CN115017964B - 基于注意力机制稀疏表示的大地电磁信号去噪方法及系统 - Google Patents

基于注意力机制稀疏表示的大地电磁信号去噪方法及系统 Download PDF

Info

Publication number
CN115017964B
CN115017964B CN202210946438.3A CN202210946438A CN115017964B CN 115017964 B CN115017964 B CN 115017964B CN 202210946438 A CN202210946438 A CN 202210946438A CN 115017964 B CN115017964 B CN 115017964B
Authority
CN
China
Prior art keywords
magnetotelluric
magnetotelluric signal
denoised
atoms
matrix
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
Application number
CN202210946438.3A
Other languages
English (en)
Other versions
CN115017964A (zh
Inventor
李晋
罗宇成
李年春
刘业成
马翻红
周钺尚
邵萌萌
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Hunan Normal University
Original Assignee
Hunan Normal University
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Hunan Normal University filed Critical Hunan Normal University
Priority to CN202210946438.3A priority Critical patent/CN115017964B/zh
Publication of CN115017964A publication Critical patent/CN115017964A/zh
Application granted granted Critical
Publication of CN115017964B publication Critical patent/CN115017964B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • 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
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N7/00—Computing arrangements based on specific mathematical models
    • G06N7/02—Computing arrangements based on specific mathematical models using fuzzy logic
    • 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)
  • Life Sciences & Earth Sciences (AREA)
  • General Physics & Mathematics (AREA)
  • Physics & Mathematics (AREA)
  • Software Systems (AREA)
  • Theoretical Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • Mathematical Optimization (AREA)
  • General Health & Medical Sciences (AREA)
  • Fuzzy Systems (AREA)
  • Algebra (AREA)
  • Artificial Intelligence (AREA)
  • Computational Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Mathematical Analysis (AREA)
  • Molecular Biology (AREA)
  • Pure & Applied Mathematics (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Automation & Control Theory (AREA)
  • Environmental & Geological Engineering (AREA)
  • Geology (AREA)
  • Remote Sensing (AREA)
  • General Life Sciences & Earth Sciences (AREA)
  • Geophysics (AREA)
  • Measuring Magnetic Variables (AREA)

Abstract

本发明公开了一种基于注意力机制稀疏表示的大地电磁信号去噪方法及系统，该方法获取待去噪的大地电磁信号以及冗余字典，并将所述大地电磁信号进行分段；之后计算各个大地电磁信号段与所述冗余字典中每个原子的注意力权重；再基于注意力权重从冗余字典中提取出各段信号的最小子集，进而利用最小子集中每个原子表示出稀疏编码矩阵，接着基于稀疏编码矩阵与冗余字典的乘积得到噪声轮廓矩阵，最后将利用噪声轮廓矩阵对待处理信号进行降噪。通过上述方法可以有效的压制原始大地电磁信号中的大尺度噪声，保留低频缓变化趋势，处理速度较快，从而提高大地电磁信号数据质量，为后续解释地下真实结构提供了可靠依据。

