CN116027440A - 大功率电磁探测系统数据处理方法 - Google Patents
大功率电磁探测系统数据处理方法 Download PDFInfo
- Publication number
- CN116027440A CN116027440A CN202211727618.9A CN202211727618A CN116027440A CN 116027440 A CN116027440 A CN 116027440A CN 202211727618 A CN202211727618 A CN 202211727618A CN 116027440 A CN116027440 A CN 116027440A
- Authority
- CN
- China
- Prior art keywords
- feature
- electromagnetic field
- alternating electromagnetic
- field echo
- echo signals
- 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.)
- Pending
Links
Images
Classifications
-
- 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
- Image Analysis (AREA)
Abstract
本申请涉及数据处理领域,其具体地公开了一种大功率电磁探测系统数据处理方法,其通过采用基于深度学习的深度神经网络模型的自动编解码器从危机矿山返回的具有不同频率的多个交变电磁场回波信号中提取出多个降噪后交变电磁场回波信号,继而从多个降噪后交变电磁场回波信号提取出多个观测值,使用Clip模型来完成所述降噪后交变电磁场回波信号的时域和频域的特征挖掘融合,进一步通过使用三维卷积核的卷积神经网络模型挖掘出具有不同频率的所述多个交变电磁场回波信号特征间的关联关系,以提高电磁探测的精准度,进而在解决危机矿山的深部找矿时节省大量的时间和物力。
Description
技术领域
本申请涉及数据处理领域,且更为具体地,涉及一种大功率电磁探测系统数据处理方法。
背景技术
近年来,我国深部矿产勘查技术飞速发展,各类勘查项目对深部矿产勘查的技术要求日益提高。面对电磁干扰复杂、探测深度大的矿山勘探条件和要求,以往应用广泛的传统电磁法技术短板明显:其一,大多数矿山高压线路、工矿设施、采掘作业、地下管线等形成复杂的电磁干扰,传统电磁法难以在强干扰环境下获取较高信噪比的观测数据:其二,传统电磁法获取的低频数据(反映深部构造信息)受背景电磁场波动的影响明显,有效观测深度较浅。
经过多个轮次的矿产普查,我国浅-地表大中型矿已经基本查明。随着社会经济飞速发展,资源消耗速度日趋提高,现有产出25种主要金属矿产的415座大中型矿山中,192座(占46.2%)面临不同程度的资源危机。危机矿山深部找矿突破是我国多数矿山实现资源增储的主要方向。而危机矿山往往人文活动频繁、剧烈,电磁环境复杂,如何在强电磁干扰大的危机矿山实现深部找矿,是电磁勘查领域面临的一大难题。大功率电磁探测系统具有抗干扰、大探测深度的显著优势,是解决危机矿山深部找矿的主力军之一。目前,国内电磁勘察领域对大功率电磁探测系统需求日益迫切,尤其是迫切需要能够兼容频率域和时间域多种电磁探测方法的仪器设备,这也是电磁勘查仪器设备发展的主要方向。
因此,期望一种优化的大功率电磁探测系统数据处理方案。
发明内容
为了解决上述技术问题,提出了本申请。本申请的实施例提供了一种大功率电磁探测系统数据处理方法,其通过采用基于深度学习的深度神经网络模型的自动编解码器从危机矿山返回的具有不同频率的多个交变电磁场回波信号中提取出多个降噪后交变电磁场回波信号,继而从多个降噪后交变电磁场回波信号提取出多个观测值,使用Clip模型来完成所述降噪后交变电磁场回波信号的时域和频域的特征挖掘融合,进一步通过使用三维卷积核的卷积神经网络模型挖掘出具有不同频率的所述多个交变电磁场回波信号特征间的关联关系,以提高电磁探测的精准度,进而在解决危机矿山的深部找矿时节省大量的时间和物力。
根据本申请的一个方面,提供了一种大功率电磁探测系统数据处理方法,其包括:
获取从待检测危机矿山返回的多个交变电磁场回波信号,所述多个交变电磁场回波信号具有不同频率;
将所述多个交变电磁场回波信号通过基于自动编解码器的降噪模块以得到多个降噪后交变电磁场回波信号;
分别提取所述多个降噪后交变电磁场回波信号的多个观测值,所述多个观测值包括正交电、磁场分量和阻抗相位差;
