CN114970647B - 基于概率神经网络的电磁数据识别方法及系统 - Google Patents

Abstract

本发明公开了基于概率神经网络的电磁数据识别方法及系统，将人工源电磁数据等周期分帧，分别提取每段人工源电磁数据的时域特征，其中，所述时域特征为最大值、峰值因子、脉冲因子和裕度因子；利用每段人工源电磁数据的时域特征参数训练概率神经网络；利用训练好的概率神经网络对人工源电磁数据进行有效信号与异常波形的识别，其中，所述有效信号为伪随机信号，异常波形为脉冲噪声、衰减噪声、三角波噪声和方波噪声；将识别为异常波形的数据进行剔除，合并且拼接识别为有效信号段获得人工源电磁数据。通过本申请解决了机器学习算法对人工源电磁数据无法高精细地识别异常波形的问题，提升了去噪效果、精度及数据质量。

Description

基于概率神经网络的电磁数据识别方法及系统

技术领域

本申请涉及到人工源电磁法领域，具体而言，涉及一种基于概率神经网络的电磁数据识别方法及系统。

背景技术

随着现代工业与科技的发展及人类活动范围的不断扩大，电磁干扰越来越强，噪声压制一直是困扰广大电磁工作者的关键问题，在一定程度上制约了电磁技术方法的发展。人工场源电磁法信号发射机功率高，相较于天然场源电磁法，采集到的电磁信号信噪比明显提高。在实际勘探时，人工源电磁数据同样存在噪声干扰的问题，去噪仍然是数据处理的关键环节。此外，为了提高人工源广域电磁数据方法的纵向分辨率，须加强人工源广域电磁数据去噪方法的研究。因此，如何利用新方法对人工源广域电磁数据进行有效去噪是目前亟需解决的关键问题之一。

针对人工源电磁信号受噪声影响的问题，自适应双向均方差阈值法、灰色系统理论和稳健估计方法、灰色判别准则和有理函数滤波、小波变换和Hilbert解析包络法和快速傅里叶变换、互补总体经验模态分解与移不变稀疏编码方法在一定程度上改善了受干扰的人工源电磁数据的质量。这些现有的方法缺乏对信号与噪声的识别，导致后续电磁法时间域信号处理无法最大限度地保留人工源电磁有效数据，同时也降低了去噪效果与精度。

在现有技术中，聚类算法和支持向量机方法无法准确地识别人工源电磁异常数据的问题。

发明内容

本发明的目的在于提供基于概率神经网络的电磁数据识别方法及系统，以解决上述背景技术中提出现有技术中机器学习算法对人工源电磁数据无法高精细地识别异常波形的问题。

为实现上述目的，本发明采用了如下技术方案：

基于概率神经网络的电磁数据识别方法及系统，包括如下步骤：

步骤一：将待处理的人工源电磁数据进行等周期分帧，分别提取每段人工源电磁数据的时域特征；

步骤二：利用每段人工源电磁数据的时域特征参数训练概率神经网络；

步骤三：利用训练好的概率神经网络对人工源电磁数据进行有效信号与异常波形的识别；

步骤四：将步骤三中识别为异常波形的数据进行剔除，合并拼接识别为有效信号段获得人工源电磁数据。

作为优选的，所述时域特征参数为最大值、峰值因子、脉冲因子和裕度因子。

作为优选的，利用最大值、峰值因子、脉冲因子和裕度因子包括如下：

所述最大值F_max为信号最大变化时的振幅值：F_max=Max(X)，

式中，X表示分帧后的信号段；

所述峰值因子F_FZ表征峰值在波形中的极端程度：

，

式中，X_p表示信号段的峰值，X_rms表示信号段的有效值；

所述脉冲因子F_MC是检测信号中是否存在冲击的统计指标：

，

式中，

表示信号段的平均值的绝对值；

所述裕度因子F_YD用于检测设备与信号中的损伤和变化程度：

，

式中，X_r表示信号幅值的方根。

作为优选的，所述概率神经网络包括输入层、隐层、求和层和输出层。

作为优选的，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表示为平滑参数，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。