Description

基于注意力机制稀疏表示的大地电磁信号去噪方法及系统
技术领域
本发明属于大地电磁信号降噪技术领域，具体涉及一种基于注意力机制稀疏表示的大地电磁信号去噪方法及系统。
背景技术
大地电磁测深法（Magnetotelluric, MT）是上个世纪50年代提出来的一种天然大地电磁场源勘探方法，该方法常用于探测地下水或探测地下深处矿物分布。但由于天然大地电磁信号极其微弱，极化方向不稳定，并且极易受到各种强烈人文电磁环境干扰，导致勘探得到的大地电磁原始信号中含有大量噪声，对后续电磁法反演带来很大困恼。因此，如何去除大地电磁原始信号中的噪声就成为一个亟待解决的问题。从大地电磁法诞生至今，通过噪声压制获取较高质量的大地电磁信号方式众多如远参考法、robust法、时间域去噪法、变换域去噪法等，这些信号处理方法在一定程度上都可以有效压制大地电磁信号中的大幅值干扰，从而提升大地电磁有用信号质量，但这些信号处理方法都或多或少存在着局限性，容易丢失部分有用信号，且无法对待处理数据段中的各式各样的干扰灵活处理，从而导致去噪后的信号与实际信号存在着比较大的偏差，甚至引入新的噪声，对后续的电磁法反演带来更大的困扰。
其中，变换域去噪算法中的匹配追踪算法是一种经典的利用稀疏表示进行信号提取的算法，其核心使用贪心策略，利用迭代，一次次添加当前最优原子逼近实际信号。由于其信号轮廓提取精度不高，从而衍生出一系列改进算法，如正交匹配追踪算法(OMP)，分段正交匹配追踪算法(STOMP)，自适应分段正交匹配追踪法(SASTOMP)等，该系列算法能够去除大部分大尺度噪声，但算法时间复杂度高且容易引入新的脉冲噪声。因此，如何减少该系列算法的时间复杂度和如何避免引入新的脉冲噪声是本领域亟需解决的问题。
发明内容
本发明的目的是针对传统匹配追踪系列算法进行噪声压制存在的去噪精度不高、容易引入新的脉冲噪声的技术问题，提供一种基于注意力机制稀疏表示的大地电磁信号去噪方法及系统，其对传统预设完备字典的稀疏表示方式进行改进，以一种全新的思路实现基于稀疏表述的大地电磁信号降噪。具体是通过引入注意力机制，一次性从冗余字典中选择出与大地电磁信号段的噪声轮廓更为匹配的原子集（最小子集），再利用该最小子集稀疏表示出噪声轮廓，进而实现对大地电磁信号的降噪，避免了传统匹配追踪系列算法多次迭代导致耗时较长以及容易引入新脉冲噪声的问题。
一方面，本发明提供的一种基于注意力机制稀疏表示的大地电磁信号去噪方法，其包括以下步骤：
步骤S1：获取待去噪的大地电磁信号以及冗余字典，并将所述大地电磁信号进行分段；
步骤S2：计算出待去噪的各个大地电磁信号段与所述冗余字典中每个原子的注意力权重；
步骤S3：针对待去噪的各个大地电磁信号段，均将待去噪的大地电磁信号段与各个原子的注意力权重均降序排列，再按序以累计的注意力权重之和大于或等于权重阈值为节点，从所述冗余字典中选择出原子构成待去噪的大地电磁信号段的最小子集；
步骤S4：对待去噪的大地电磁信号段的所述最小子集中的原子，进行稀疏编码得到稀疏编码向量；
步骤S5：拼接所有大地电磁信号段的稀疏编码向量得到稀疏编码矩阵，然后基于所述稀疏编码矩阵与所述冗余字典乘积得到噪声轮廓矩阵；
步骤S6：基于所述噪声轮廓矩阵对步骤S1中获取的所述待去噪的大地电磁信号进行去噪得到降噪后的大地电磁信号。
传统匹配追踪系列算法，如正交匹配追踪法(OMP)、分段正交匹配追踪法(StOMP)、自适应分段匹配追踪法(SAStOMP)，都是通过一次次迭代寻找最优原子来逼近实际信号，然而最大迭代次数是不会设置成整个字典中原子数量的，因此达到最大迭代次数时，提取的子集大概率不能将噪声轮廓完全的表示出来，即由于一段数据中会存在多种噪声叠加，当噪声轮廓提取不完全时，存在噪声被剩下而产生尖脉冲噪声、跳变噪声等；最终导致降噪效果受到影响。本发明考虑到噪声的幅值远高于纯净信号的幅值，进而引入注意力权重，其中，注意力权重是表示冗余字典中原子与大地电磁信号相似程度的指标，因此注意力权重越大，对应原子与大地电磁信号段的噪声轮廓越加相似。本发明按注意力权重降序将字典原子放入子集中就是按照相似程度，从最为相似的原子开始，依次添加次优原子进入子集，直到子集中原子满足权重之和大于权重阈值p，得到的最小子集中的原子与大地电磁信号段更加匹配，由此可知，本发明技术方案提供了一种全新的思路来获取与噪声轮廓更为贴切的原子选取方法，并通过实验证明，本方法技术方案能够较为完整的提取出噪声轮廓，从而有效降低传统稀疏表示方法达到最大迭代次数时引入的新脉冲噪声的概率，降噪效果更优。
