心，T表示为转置；

所述求和层为神经元与隐层中对应的神经元连接，接收隐层数据，对隐层同一类神经元的输出结果求加权平均，并将计算结果传至输出层，公式如下：

，

式中，v_i表示第i类神经元的输出，L是表示第i类神经元的数量；

所述输出层为求和层得到的计算结果，以此判断输入对应的输出类别Type，公式如下：

Type(v_i)=arg max(v_i)，

式中，arg max表示计算最大参量。

7.根据权利要求4所述的一种人工源电磁伪随机信号去趋势和噪声识别方法，其特征在于：算术优化算法搜寻概率神经网络中最佳平滑因子，利用预测样本与实际样本的误差作为适应度函数进行平滑因子寻优。

8.根据权利要求1-7任意一项所述的一种人工源电磁伪随机信号去趋势和噪声识别方法，其特征在于：包括至少一个模块用于执行上述的方法。

9.根据权利要求8所述的一种人工源电磁伪随机信号去趋势和噪声识别方法，其特征在于：所述模块为优化概率神经网络模块。

Images