将各个所述降噪后交变电磁场回波信号的波形图和各个所述降噪后交变电磁场回波信号的多个观测值分别通过Clip模型以得到多个交变磁场特征矩阵,其中,所述Clip模型包括并行的序列编码器和图像编码器,以及,与所述序列编码器和所述图像编码器连接的图像编码优化模块;
将所述多个交变磁场特征矩阵沿着样本维度聚合为三维输入张量后通过使用三维卷积核的卷积神经网络模型以得到关联特征图;
对所述关联特征图进行特征分布调制以得到分类特征图;以及
将所述分类特征图通过分类器以得到分类结果,所述分类结果用于表示待检测危机矿山是否存在矿藏。
在上述大功率电磁探测系统数据处理方法中,所述将所述多个交变电磁场回波信号通过基于自动编解码器的降噪模块以得到多个降噪后交变电磁场回波信号,包括:使用所述自动编码器的编码器从所述多个交变电磁场回波信号提取多个交变电磁场回波信号特征,其中,所述自动编码器的编码器为卷积层;以及,使用所述自动编码器的解码器对所述多个交变电磁场回波信号特征进行解码以得到所述多个降噪后交变电磁场回波信号,其中,所述自动编码器的解码器为反卷积层。
在上述大功率电磁探测系统数据处理方法中,所述自动编解码器的编码器包括至少一个卷积层,所述自动编解码器的解码器包括至少一个反卷积层。在上述大功率电磁探测系统数据处理方法中,所述将各个所述降噪后交变电磁场回波信号的波形图和各个所述降噪后交变电磁场回波信号的多个观测值分别通过Clip模型以得到多个交变磁场特征矩阵,包括:使用所述Clip模型的图像编码器对所述各个所述降噪后交变电磁场回波信号的波形图进行深度卷积编码以得到波形特征向量;使用所述Clip模型的序列编码器对所述各个所述降噪后交变电磁场回波信号的多个观测值进行多尺度一维卷积编码以得到观测值特征向量;使用所述Clip模型的图像编码优化模块基于所述观测值特征向量对所述波形特征向量进行编码优化以得到所述交变磁场特征矩阵。
在上述大功率电磁探测系统数据处理方法中,所述图像编码器为作为过滤器的卷积神经网络模型,所述序列编码器为多尺度邻域特征提取模块,其中,所述多尺度邻域特征提取模块包含并联的第一卷积层和第二卷积层,以及,与所述第一卷积层和所述第二卷积层连接的多尺度特征融合层。
在上述大功率电磁探测系统数据处理方法中,所述使用所述Clip模型的图像编码优化模块基于所述观测值特征向量对所述波形特征向量进行编码优化以得到所述交变磁场特征矩阵,包括:使用所述Clip模型的图像编码优化模块基于所述观测值特征向量对所述波形特征向量进行编码优化以得到所述交变磁场特征矩阵;其中,所述公式为:
在上述大功率电磁探测系统数据处理方法中,所述将所述多个交变磁场特征矩阵沿着样本维度聚合为三维输入张量后通过使用三维卷积核的卷积神经网络模型以得到关联特征图,包括:使用所述使用三维卷积核的卷积神经网络模型的各层在层的正向传递中分别对输入数据进行:对输入数据进行卷积处理以得到卷积特征图;对所述卷积特征图进行基于局部特征矩阵的池化以得到池化特征图;以及,对所述池化特征图进行非线性激活以得到激活特征图;其中,所述使用三维卷积核的卷积神经网络的最后一层的输出为所述关联特征图,所述使用三维卷积核的卷积神经网络的第一层的输入为所述三维输入张量。
在上述大功率电磁探测系统数据处理方法中,所述对所述关联特征图进行特征分布调制以得到分类特征图,包括:以如下公式对所述关联特征图进行表征平展化以得到所述分类特征图;其中,所述公式为:
其中fi是所述关联特征图的预定特征值,fj是所述关联特征图的所述预定特征值以外的其它特征值,是所述关联特征图的所有特征值的均值,且N是所述关联特征图的尺度,exp(·)表示数值的指数运算,所述数值的指数运算表示计算以所述数值为幂的自然指数函数值,fi'是所述分类特征图的第i个位置的特征值。
在上述大功率电磁探测系统数据处理方法中,所述将所述分类特征图通过分类器以得到分类结果,所述分类结果用于表示待检测危机矿山是否存在矿藏,包括:将所述分类特征图基于行向量或列向量展开为分类特征向量;使用所述分类器的多个全连接层对所述分类特征向量进行全连接编码以得到编码分类特征向量;以及,将所述编码分类特征向量通过所述分类器的Softmax分类函数以得到所述分类结果。
根据本申请的另一方面,提供了一种大功率电磁探测系统数据处理系统,其包括:
信号获取模块,用于获取从待检测危机矿山返回的多个交变电磁场回波信号,所述多个交变电磁场回波信号具有不同频率;
降噪模块,用于将所述多个交变电磁场回波信号通过基于自动编解码器的降噪模块以得到多个降噪后交变电磁场回波信号;
观测值提取模块,用于分别提取所述多个降噪后交变电磁场回波信号的多个观测值,所述多个观测值包括正交电、磁场分量和阻抗相位差;