再者，本发明技术方案中各个大地电磁信号段均对应一个子集，因此为各个大地电磁信号段选取的原子数量以及原子都可能不同，即对于不同段的大地电磁信号，构建了与其更为匹配的最小子集，从而提升了大地电磁信号的整体降噪效果。
进一步可选地，步骤S3中针对待去噪的各个大地电磁信号段，均按序计算累计的注意力权重之和直至大于或等于所述权重阈值，再利用所述注意力权重之和对应的原子构成大地电磁信号段的最小子集，具体表示为：
Figure 622695DEST_PATH_IMAGE001
式中，m表示原子，p表示大地电磁信号段对应的权重阈值，AW表示一个大地电磁信号段与所述冗余字典中所有原子的注意力权重构成的注意力权重矩阵，
Figure 560958DEST_PATH_IMAGE002
为注意力权重矩阵AW中大地电磁信号段与原子m的注意力权重。
进一步可选地，步骤S1中将所述大地电磁信号进行分段后，计算出各个大地电磁信号段的模糊熵；
其中，若所述模糊熵大于1.7，对应大地电磁信号段视为无干扰的大地电磁信号段，跳过步骤S2-S4，将对应所述大地电磁信号段的稀疏编码向量设置为0；
若所述模糊熵小于或等于1.7，对应大地电磁信号段存在干扰，即视为待去噪的大地电磁信号段，再按照步骤S2-S4得到对应所述大地电磁信号段的稀疏编码向量；
待得到所有大地电磁信号段的稀疏编码向量后，执行步骤S5。
进一步可选地，步骤S3中各个大地电磁信号段对应的权重阈值按照如下公式确定：
Figure 798035DEST_PATH_IMAGE003
式中，p表示一个大地电磁信号段对应的权重阈值，F表示大地电磁信号段对应的模糊熵，e为自然底数。
本发明技术方案使用模糊熵反映大地电磁数据受干扰程度，提出了模糊熵与权重阈值p的数值映射关系，为各个大地电磁信号段确定其更优、更匹配的权重阈值，进而为各个大地电磁信号段寻找到最优的所述最小子集。
其中，当模糊熵大于等于1.7时可以认为该段大地电磁信号未受到干扰；当模糊熵大于1.3小于1.7时可以认为该段大地电磁信号仅受细微扰动；当模糊熵大于0.5小于1.3时可以认为该段大地电磁信号受干扰严重；当模糊熵小于0.5时则可以认为该段大地电磁信号几乎全为噪声。其中，模糊熵越小则表明噪声越复杂，需要更多的字典原子才能将噪声完全表示，所以权重阈值p越高，构建的子集U中原子数量越多。
进一步可选地，步骤S2中按照如下公式计算出任一大地电磁信号段与所述冗余字典中每个原子的注意力权重：
Figure 775218DEST_PATH_IMAGE004
式中，AW为大地电磁信号段
Figure 109248DEST_PATH_IMAGE005
与所述冗余字典中所有原子的注意力权重构成的注意力权重矩阵，AS为大地电磁信号段
Figure 389050DEST_PATH_IMAGE006
与所述冗余字典中所有原子的注意力分数构成的注意力分数矩阵，softmax()表示softmax函数，且定义N、J分别为矩阵
Figure 674276DEST_PATH_IMAGE007
中第n个、第j个原子对应的元素；
存在：
Figure 189571DEST_PATH_IMAGE008
Figure 378107DEST_PATH_IMAGE009
式中，D表示冗余字典，T表示矩阵的转置符号,
Figure 94390DEST_PATH_IMAGE010
表示计算冗余字典D中所有原子对应的
Figure 430693DEST_PATH_IMAGE011
之和，e为自然底数。
本发明技术方案计算注意力权重时，对softmax函数进行改进，即除以的一范数，从而可以有效避免softmax函数计算时数值溢出和将概率全分在注意力分数最大的那一项。此外，本发明技术方案选择注意力权重而非注意力分数，更是考虑到注意力权重是类概率形式，可以扩大数值间的细小差距，起到很好的区分效果，从而更好的判断哪些原子与待处理的大地电信信号相似，最终选择出更贴合实际信号的原子。
进一步可选地，步骤S4中对大地电磁信号段的所述最小子集中的原子进行稀疏编码得到稀疏编码向量的公式为：
Figure 687362DEST_PATH_IMAGE012
其中，
Figure 169553DEST_PATH_IMAGE013
为大地电磁信号段
Figure 853475DEST_PATH_IMAGE006
对应的稀疏编码向量，U为大地电磁信号段
Figure 677074DEST_PATH_IMAGE006
对应的最小子集，
Figure 675117DEST_PATH_IMAGE014
为最小子集U的转置。
进一步可选地，所述冗余字典是采用db1二阶小波原子、haar四阶小波原子构建的。
进一步可选地，所述权重阈值的取值范围为：[0.5,0.6]。