作为优选的，所述平滑参数σ取值范围为0.2~2。

作为优选的，所述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。

作为优选的，基于概率神经网络的电磁数据识别系统，包括至少一个模块，其中，所述至少一个模块用于执行基于概率神经网络的电磁数据识别方法。

作为优选的，所述至少一个模块为概率神经网络模块。

本发明的技术效果和优点：本发明提出的基于概率神经网络的电磁数据识别方法及系统，与现有技术相比，具有以下优点：

将人工源电磁数据等周期分帧，分别提取每段人工源电磁数据的时域特征，其中，所述时域特征为最大值、峰值因子、脉冲因子和裕度因子；利用每段人工源电磁数据的时域特征参数训练概率神经网络；利用训练好的神经网络对人工源电磁数据进行有效信号与异常波形的识别，其中，所述有效信号为伪随机信号，异常波形为脉冲噪声、衰减噪声、三角波噪声和方波噪声；将识别为异常波形的数据进行剔除，合并且拼接识别为有效信号段获得人工源电磁数据。通过本申请解决了机器学习算法对人工源电磁数据无法高精细地识别异常波形的问题，提升了去噪效果、精度及数据质量。

附图说明

图1为本发明的方法流程图；

图2为本发明实施例伪随机信号的图；

图3为本发明实施例含脉冲干扰的图；

图4为本发明实施例含衰减干扰的图；

图5为本发明实施例含三角波干扰的图；

图6为本发明实施例含方波干扰的图；

图7为本发明实施例伪随机信号的频谱图；

图8为本发明实施例含脉冲干扰的频谱图；

图9为本发明实施例含衰减干扰的频谱图；

图10为本发明实施例含三角波干扰的频谱图；

图11为本发明实施例含方波干扰的频谱图；

图12为本发明实施例含噪信号的图；

图13为本发明实施例样本库信号的特征分布图；

图14为本发明实施例样本库信号的类别与预测效果图；

图15为本发明实施例识别为信号的图；

图16为本发明实施例识别为噪声的图；

图17为本发明实施例重构信号的图；

图18为本发明实施例原始信号频谱的图；

图19为本发明实施例含噪信号频谱的图；

图20为本发明实施例噪声频谱的图；

图21为本发明实施例重构信号频谱的图；

图22为本发明实施例原始数据的图；

图23为本发明实施例识别的噪音的图；

图24为本发明实施例识别的信号的图；

图25为本发明实施例重构信号的图；

图26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。

实施例1

本发明实施例中提供了基于概率神经网络的电磁数据识别方法及系统，如图1所示，该流程包括如下步骤：

S1：将待处理的人工源电磁数据进行等周期分帧，分别提取每段人工源电磁数据的时域特征；在该步骤中，周期分帧表示采样率的固定倍数为分帧数，提取的时域特征参数为最大值、峰值因子、脉冲因子和裕度因子；

S2：利用每段人工源电磁数据的时域特征参数训练概率神经网络；

在该步骤中，概率神经网络由输入层、隐层、求和层和输出层组成，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；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表示为平滑参数，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；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；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；其中，平滑参数取值范围为0.2~2。

S3：利用训练好的概率神经网络对人工源电磁数据进行有效信号与异常波形的识别；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；

S4：将步骤S3中识别为异常波形的数据进行剔除，合并拼接识别为有效信号段获得人工源电磁数据。

通过上述步骤，解决了机器学习算法对人工源电磁数据无法高精细地识别异常波形的问题，从而智能且准确地识别异常波形，提升了去噪效果、精度及数据质量。

实施例2

如图2－图26所示，在本实施例中提供了基于概率神经网络的电磁数据识别方法，该方法通过时域特征提取结合概率神经网络算法，采取特征训练网络并准确预测人工源电磁数据中的有效信号和异常波形，克服现有去噪技术的缺点，实现智能且准确识别电磁数据中的信号与噪声，提升去噪效果、精度及数据质量。

在本实施例中，提供了如下步骤：

步骤1：将待处理的人工源电磁数据进行等周期分帧，分别提取每段人工源电磁数据的时域特征。

在该步骤中，周期分帧表示采样率的固定倍数为分帧数，提取的时域特征参数为最大值、峰值因子、脉冲因子和裕度因子。

最大值F_max为信号最大变化时的振幅值：

F_max=Max(X)

式中，X表示分帧后的信号段；

峰值因子F_FZ表征峰值在波形中的极端程度：

式中，X_p表示信号段的峰值，X_rms表示信号段的有效值；

脉冲因子F_MC是检测信号中是否存在冲击的统计指标：

式中，

表示信号段的平均值的绝对值；

裕度因子F_YD用于检测设备与信号中的损伤和变化程度：

式中，X_r表示信号幅值的方根。

步骤S2：利用每段人工源电磁数据的时域特征参数训练概率神经网络；

概率神经网络由输入层、隐层、求和层和输出层组成，平滑参数取值范围为0.2~2。

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；

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表示为平滑参数，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；