交变磁场特征矩阵生成模块,用于将各个所述降噪后交变电磁场回波信号的波形图和各个所述降噪后交变电磁场回波信号的多个观测值分别通过Clip模型以得到多个交变磁场特征矩阵,其中,所述Clip模型包括并行的序列编码器和图像编码器,以及,与所述序列编码器和所述图像编码器连接的图像编码优化模块;
卷积模块,用于将所述多个交变磁场特征矩阵沿着样本维度聚合为三维输入张量后通过使用三维卷积核的卷积神经网络模型以得到关联特征图;
特征分布调制模块,用于对所述关联特征图进行特征分布调制以得到分类特征图;以及
分类结果生成模块,用于将所述分类特征图通过分类器以得到分类结果,所述分类结果用于表示待检测危机矿山是否存在矿藏。
根据本申请的再一方面,提供了一种电子设备,包括:处理器;以及,存储器,在所述存储器中存储有计算机程序指令,所述计算机程序指令在被所述处理器运行时使得所述处理器执行如上所述的大功率电磁探测系统数据处理方法。
根据本申请的又一方面,提供了一种计算机可读介质,其上存储有计算机程序指令,所述计算机程序指令在被处理器运行时使得所述处理器执行如上所述的大功率电磁探测系统数据处理方法。
与现有技术相比,本申请提供的一种大功率电磁探测系统数据处理方法,其通过采用基于深度学习的深度神经网络模型的自动编解码器从危机矿山返回的具有不同频率的多个交变电磁场回波信号中提取出多个降噪后交变电磁场回波信号,继而从多个降噪后交变电磁场回波信号提取出多个观测值,使用Clip模型来完成所述降噪后交变电磁场回波信号的时域和频域的特征挖掘融合,进一步通过使用三维卷积核的卷积神经网络模型挖掘出具有不同频率的所述多个交变电磁场回波信号特征间的关联关系,以提高电磁探测的精准度,进而在解决危机矿山的深部找矿时节省大量的时间和物力。
附图说明
通过结合附图对本申请实施例进行更详细的描述,本申请的上述以及其他目的、特征和优势将变得更加明显。附图用来提供对本申请实施例的进一步理解,并且构成说明书的一部分,与本申请实施例一起用于解释本申请,并不构成对本申请的限制。在附图中,相同的参考标号通常代表相同部件或步骤。
图1为根据本申请实施例的大功率电磁探测系统数据处理方法的应用场景图;
图2为根据本申请实施例的大功率电磁探测系统数据处理方法的流程图;
图3为根据本申请实施例的大功率电磁探测系统数据处理方法的架构示意图;
图4为根据本申请实施例的大功率电磁探测系统数据处理方法中降噪过程的流程图;
图5为根据本申请实施例的大功率电磁探测系统数据处理方法中Clip模型编码的流程图;
图6为根据本申请实施例的大功率电磁探测系统数据处理方法中卷积神经网络编码的流程图;
图7为根据本申请实施例的大功率电磁探测系统数据处理方法中分类过程的流程图;
图8为根据本申请实施例的大功率电磁探测系统数据处理系统的框图;
图9为根据本申请实施例的电子设备的框图。
具体实施方式
下面,将参考附图详细地描述根据本申请的示例实施例。显然,所描述的实施例仅仅是本申请的一部分实施例,而不是本申请的全部实施例,应理解,本申请不受这里描述的示例实施例的限制。
场景概述
如背景技术中所言,目前,国内电磁勘察领域对大功率电磁探测系统需求日益迫切,尤其是迫切需要能够兼容频率域和时间域多种电磁探测方法的仪器设备,这也是电磁勘查仪器设备发展的主要方向。因此,期望一种优化的大功率电磁探测系统数据处理方案。
相应地,CSAMT(可控源音频大地电磁法)方法工作时通过人工可控制的激励场源,向大地发送不同频率的交变电磁场,观测位置处于距场源较远地段,一般大于勘探深度的3倍到5倍(依据目标勘探深度和采用的观测装置而定),通过观测不同频率的正交电、磁场分量及其阻抗相位差,计算出不同频率的视电阻率。由于不同频率的电磁场具有不同的趋肤深度,频率越高趋肤深度越浅,反之则越深。趋肤深度与地下地质体的导电性有很大关系,导电性越好趋肤深度越浅,反之则越深。因而不同频率的视电阻率、相位就反映了不同深度的地电信息。
基于此,在本申请的技术方案中,将危机矿山返回的具有不同频率的多个交变电磁场回波信号作为输入数据,其关键在于如何建立所述各个交变电磁场回波信号的频率域和时间域的关联关系以及所述多个交变电磁场之间的关联关系,以提高对于危机矿山的矿藏探测的精准度。
近年来,深度学习以及神经网络已经广泛应用于计算机视觉、自然语言处理、文本信号处理等领域。此外,深度学习以及神经网络在图像分类、物体检测、语义分割、文本翻译等领域,也展现出了接近甚至超越人类的水平。
深度学习以及神经网络的发展为挖掘所述各个交变电磁场回波信号的频率域和时间域之间以及所述多个交变电磁场之间的复杂关联关系提供了新的解决思路和方案。本领域普通技术人员应知晓,基于深度学习的深度神经网络模型可以通过适当的训练策略,例如通过梯度下降的反向传播算法来调整所述深度神经网络模型的参数以使之能够模拟事物之间的复杂的非线性关联,而这显然适合于模拟并建立所述各个交变电磁场回波信号的频率域和时间域之间以及所述多个交变电磁场之间的复杂关联关系。