进一步可选地，步骤S1中将所述大地电磁信号进行分段后，利用各个大地电磁信号段构建待处理信号矩阵；
其中，所述待处理信号矩阵中的每一列或每一行元素分别对应一个大地电磁信号段，进而利用构建的所述待处理信号矩阵的列向量或行向量执行步骤S2的计算。
第二方面，本发明提供一种基于上述大地电磁信号去噪方法的系统，其包括：
大地电磁信号获取模块，用于获取待去噪的大地电磁信号以及将所述大地电磁信号进行分段；
冗余字典获取模块，用于获取/构建冗余字典；
注意力权重计算模块，用于计算出待去噪的各个大地电磁信号段与所述冗余字典中每个原子的注意力权重；
最小子集构建模块，用于针对待去噪的各个大地电磁信号段，均将待去噪的大地电磁信号段与各个原子的注意力权重均降序排列，再按序以累计的注意力权重之和大于或等于权重阈值为节点，从所述冗余字典中选择出原子构成待去噪的大地电磁信号段的最小子集；
稀疏编码模块，用于对待去噪的大地电磁信号段的所述最小子集中的原子，进行稀疏编码得到稀疏编码向量；
噪声轮廓提取模块，用于拼接所有大地电磁信号段的稀疏编码向量得到稀疏编码矩阵，然后基于所述稀疏编码矩阵与所述冗余字典的乘积得到噪声轮廓矩阵；
降噪模块，用于基于所述噪声轮廓矩阵对获取的所述待去噪的大地电磁信号进行去噪得到降噪后的大地电磁信号。
有益效果
1、本发明技术方案利用注意力机制选择出与各个大地电磁信号段的噪声轮廓更为匹配的最小子（原子集），使得利用该最小子集稀疏表示出更加完全的噪声轮廓，提高降噪效果；此外，本发明构建各个大地电磁信号段的最小子集时，是一次性从冗余字典中选择出适宜原子，避免了传统迭代寻优方式带来的算法时间复杂度高的问题，以一种更为简单的全新方式来实现基于稀疏表示的大地电磁信号降噪。
2、本发明针对每一段大地电磁信号，在选取原子时既做到了从相似度高的开始选取，又做到了对于不同段大地电磁信号选取原子数量以及原子是动态变化，即不同段大地电磁信号对应的最小子集极有可能不同，这样的动态调整可以使算法更智能地捕捉与各个大地电磁信号段最为相似的字典原子，进而提升降噪效果。
3、本发明进一步的优选方案中，利用模糊熵将大地电磁信号受干扰程度数值化，通过大量实验总结规律，提出模糊熵与权重阈值p的数值映射关系，为各个大地电磁信号段确定其更优、更匹配的权重阈值，进而为各个大地电磁信号段寻找到最优的所述最小子集。
附图说明
图1为本发明实施例提供的一种基于注意力机制稀疏表示的大地电磁信号去噪方法的流程图；
图2为拟合权重阈值p计算公式的散点图；
图3为模拟复杂带噪信号的去噪效果图，对应（a）、（b）、（c）编号分别对应带噪信号、噪声轮廓、纯净信号；
图4为实测数据中的类三角波噪声去噪效果图，对应（a）、（b）、（c）编号分别对应原始信号、噪声轮廓、还原信号；
图5为实测数据中的类谐波噪声去噪效果图，对应（a）、（b）、（c）编号分别对应带噪信号、噪声轮廓、恢复信号；
图6-图9是在实测点EL22179A的原始的视电阻率曲线和相位曲线和本发明方法处理后的视电阻率曲线和相位曲线，其中，图6、图7为经过本发明方法处理后的视电阻率曲线，图6为
Figure 572666DEST_PATH_IMAGE015
方向，图7为
Figure 489807DEST_PATH_IMAGE016
方向；图8、图9为经过本发明方法处理后的相位曲线，图8为
Figure 236921DEST_PATH_IMAGE017
方向，图9为
Figure 773075DEST_PATH_IMAGE018
方向。
具体实施方式
本发明为了解决大地电磁信号降噪精度有待进一步提高以及算法复杂度有待降低的问题，提供了一种基于注意力机制稀疏表示的大地电磁信号去噪方法及系统。所述大地电磁信号去噪方法对传统预设完备字典的稀疏表示方式进行改进，以一种全新的思路实现基于稀疏表述的大地电磁信号降噪。下面将结合实施例对本发明做进一步的说明。
实施例1：
本实施例提供一种基于注意力机制稀疏表示的大地电磁信号去噪方法，包括以下步骤：
步骤1：获取待去噪的大地电磁信号以及冗余字典，并将所述大地电磁信号进行分段，再利用各个大地电磁信号段构成待处理信号矩阵。其中，待处理信号矩阵的每行或每列元素分别对应一段大地电磁信号。
本实施例中，将数据分段长度设置为50并以待处理信号矩阵的每列元素对应一段大地电磁信号，所构建得到的待处理信号矩阵Y如下：
Figure 525131DEST_PATH_IMAGE019
得到的待处理信号矩阵Y为
Figure 878752DEST_PATH_IMAGE020