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；

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。

步骤S3：利用训练好的概率神经网络对人工源电磁数据进行有效信号与异常波形的识别；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；

步骤S4：将步骤S3中识别为异常波形的数据进行剔除，合并拼接识别为有效信号段获得人工源电磁数据。

实施例3

如图1所示，本实施例公开了基于概率神经网络的电磁数据识别方法，包括如下：

步骤1：将待处理的人工源电磁数据进行等周期分帧，分别提取每段人工源电磁数据的时域特征；

其中，周期分帧表示采样率的固定倍数为分帧数，一组人工源电磁信号样本库，根据一类样本的长度可作为分帧数；提取的时域特征参数为最大值、峰值因子、脉冲因子和裕度因子，结合样本库信号与噪声的特征分布，可以有效划分信号与噪声。

步骤2：利用每段人工源电磁数据的时域特征参数训练概率神经网络；

其中，概率神经网络由输入层、隐层、求和层和输出层组成，平滑参数取值范围为0.2~2。

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；

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表示为平滑参数，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；

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；

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(vi)=arg max(vi)

式中，arg max表示计算最大参量。

步骤3：利用训练好的概率神经网络对人工源电磁数据进行有效信号与异常波形的识别；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。

步骤S4：将步骤S3中识别为异常波形的数据进行剔除，合并拼接识别为有效信号段获得人工源电磁数据；

具体的，所述步骤2中概率神经网络中的平滑参数取值范围为0.2~2。

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。如图26所示，图26为实测点的电场曲线处理前后效果图。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。

实施例4

本实施例中提供了基于概率神经网络的电磁数据识别系统，包括至少一个模块，其中，所述至少一个模块用于执行实施例1-3的基于概率神经网络的电磁数据识别方法，所述至少一个模块为概率神经网络模块。

在上述实施例中利用人工源电磁数据的等周期分帧，时域特征提取结合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。采用时域特征简单易表征信噪区别，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，本发明充分利用时域特征和神经网络等优势，将人工源电磁数据实现智能且准确的信噪识别，提升了现有机器学习算法在识别上的准确度，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 (6)

1.基于概率神经网络的电磁数据识别方法，其特征在于，包括如下步骤：

步骤一：将待处理的人工源电磁数据进行等周期分帧，分别提取每段人工源电磁数据的时域特征参数；所述时域特征参数为最大值、峰值因子、脉冲因子和裕度因子；利用最大值、峰值因子、脉冲因子和裕度因子包括如下：

所述最大值F_max为信号最大变化时的振幅值：F_max=Max(X)，

式中，X表示分帧后的信号段；

所述峰值因子F_FZ表征峰值在波形中的极端程度：

，

式中，X_p表示信号段的峰值，X_rms表示信号段的有效值；

所述脉冲因子F_MC是检测信号中是否存在冲击的统计指标：

，

式中，

表示信号段的平均值的绝对值；

所述裕度因子F_YD用于检测设备与信号中的损伤和变化程度：

，

式中，X_r表示信号幅值的方根；

步骤二：利用每段人工源电磁数据的时域特征参数训练概率神经网络；

步骤三：利用训练好的概率神经网络对人工源电磁数据进行有效信号与异常波形的识别；所述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；

步骤四：将步骤三中识别为异常波形的数据进行剔除，合并拼接识别为有效信号段获得人工源电磁数据。

2.根据权利要求1所述的基于概率神经网络的电磁数据识别方法，其特征在于：所述概率神经网络包括输入层、隐层、求和层和输出层。

3.根据权利要求2所述的基于概率神经网络的电磁数据识别方法，其特征在于：所述输入层为接收数据并传至隐层，该隐层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表示为平滑参数，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。

4.根据权利要求3所述的基于概率神经网络的电磁数据识别方法，其特征在于：所述平滑参数σ取值范围为0.2~2。

5.基于概率神经网络的电磁数据识别系统，其特征在于：包括至少一个模块，其中，所述至少一个模块用于执行权利要求1至4中任一项所述的方法。

6.根据权利要求5所述的基于概率神经网络的电磁数据识别系统，其特征在于：所述至少一个模块为概率神经网络模块。

Images