具体地,在本申请的技术方案中,首先,获取从待检测危机矿山返回的多个交变电磁场回波信号,所述多个交变电磁场回波信号具有不同频率。接着,考虑到在所述多个交变电磁场回波信号的采集过程中,会因所述待检测危机矿山周围的电磁干扰而导致所采集的所述交变电磁场回波信号中存在噪声,进而影响对于所述交变电磁场回波信号的特征提取,降低电磁探测的精准度。因此,在本申请的技术方案中,进一步将所述多个交变电磁场回波信号通过基于自动编解码器的降噪模块中进行电磁信号降噪,以得到多个降噪后交变电磁场回波信号。特别地,这里,所述自动编码器包括编码器和解码器,其中,所述自动编解码器的编码器包括至少一个卷积层,所述自动编解码器的解码器包括至少一个反卷积层。
然后,考虑到对于所述多个降噪后交变电磁场回波信号来说,由于所述交变电磁场回波信号是一种时域信号,所述时域信号虽然在时间关联中对于特征的显性更为直观,但是由于所述危机矿山的交变电磁场回波信号相对较弱,其极易受到外界电磁场的干扰,导致对于所述交变电磁场回波信号的特征提取准度较低,进而影响对于危机矿山的大功率电磁探测的精准度。而频域信号的特征却不同于时域信号,将所述交变电磁场回波信号转换到频域中,能够通过所述交变电磁场回波信号在频域中的隐含特征分布信息确定危机矿山否存在矿藏,但是其在所述交变电磁场回波信号的特征显性上并不直观,忽略了时间上的关联特征。因此,在本申请的技术方案中,采用所述交变电磁场回波信号在时域与频域上的隐含特征的结合的方式来进行危机矿山是否存在矿藏的检测判断。
具体地,考虑到所述降噪后交变电磁场回波信号中具有较多的特征信息,并且这些特征信息之间具有着关联性,因此,在进行信号的频域特征提取时,为了能够充分地挖掘出所述降噪后交变电磁场回波信号在频域中的特征分布的关联特征信息,以此来提高对于所述危机矿山是否存在矿藏检测的精准度,分别提取所述多个降噪后交变电磁场回波信号的多个观测值,所述多个观测值包括正交电、磁场分量和阻抗相位差。
然后,为了能够进一步提高对于所述降噪后交变电磁场回波信号的特征提取,以提高对于危机矿山的矿藏检测精准度,进一步使用Clip模型来完成所述降噪后交变电磁场回波信号的时域和频域的特征挖掘融合。具体地,将各个所述降噪后交变电磁场回波信号的波形图和各个所述降噪后交变电磁场回波信号的多个观测值分别通过Clip模型以得到多个交变磁场特征矩阵,这里,所述Clip模型包括并行的序列编码器和图像编码器,以及,与所述序列编码器和所述图像编码器连接的图像编码优化模块。
也就是,将所述各个降噪后交变电磁场回波信号的波形图通过所述Clip模型的图像编码器中进行深度卷积编码,以通过所述图像编码器的作为过滤器的卷积神经网络模型来提取出所述各个降噪后交变电磁场回波信号的波形图中关于所述各个降噪后交变电磁场回波信号的波形图的时域隐含特征分布信息,从而得到多个波形特征向量。接着,再将所述各个降噪后交变电磁场回波信号的多个观测值通过所述Clip模型的序列编码器中进行多尺度一维卷积编码以得到多个观测值特征向量。特别地,这里,所述序列编码器采用多尺度邻域特征提取模块来进行所述多个观测值的特征挖掘,以提取出所述多个观测值中各个观测值间不同尺度的关联特征信息,即所述各个降噪后交变电磁场回波信号的频域多尺度关联特征分布信息,从而得到多个观测值特征向量。值得一提的是,所述多尺度邻域特征提取模块包含并联的第一卷积层和第二卷积层,以及,与所述第一卷积层和所述第二卷积层连接的多尺度特征融合层。
进一步地,再使用所述Clip模型的图像编码优化模块基于所述多个观测值特征向量对所述多个波形特征向量进行编码优化以得到所述多个交变磁场特征矩阵。应可以理解,这里,使用所述Clip模型的图像编码优化模块来进行所述交变电磁场回波信号的时域特征和频域特征的联合编码优化,以基于所述交变电磁场回波信号的频域特征分布对其时域特征分布进行特征优化表达,从而得到所述多个交变磁场特征矩阵。
然后,为了挖掘出具有不同频率的所述多个交变电磁场回波信号特征间的关联关系,以提高电磁探测的精准度,进一步将所述多个交变磁场特征矩阵沿着样本维度聚合为三维输入张量后通过使用三维卷积核的卷积神经网络模型中进行特征挖掘,以提取出所述三维输入张量中关于所述多个交变电磁场回波信号特征间的关联性特征分布信息,以得到关联特征图。接着,再以所述关联特征图作为分类特征图来通过分类器中进行分类处理,以得到用于表示待检测危机矿山是否存在矿藏的分类结果。这样,能够精准地对于危机矿山的矿藏进行智能探测,以在解决危机矿山的深部找矿时节省大量的时间和物力。