的矩阵。应当理解，本实施例中采用等长分段，即每一段采样点数量为50，在其他可行的实施例中，可以改变等长分段采样点数量，本发明对此不进行具体限定。且其他可行的实施例中，还可以以待处理信号矩阵的每行元素表示一段大地电磁信号。
关于冗余字典，本领域已存在诸多技术方案来构建冗余字典，且本发明并不约束冗余字典的构建手段。本实施例中使用小波原子构建冗余字典，具体是使用db1二阶小波原子、haar四阶小波原子构建冗余字典D。为了与本实施例构建的待处理信号矩阵像匹配，冗余字典D为50•103的矩阵，该矩阵的103列每一列为一段长度为50的字典原子。应当理解，在其他可行的实施例中，可以改变冗余字典中的小波原子种类或使用字典学习方法得到冗余字典，本发明对此不进行具体限定。
步骤S2：计算出待去噪的各个大地电磁信号段与所述冗余字典中每个原子的注意力权重。
其中，以待处理信号矩阵Y中的第i列元素
Figure 349047DEST_PATH_IMAGE006
（对应一个大地电磁信号段）为例进行如下计算说明。
将大地电磁信号段
Figure 178639DEST_PATH_IMAGE006
与冗余字典D的转置
Figure 113097DEST_PATH_IMAGE021
相乘，得到冗余字典中每个原子与大地电磁信号段
Figure 575302DEST_PATH_IMAGE006
的注意力分数矩阵AS，再将注意力分数矩阵AS除以大地电磁信号段
Figure 470577DEST_PATH_IMAGE006
的1范数后送入softmax函数转化为注意力权重矩阵AW，具体公式如下：
Figure 738747DEST_PATH_IMAGE022
式中，AW为大地电磁信号段
Figure 465395DEST_PATH_IMAGE006
与所述冗余字典中所有原子的注意力权重构成的注意力权重矩阵，AS为大地电磁信号段
Figure 534720DEST_PATH_IMAGE006
与所述冗余字典中所有原子的注意力分数构成的注意力分数矩阵，softmax()表示softmax函数，且定义N、J分别为矩阵
Figure 41925DEST_PATH_IMAGE023
中第n个、第j个原子对应的元素；D表示冗余字典，T表示矩阵的转置符号，
Figure 989152DEST_PATH_IMAGE010
表示计算冗余字典D中所有原子对应的
Figure 570306DEST_PATH_IMAGE011
之和，e为自然底数。
需要说明的是，本实施例使用点积注意力分数，在其他可行的实施例中，可以使用其他计算注意力分数方式，如加性注意力分数，tanh注意力分数等，本发明对此不进行具体限定。
步骤3：针对待去噪的各个大地电磁信号段，均将待去噪的大地电磁信号段与各个原子的注意力权重均降序排列，再按序以累计的注意力权重之和大于或等于权重阈值为节点，从所述冗余字典中选择出原子构成待去噪的大地电磁信号段的最小子集。
步骤4：对待去噪的大地电磁信号段的所述最小子集中的原子进行稀疏编码得到稀疏编码向量。
其中，针对各个大地电磁信号段，以步骤2计算出的注意力权重大小进行降序排列，再选取前m个原子构成最小子集，该最小子集满足：
Figure 702210DEST_PATH_IMAGE001
上述公式中，p表示权重阈值。
Figure 572077DEST_PATH_IMAGE002
为注意力权重矩阵AW中一个大地电磁信号段与原子m的注意力权重。根据上述公式可知，最小子集的构建过程可以理解为：在选取原子时从相似度高的开始选取，直至累计的注意力权重之和大于或等于对应权重阈值。
关于权重阈值，在一些实施例中，可以设定权重阈值的取值范围0.5-0.6，再在所述取值范围内确定权重阈值的大小，譬如将权重阈值设定为0.6。然后，本发明优选依据每一段大地电磁信号的模糊熵确定其最佳的权重阈值，具体如下：
Figure 182050DEST_PATH_IMAGE003
式中，p表示大地电磁信号段对应的权重阈值，F表示大地电磁信号段对应的模糊熵，e为自然底数。本发明是通过构建5000段模拟带噪数据，计算其中每一段数据的模糊熵与这段数据最好去噪效果对应的权重阈值p，通过拟合计算出上述分段函数，进而构建出大地电磁未处理数据的模糊熵F与权重阈值p的数值映射关系。图2为权重阈值p计算公式的散点图，图中横坐标为每段数据的模糊熵，纵坐标为每段数据的最佳权重阈值p，图中每一散点表示一段数据的模糊熵与该段数据最佳权重阈值。
而当F大于1.7时，认为该段数据未受干扰，不需要处理。因此，在设定上述权重阈值的技术方案中，在步骤S1中将所述大地电磁信号进行分段后，计算出各个大地电磁信号段的模糊熵；其中，若所述模糊熵大于1.7，对应大地电磁信号段视为无干扰的大地电磁信号段，将对应所述大地电磁信号段的稀疏编码向量设置为0；若所述模糊熵小于或等于1.7，对应大地电磁信号段存在干扰，即被视为待去噪的大地电磁信号段，再按照步骤S2-S4得到对应所述大地电磁信号段的稀疏编码向量；待得到所有大地电磁信号段的稀疏编码向量后，执行步骤S5。
其中，利用最小二乘法对步骤3中选取的子集中的各个原子进行稀疏编码，得到稀疏编码向量
Figure 384755DEST_PATH_IMAGE013
，对应公式为：
Figure 297347DEST_PATH_IMAGE012
其中，
Figure 779144DEST_PATH_IMAGE013
表示大地电磁信号段
Figure 68174DEST_PATH_IMAGE006
对应的稀疏编码向量，
Figure 623920DEST_PATH_IMAGE014
为子集U的转置。稀疏矩阵编码R由所有稀疏编码向量
Figure 566468DEST_PATH_IMAGE013
拼接而成，公式如下：
Figure 909463DEST_PATH_IMAGE024
最后，基于冗余字典D与稀疏编码矩阵R的乘积得到噪声轮廓矩阵LK，对应公式为：
Figure 798921DEST_PATH_IMAGE025
步骤5：基于所述噪声轮廓矩阵对步骤1中的所述待去噪的大地电磁信号进行去噪得到降噪后的大地电磁信号。具体是将噪声轮廓矩阵恢复成为噪声轮廓，待处理信号减去噪声轮廓得到降噪信号（恢复信号）。
其中，如图3表示模拟复杂干扰的大地电磁信号去噪的效果，其中第一个子图（a）为带噪信号，第二个子图（b）为本方法提取出的噪声轮廓，第三个子图（c）为本方法得到的恢复信号。如图所示，图4，图5均为表示实测干扰的电磁信号去噪的效果图，其中图4为实测数据中的类三角波噪声去噪效果图，对应（a）、（b）、（c）分别对应原始信号、噪声轮廓、还原信号；图5为实测数据中的类谐波噪声去噪效果图，对应（a）、（b）、（c）分别对应带噪信号、噪声轮廓、恢复信号。从图中可知低频数据保留较好，大尺度噪声去除干净。
对比实测点(EL22179A)经本发明方法处理前后的视电阻率曲线来评价效果优劣。图6-图9所示为未经处理的大地电磁信号的视电阻率曲线和相位曲线与通过本发明处理后的大地电磁信号的视电阻率曲线和相位曲线对比图，实心圆表示原始带噪数据，空心圆表示处理后的恢复数据。其中图6、图7所示为经过本发明方法处理后的视电阻率曲线，图6为
Figure 271491DEST_PATH_IMAGE015
方向，图7为
Figure 588203DEST_PATH_IMAGE016
方向；图8、图9所示为经过本发明方法处理后的相位曲线，图8为
Figure 919958DEST_PATH_IMAGE017
方向，图9为
Figure 675425DEST_PATH_IMAGE018
方向。通过对比处理前和处理后的视电阻率曲线和相位曲线可以看出，本发明方法有效地剔除了大地电磁信号中的强干扰信号，经本发明处理后的视电阻率曲线和相位更加平缓，相比于原始视电阻率曲线下降了多个数量级，有效地压制了近源干扰，且低频曲线部分有所上台，较好的恢复了原始大地电磁信号的缓变化趋势，对于大地电磁信号数据处理有着广阔的应用前景。
实施例2：
基于上述大地电磁信号去噪方法的系统，包括：大地电磁信号获取模块、冗余字典获取模块、注意力权重计算模块、最小子集构建模块、稀疏编码模块、噪声轮廓提取模块以及降噪模块。
其中，大地电磁信号获取模块用于获取待去噪的大地电磁信号以及将所述大地电磁信号进行分段。
冗余字典获取模块用于获取/构建冗余字典。
注意力权重计算模块用于计算出待去噪的各个大地电磁信号段与所述冗余字典中每个原子的注意力权重。
最小子集构建模块用于针对待去噪的各个大地电磁信号段，均将待去噪的大地电磁信号段与各个原子的注意力权重均降序排列，再按序以累计的注意力权重之和大于或等于权重阈值为节点，从所述冗余字典中选择出原子构成待去噪的大地电磁信号段的最小子集。
稀疏编码模块用于对待去噪的大地电磁信号段的所述最小子集中的原子进行稀疏编码得到稀疏编码向量。
噪声轮廓提取模块，用于拼接所有大地电磁信号段的稀疏编码向量得到稀疏编码矩阵，然后基于所述稀疏编码矩阵与所述冗余字典乘积得到噪声轮廓矩阵。
降噪模块，用于基于所述噪声轮廓矩阵对获取的所述待去噪的大地电磁信号进行去噪得到降噪后的大地电磁信号。
应当理解，具体各个模块的实现过程请参照上述方法的内容，在此不再赘述。还应该理解到，上述功能模块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 (10)