特别地,在本申请的技术方案中,由于每个交变磁场特征矩阵都是将所述降噪后交变电磁场回波信号的波形图和所述降噪后交变电磁场回波信号的观测值通过Clip模型得到的,因此其集合地表达信号波形语义编码特征和观测数值关联编码特征,而通过将所述多个交变磁场特征矩阵沿着样本维度聚合为三维输入张量后通过使用三维卷积核的卷积神经网络模型得到所述关联特征图,可以使得所述关联特征图充分表达信号波形语义编码特征和观测数值关联编码特征在样本内维度和跨样本维度下的交叉关联特征。
但是,由于所述关联特征图的特征分布需要包含表达多个不同维度下的交叉关联特征的特征分布,使得所述关联特征图在分类器中展开为特征向量之后,与所述分类器的权重矩阵之间的拟合负担重,从而影响所述分类器的训练速度和分类结果的准确性。
因此,本申请的申请人对所述关联特征图进行类表征平展化,具体表示为:
这里,所述关联特征图的类表征平展化将用于高维特征空间内的特征分布的类表征的有限多面体流形进行平展,同时保持流形的各平面之间的固有距离,并基于空间直观地避免交叉,其实质上是将该有限多面体流形分解为基于直角面相交和同顶点相交的立方体晶格,从而获得类平面的平展的“切片”连续性,以增强所述关联特征图对于分类器的权重矩阵的拟合性能。这样,就提升了所述关联特征图通过分类器进行分类的训练速度和分类结果的准确性。这样,能够精准地对于危机矿山的矿藏进行智能探测,以在解决危机矿山的深部找矿时节省大量的时间和物力。
基于此,本申请提出了一种大功率电磁探测系统数据处理方法,其包括:获取从待检测危机矿山返回的多个交变电磁场回波信号,所述多个交变电磁场回波信号具有不同频率;将所述多个交变电磁场回波信号通过基于自动编解码器的降噪模块以得到多个降噪后交变电磁场回波信号;分别提取所述多个降噪后交变电磁场回波信号的多个观测值,所述多个观测值包括正交电、磁场分量和阻抗相位差;将各个所述降噪后交变电磁场回波信号的波形图和各个所述降噪后交变电磁场回波信号的多个观测值分别通过Clip模型以得到多个交变磁场特征矩阵,其中,所述Clip模型包括并行的序列编码器和图像编码器,以及,与所述序列编码器和所述图像编码器连接的图像编码优化模块;将所述多个交变磁场特征矩阵沿着样本维度聚合为三维输入张量后通过使用三维卷积核的卷积神经网络模型以得到关联特征图;对所述关联特征图进行特征分布调制以得到分类特征图;以及,将所述分类特征图通过分类器以得到分类结果,所述分类结果用于表示待检测危机矿山是否存在矿藏。
图1为根据本申请实施例的大功率电磁探测系统数据处理方法的应用场景图。如图1所示,在该应用场景中,通过交变电磁场中的信号传感器(例如,如图1中所示意的S1)获取从待检测危机矿山返回的多个交变电磁场回波信号,所述多个交变电磁场回波信号具有不同频率。接着,将上述信号输入至部署有用于大功率电磁探测系统数据处理算法的服务器(例如,图1中的S2)中,其中,所述服务器能够以所述大功率电磁探测系统数据处理算法对上述输入的信号进行处理,以生成用于表示待检测危机矿山是否存在矿藏的分类结果。
在介绍了本申请的基本原理之后,下面将参考附图来具体介绍本申请的各种非限制性实施例。
示例性方法
图2为根据本申请实施例的大功率电磁探测系统数据处理方法的流程图。如图2所示,根据本申请实施例的大功率电磁探测系统数据处理方法,包括步骤:S110,获取从待检测危机矿山返回的多个交变电磁场回波信号,所述多个交变电磁场回波信号具有不同频率;S120,将所述多个交变电磁场回波信号通过基于自动编解码器的降噪模块以得到多个降噪后交变电磁场回波信号;S130,分别提取所述多个降噪后交变电磁场回波信号的多个观测值,所述多个观测值包括正交电、磁场分量和阻抗相位差;S140,将各个所述降噪后交变电磁场回波信号的波形图和各个所述降噪后交变电磁场回波信号的多个观测值分别通过Clip模型以得到多个交变磁场特征矩阵,其中,所述Clip模型包括并行的序列编码器和图像编码器,以及,与所述序列编码器和所述图像编码器连接的图像编码优化模块;S150,将所述多个交变磁场特征矩阵沿着样本维度聚合为三维输入张量后通过使用三维卷积核的卷积神经网络模型以得到关联特征图;S160,对所述关联特征图进行特征分布调制以得到分类特征图;以及,S170,将所述分类特征图通过分类器以得到分类结果,所述分类结果用于表示待检测危机矿山是否存在矿藏。
图3为根据本申请实施例的大功率电磁探测系统数据处理方法的架构示意图。如图3所示,在该网络结构中,首先,获取从待检测危机矿山返回的多个交变电磁场回波信号,所述多个交变电磁场回波信号具有不同频率;再将所述多个交变电磁场回波信号通过基于自动编解码器的降噪模块以得到多个降噪后交变电磁场回波信号;分别提取所述多个降噪后交变电磁场回波信号的多个观测值,所述多个观测值包括正交电、磁场分量和阻抗相位差;接着,将各个所述降噪后交变电磁场回波信号的波形图和各个所述降噪后交变电磁场回波信号的多个观测值分别通过Clip模型以得到多个交变磁场特征矩阵,其中,所述Clip模型包括并行的序列编码器和图像编码器,以及,与所述序列编码器和所述图像编码器连接的图像编码优化模块;然后,将所述多个交变磁场特征矩阵沿着样本维度聚合为三维输入张量后通过使用三维卷积核的卷积神经网络模型以得到关联特征图;对所述关联特征图进行特征分布调制以得到分类特征图;进而,将所述分类特征图通过分类器以得到分类结果,所述分类结果用于表示待检测危机矿山是否存在矿藏。
具体地,在步骤S110中,获取从待检测危机矿山返回的多个交变电磁场回波信号,所述多个交变电磁场回波信号具有不同频率。应可以理解,CSAMT(可控源音频大地电磁法)方法工作时通过人工可控制的激励场源,向大地发送不同频率的交变电磁场,观测位置处于距场源较远地段,一般大于勘探深度的3倍到5倍(依据目标勘探深度和采用的观测装置而定),通过观测不同频率的正交电、磁场分量及其阻抗相位差,计算出不同频率的视电阻率。由于不同频率的电磁场具有不同的趋肤深度,频率越高趋肤深度越浅,反之则越深。趋肤深度与地下地质体的导电性有很大关系,导电性越好趋肤深度越浅,反之则越深。因而不同频率的视电阻率、相位就反映了不同深度的地电信息。因此,在本申请的技术方案中,可通过交变电磁场中的信号传感器来获取从待检测危机矿山返回的多个交变电磁场回波信号,所述多个交变电磁场回波信号具有不同频率。
具体地,在步骤S120中,将所述多个交变电磁场回波信号通过基于自动编解码器的降噪模块以得到多个降噪后交变电磁场回波信号。考虑到在所述多个交变电磁场回波信号的采集过程中,会因所述待检测危机矿山周围的电磁干扰而导致所采集的所述交变电磁场回波信号中存在噪声,进而影响对于所述交变电磁场回波信号的特征提取,降低电磁探测的精准度。因此,在本申请的技术方案中,进一步将所述多个交变电磁场回波信号通过基于自动编解码器的降噪模块中进行电磁信号降噪,以得到多个降噪后交变电磁场回波信号。特别地,这里,自动编码器是由编码器和解码器组成的三层前馈神经网络,属于无监督学习方法,其中,所述自动编解码器的编码器包括至少一个卷积层,所述自动编解码器的解码器包括至少一个反卷积层。编码器将输入数据从高维空间映射到低维特征空间,实现输入数据的压缩表示以及提取特征向量,同时,通过解码器尽可能多地重构输入数据的低维特征。
图4为根据本申请实施例的大功率电磁探测系统数据处理方法中降噪过程的流程图。如图4所示,在所述降噪过程中,包括:S210,使用所述自动编码器的编码器从所述多个交变电磁场回波信号提取多个交变电磁场回波信号特征,其中,所述自动编码器的编码器为卷积层;以及,S220,使用所述自动编码器的解码器对所述多个交变电磁场回波信号特征进行解码以得到所述多个降噪后交变电磁场回波信号,其中,所述自动编码器的解码器为反卷积层。
具体地,在步骤S130中,分别提取所述多个降噪后交变电磁场回波信号的多个观测值,所述多个观测值包括正交电、磁场分量和阻抗相位差。考虑到对于所述多个降噪后交变电磁场回波信号来说,由于所述交变电磁场回波信号是一种时域信号,所述时域信号虽然在时间关联中对于特征的显性更为直观,但是由于所述危机矿山的交变电磁场回波信号相对较弱,其极易受到外界电磁场的干扰,导致对于所述交变电磁场回波信号的特征提取准度较低,进而影响对于危机矿山的大功率电磁探测的精准度。而频域信号的特征却不同于时域信号,将所述交变电磁场回波信号转换到频域中,能够通过所述交变电磁场回波信号在频域中的隐含特征分布信息确定危机矿山否存在矿藏,但是其在所述交变电磁场回波信号的特征显性上并不直观,忽略了时间上的关联特征。因此,在本申请的技术方案中,采用所述交变电磁场回波信号在时域与频域上的隐含特征的结合的方式来进行危机矿山是否存在矿藏的检测判断。具体地,考虑到所述降噪后交变电磁场回波信号中具有较多的特征信息,并且这些特征信息之间具有着关联性,因此,在进行信号的频域特征提取时,为了能够充分地挖掘出所述降噪后交变电磁场回波信号在频域中的特征分布的关联特征信息,以此来提高对于所述危机矿山是否存在矿藏检测的精准度,分别提取所述多个降噪后交变电磁场回波信号的多个观测值,所述多个观测值包括正交电、磁场分量和阻抗相位差。