1.一种基于注意力机制稀疏表示的大地电磁信号去噪方法，其特征在于：包括以下步骤：
步骤S1：获取待去噪的大地电磁信号以及冗余字典，并将所述大地电磁信号进行分段；
步骤S2：计算待去噪的各个大地电磁信号段与所述冗余字典中每个原子的注意力权重；
步骤S3：针对待去噪的各个大地电磁信号段，均将待去噪的大地电磁信号段与各个原子的注意力权重降序排列，再按序以累计的注意力权重之和大于或等于权重阈值为节点，从所述冗余字典中选择出原子构成待去噪的大地电磁信号段的最小子集；
步骤S4：对待去噪的大地电磁信号段的所述最小子集中的原子，进行稀疏编码得到稀疏编码向量；
步骤S5：拼接所有大地电磁信号段的稀疏编码向量得到稀疏编码矩阵，然后基于所述稀疏编码矩阵与所述冗余字典乘积得到噪声轮廓矩阵；
步骤S6：基于所述噪声轮廓矩阵对步骤S1中所述待去噪的大地电磁信号进行去噪得到降噪后的大地电磁信号。
2.根据权利要求1所述的大地电磁信号去噪方法，其特征在于：步骤S3中针对待去噪的各个大地电磁信号段，均按序计算累计的注意力权重之和直至大于或等于所述权重阈值，再利用所述注意力权重之和对应的原子构成大地电磁信号段的最小子集，具体表示为：
Figure 825098DEST_PATH_IMAGE001
式中，m表示原子，p表示大地电磁信号段对应的权重阈值，AW表示一个大地电磁信号段与所述冗余字典中所有原子的注意力权重构成的注意力权重矩阵，
Figure 906187DEST_PATH_IMAGE002
为注意力权重矩阵AW中大地电磁信号段与原子m的注意力权重。
3.根据权利要求1所述的大地电磁信号去噪方法，其特征在于：步骤S1中将所述大地电磁信号进行分段后，计算出各个大地电磁信号段的模糊熵；
其中，若所述模糊熵大于1.7，对应大地电磁信号段视为无干扰的大地电磁信号段，跳过步骤S2-S4，将对应所述大地电磁信号段的稀疏编码向量设置为0；
若所述模糊熵小于或等于1.7，对应大地电磁信号段存在干扰，即视为待去噪的大地电磁信号段，再按照步骤S2-S4得到对应所述大地电磁信号段的稀疏编码向量；
待得到所有大地电磁信号段的稀疏编码向量后，执行步骤S5。
4.根据权利要求3所述的大地电磁信号去噪方法，其特征在于：步骤S3中各个大地电磁信号段对应的权重阈值按照如下公式确定：
Figure 256397DEST_PATH_IMAGE003
式中，p表示一个大地电磁信号段对应的权重阈值，F表示大地电磁信号段对应的模糊熵，e为自然底数。
5.根据权利要求1所述的大地电磁信号去噪方法，其特征在于：步骤S2中按照如下公式计算出任一大地电磁信号段与所述冗余字典中每个原子的注意力权重：
Figure 425341DEST_PATH_IMAGE004
式中，AW为大地电磁信号段
Figure 544607DEST_PATH_IMAGE005
与所述冗余字典中所有原子的注意力权重构成的注意力权重矩阵，AS为大地电磁信号段
Figure 170498DEST_PATH_IMAGE006
与所述冗余字典中所有原子的注意力分数构成的注意力分数矩阵，softmax()表示softmax函数，且定义N、J分别为矩阵
Figure 601479DEST_PATH_IMAGE007
中第n个、第j个原子对应的元素；
存在：
Figure 839694DEST_PATH_IMAGE008
Figure 547887DEST_PATH_IMAGE009
式中，D表示冗余字典，T表示矩阵的转置符号,
Figure 970778DEST_PATH_IMAGE010
表示计算冗余字典D中所有原子对应的
Figure 295580DEST_PATH_IMAGE011
之和，e为自然底数。
6.根据权利要求1所述的大地电磁信号去噪方法，其特征在于：步骤S4中对大地电磁信号段的所述最小子集中的原子进行稀疏编码得到稀疏编码向量的公式为：
Figure 573371DEST_PATH_IMAGE012
其中，
Figure 401649DEST_PATH_IMAGE013
为大地电磁信号段
Figure 729863DEST_PATH_IMAGE006
对应的稀疏编码向量，U为大地电磁信号段
Figure 10802DEST_PATH_IMAGE006
对应的最小子集，
Figure 590819DEST_PATH_IMAGE014
为最小子集U的转置。
7.根据权利要求1所述的大地电磁信号去噪方法，其特征在于：所述冗余字典是采用db1二阶小波原子、haar四阶小波原子构建的。
8.根据权利要求1所述的大地电磁信号去噪方法，其特征在于：所述权重阈值的取值范围为：[0.5,0.6]。
9.根据权利要求1所述的大地电磁信号去噪方法，其特征在于：步骤S1中将所述大地电磁信号进行分段后，利用各个大地电磁信号段构建待处理信号矩阵；
其中，所述待处理信号矩阵中的每一列或每一行元素分别对应一个大地电磁信号段，进而利用构建的所述待处理信号矩阵的列向量或行向量执行步骤S2的计算。
10.一种基于权利要求1-9任一项所述大地电磁信号去噪方法的系统，其特征在于：包括：
大地电磁信号获取模块，用于获取待去噪的大地电磁信号以及将所述大地电磁信号进行分段；
冗余字典获取模块，用于获取/构建冗余字典；
注意力权重计算模块，用于计算出待去噪的各个大地电磁信号段与所述冗余字典中每个原子的注意力权重；
最小子集构建模块，用于针对待去噪的各个大地电磁信号段，均将待去噪的大地电磁信号段与各个原子的注意力权重均降序排列，再按序以累计的注意力权重之和大于或等于权重阈值为节点，从所述冗余字典中选择出原子构成待去噪的大地电磁信号段的最小子集；
稀疏编码模块，用于对待去噪的大地电磁信号段的所述最小子集中的原子，进行稀疏编码得到稀疏编码向量；
噪声轮廓提取模块，用于拼接所有大地电磁信号段的稀疏编码向量得到稀疏编码矩阵，然后基于所述稀疏编码矩阵与所述冗余字典的乘积得到噪声轮廓矩阵；
降噪模块，用于基于所述噪声轮廓矩阵对获取的所述待去噪的大地电磁信号进行去噪得到降噪后的大地电磁信号。
CN202210946438.3A 2022-08-09 2022-08-09 基于注意力机制稀疏表示的大地电磁信号去噪方法及系统 Active CN115017964B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210946438.3A CN115017964B (zh) 2022-08-09 2022-08-09 基于注意力机制稀疏表示的大地电磁信号去噪方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210946438.3A CN115017964B (zh) 2022-08-09 2022-08-09 基于注意力机制稀疏表示的大地电磁信号去噪方法及系统