具体地,在步骤S140中,将各个所述降噪后交变电磁场回波信号的波形图和各个所述降噪后交变电磁场回波信号的多个观测值分别通过Clip模型以得到多个交变磁场特征矩阵,其中,所述Clip模型包括并行的序列编码器和图像编码器,以及,与所述序列编码器和所述图像编码器连接的图像编码优化模块。应可以理解,为了能够进一步提高对于所述降噪后交变电磁场回波信号的特征提取,以提高对于危机矿山的矿藏检测精准度,进一步使用Clip模型来完成所述降噪后交变电磁场回波信号的时域和频域的特征挖掘融合。具体地,将各个所述降噪后交变电磁场回波信号的波形图和各个所述降噪后交变电磁场回波信号的多个观测值分别通过Clip模型以得到多个交变磁场特征矩阵,这里,所述Clip模型包括并行的序列编码器和图像编码器,以及,与所述序列编码器和所述图像编码器连接的图像编码优化模块。也就是,将所述各个降噪后交变电磁场回波信号的波形图通过所述Clip模型的图像编码器中进行深度卷积编码,以通过所述图像编码器的作为过滤器的卷积神经网络模型来提取出所述各个降噪后交变电磁场回波信号的波形图中关于所述各个降噪后交变电磁场回波信号的波形图的时域隐含特征分布信息,从而得到多个波形特征向量。即,使用所述Clip模型的图像编码器对所述各个所述降噪后交变电磁场回波信号的波形图进行深度卷积编码以得到波形特征向量。更具体地,使用所述Clip模型的图像编码器的各层在层的正向传递中分别对输入数据进行:对输入数据进行卷积处理以得到卷积特征图;对所述卷积特征图进行基于特征矩阵的全局均值池化以得到池化特征图;以及,对所述池化特征图进行非线性激活以得到激活特征图;其中,所述Clip模型的图像编码器的最后一层的输出为所述波形特征向量,所述Clip模型的图像编码器的第一层的输入为所述降噪后交变电磁场回波信号的波形图。接着,再将所述各个降噪后交变电磁场回波信号的多个观测值通过所述Clip模型的序列编码器中进行多尺度一维卷积编码以得到多个观测值特征向量。特别地,这里,所述序列编码器采用多尺度邻域特征提取模块来进行所述多个观测值的特征挖掘,以提取出所述多个观测值中各个观测值间不同尺度的关联特征信息,即所述各个降噪后交变电磁场回波信号的频域多尺度关联特征分布信息,从而得到多个观测值特征向量。值得一提的是,所述多尺度邻域特征提取模块包含并联的第一卷积层和第二卷积层,以及,与所述第一卷积层和所述第二卷积层连接的多尺度特征融合层。具体地,所述将所述各个降噪后交变电磁场回波信号的多个观测值通过所述Clip模型的序列编码器中进行多尺度一维卷积编码以得到多个观测值特征向量,包括:将所述降噪后交变电磁场回波信号的多个观测值通过训练完成的Clip模型的序列编码器的第一卷积层以得到第一邻域尺度观测值特征向量,其中,所述第一卷积层具有第一长度的第一一维卷积核;将所述降噪后交变电磁场回波信号的多个观测值通过训练完成的Clip模型的序列编码器的第二卷积层以得到第二邻域尺度观测值特征向量,其中,所述第二卷积层具有第二长度的第二一维卷积核,所述第一长度不同于所述第二长度;以及,将所述第一邻域尺度观测值特征向量和所述第二邻域尺度观测值特征向量进行级联以得到所述观测值特征向量。更具体地,所述将所述降噪后交变电磁场回波信号的多个观测值通过训练完成的Clip模型的序列编码器的第一卷积层以得到第一邻域尺度观测值特征向量,包括:使用所述训练完成的Clip模型的序列编码器的第一卷积层以如下公式对所述降噪后交变电磁场回波信号的多个观测值进行一维卷积编码以得到第一邻域尺度观测值特征向量;其中,所述公式为:
其中,a为第一卷积核在x方向上的宽度、F(a)为第一卷积核参数向量、G(x-a)为与卷积核函数运算的局部向量矩阵,w为第一卷积核的尺寸,X表示所述降噪后交变电磁场回波信号的多个观测值;以及,所述将所述降噪后交变电磁场回波信号的多个观测值通过训练完成的Clip模型的序列编码器的第二卷积层以得到第二邻域尺度观测值特征向量,包括:使用所述训练完成的Clip模型的序列编码器的第二卷积层以如下公式对所述降噪后交变电磁场回波信号的多个观测值进行一维卷积编码以得到所述第二邻域尺度观测值特征向量;其中,所述公式为:
其中,b为第二卷积核在x方向上的宽度、F(b)为第二卷积核参数向量、G(x-b)为与卷积核函数运算的局部向量矩阵,m为第二卷积核的尺寸,X表示所述降噪后交变电磁场回波信号的多个观测值;更具体地,所述将所述第一邻域尺度观测值特征向量和所述第二邻域尺度观测值特征向量进行级联以得到所述观测值特征向量,包括:以如下公式来融合所述第一邻域尺度观测值特征向量和所述第二邻域尺度观测值特征向量以得到所述观测值特征向量;其中,所述公式为:Vc=Concat[V1,V2],其中,V1表示所述第一邻域尺度观测值特征向量,V2表示所述第二邻域尺度观测值特征向量,Concat[·,·]表示级联函数,Vc表示所述观测值特征向量。进一步地,再使用所述Clip模型的图像编码优化模块基于所述多个观测值特征向量对所述多个波形特征向量进行编码优化以得到所述多个交变磁场特征矩阵。应可以理解,这里,使用所述Clip模型的图像编码优化模块来进行所述交变电磁场回波信号的时域特征和频域特征的联合编码优化,以基于所述交变电磁场回波信号的频域特征分布对其时域特征分布进行特征优化表达,从而得到所述多个交变磁场特征矩阵,在本申请的一个具体示例中,使用所述Clip模型的图像编码优化模块基于所述观测值特征向量对所述波形特征向量进行编码优化以得到所述交变磁场特征矩阵;其中,所述公式为:其中Vs表示所述观测值特征向量,表示所述观测值特征向量的转置向量,V表示所述波形特征向量,Mb表示所述交变磁场特征矩阵,表示向量相乘。