Publications (2)

Publication Number Publication Date
CN115017964A CN115017964A (zh) 2022-09-06
CN115017964B true CN115017964B (zh) 2022-10-25

Family

ID=83066104

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210946438.3A Active CN115017964B (zh) 2022-08-09 2022-08-09 基于注意力机制稀疏表示的大地电磁信号去噪方法及系统

Country Status (1)

Country Link
CN (1) CN115017964B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117076858B (zh) * 2023-08-18 2024-06-04 东华理工大学 一种基于深度学习的低频大地电磁强干扰压制方法及系统

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110147766A (zh) * 2019-05-21 2019-08-20 东华理工大学 基于移不变稀疏编码的低频大地电磁信号去噪方法
CN110673222A (zh) * 2019-09-30 2020-01-10 湖南师范大学 一种基于原子训练的大地电磁信号噪声压制方法及系统
CN113642484A (zh) * 2021-08-18 2021-11-12 湖南师范大学 一种基于bp神经网络的大地电磁信号噪声压制方法及系统

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2017048445A1 (en) * 2015-09-15 2017-03-23 Exxonmobil Upstream Research Company Accelerated occam inversion using model remapping and jacobian matrix decomposition

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110147766A (zh) * 2019-05-21 2019-08-20 东华理工大学 基于移不变稀疏编码的低频大地电磁信号去噪方法
CN110673222A (zh) * 2019-09-30 2020-01-10 湖南师范大学 一种基于原子训练的大地电磁信号噪声压制方法及系统
CN113642484A (zh) * 2021-08-18 2021-11-12 湖南师范大学 一种基于bp神经网络的大地电磁信号噪声压制方法及系统

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
基于稀疏表示与粒子群优化算法的非平稳信号去噪研究;叶华等;《红外与激光工程》;20180725(第07期);全文 *

Also Published As

Publication number Publication date
CN115017964A (zh) 2022-09-06

Similar Documents

Publication Publication Date Title
Ruikar et al. Wavelet based image denoising technique
Antoniadis et al. Regularization of wavelet approximations
Hyvarinen et al. Image feature extraction by sparse coding and independent component analysis
CN113094993B (zh) 基于自编码神经网络的调制信号去噪方法
CN102073999B (zh) 基于双冗余字典学习的自然图像去噪方法
CN113568058B (zh) 一种基于多分辨率奇异值分解的大地电磁信噪分离方法及系统
CN115017964B (zh) 基于注意力机制稀疏表示的大地电磁信号去噪方法及系统
CN112596104B (zh) 一种结合张量分解和全变分的地震资料去噪方法
CN113392732B (zh) 一种局部放电超声信号抗干扰方法及系统
CN113537102B (zh) 一种微震信号的特征提取方法
CN112990139A (zh) 基于变模态分解加权重构信号结合小波阈值去噪方法
CN114358093A (zh) 一种电力设备中局部放电的检测方法及设备
CN112817056B (zh) 一种大地电磁信号去噪方法及系统
CN117076858B (zh) 一种基于深度学习的低频大地电磁强干扰压制方法及系统
CN115808713A (zh) 一种基于改进bemd算法的地震叠前数据优化方法及设备
CN116719085B (zh) 一种地震记录高分辨率处理方法、装置、设备及存储介质
CN111650655B (zh) 一种非负矩阵分解的有监督瞬变电磁信号降噪方法
Fang et al. Mask-guided model for seismic data denoising
CN114723733B (zh) 一种基于公理解释的类激活映射方法及装置
CN113009564B (zh) 地震数据处理方法和装置
Chen et al. Using particle swarm optimization algorithm for image enhancement
CN110687605A (zh) 基于改进的k-svd算法在地震信号处理的算法分析应用
CN112363217A (zh) 一种地震数据随机噪声压制方法及系统
CN112907456A (zh) 基于全局平滑约束先验模型的深度神经网络图像去噪方法
Sun et al. A New Wavelet Threshold Function Based on Gaussian Kernel Function for Image De-noising.

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