图5为根据本申请实施例的大功率电磁探测系统数据处理方法中Clip模型编码的流程图。如图5所示,在所述Clip模型编码过程中,包括:S310,使用所述Clip模型的图像编码器对所述各个所述降噪后交变电磁场回波信号的波形图进行深度卷积编码以得到波形特征向量;S320,使用所述Clip模型的序列编码器对所述各个所述降噪后交变电磁场回波信号的多个观测值进行多尺度一维卷积编码以得到观测值特征向量;S330,使用所述Clip模型的图像编码优化模块基于所述观测值特征向量对所述波形特征向量进行编码优化以得到所述交变磁场特征矩阵。
具体地,在步骤S150中,将所述多个交变磁场特征矩阵沿着样本维度聚合为三维输入张量后通过使用三维卷积核的卷积神经网络模型以得到关联特征图。应可以理解,为了挖掘出具有不同频率的所述多个交变电磁场回波信号特征间的关联关系,以提高电磁探测的精准度,进一步将所述多个交变磁场特征矩阵沿着样本维度聚合为三维输入张量后通过使用三维卷积核的卷积神经网络模型中进行特征挖掘,以提取出所述三维输入张量中关于所述多个交变电磁场回波信号特征间的关联性特征分布信息,以得到关联特征图。具体地,使用卷积模块以三维卷积核对输入数据进行三维卷积编码以得到卷积特征图;使用池化模块对所述卷积特征图进行池化处理以得到池化特征图;以及,使用激活模块对所述池化特征图的各个位置的特征值进行非线性激活以得到关联特征图;其中,所述使用三维卷积核的卷积神经网络的第一层的输入为将所述多个交变磁场特征矩阵沿着样本维度聚合成的三维输入张量,所述使用三维卷积核的卷积神经网络的最后一层的输出为所述关联特征图。
图6为根据本申请实施例的大功率电磁探测系统数据处理方法中卷积神经网络编码的流程图。如图6所示,在所述卷积神经网络编码过程中,包括:使用所述使用三维卷积核的卷积神经网络模型的各层在层的正向传递中分别对输入数据进行:S410,对输入数据进行卷积处理以得到卷积特征图;S420,对所述卷积特征图进行基于局部特征矩阵的池化以得到池化特征图;以及,S430,对所述池化特征图进行非线性激活以得到激活特征图;其中,所述使用三维卷积核的卷积神经网络的最后一层的输出为所述关联特征图,所述使用三维卷积核的卷积神经网络的第一层的输入为所述三维输入张量。
具体地,在步骤S160中,对所述关联特征图进行特征分布调制以得到分类特征图。特别地,在本申请的技术方案中,由于每个交变磁场特征矩阵都是将所述降噪后交变电磁场回波信号的波形图和所述降噪后交变电磁场回波信号的观测值通过Clip模型得到的,因此其集合地表达信号波形语义编码特征和观测数值关联编码特征,而通过将所述多个交变磁场特征矩阵沿着样本维度聚合为三维输入张量后通过使用三维卷积核的卷积神经网络模型得到所述关联特征图,可以使得所述关联特征图充分表达信号波形语义编码特征和观测数值关联编码特征在样本内维度和跨样本维度下的交叉关联特征。但是,由于所述关联特征图的特征分布需要包含表达多个不同维度下的交叉关联特征的特征分布,使得所述关联特征图在分类器中展开为特征向量之后,与所述分类器的权重矩阵之间的拟合负担重,从而影响所述分类器的训练速度和分类结果的准确性。因此,本申请的申请人对所述关联特征图进行类表征平展化,具体表示为:
其中fi是所述关联特征图的预定特征值,fj是所述关联特征图的所述预定特征值以外的其它特征值,是所述关联特征图的所有特征值的均值,且N是所述关联特征图的尺度,exp(·)表示数值的指数运算,所述数值的指数运算表示计算以所述数值为幂的自然指数函数值,fi'是所述分类特征图的第i个位置的特征值。这里,所述关联特征图的类表征平展化将用于高维特征空间内的特征分布的类表征的有限多面体流形进行平展,同时保持流形的各平面之间的固有距离,并基于空间直观地避免交叉,其实质上是将该有限多面体流形分解为基于直角面相交和同顶点相交的立方体晶格,从而获得类平面的平展的“切片”连续性,以增强所述关联特征图对于分类器的权重矩阵的拟合性能。这样,就提升了所述关联特征图通过分类器进行分类的训练速度和分类结果的准确性。这样,能够精准地对于危机矿山的矿藏进行智能探测,以在解决危机矿山的深部找矿时节省大量的时间和物力。
具体地,在步骤S170中,将所述分类特征图通过分类器以得到分类结果,所述分类结果用于表示待检测危机矿山是否存在矿藏。也就是,将所述分类特征图通过分类器中进行分类处理,以得到用于表示待检测危机矿山是否存在矿藏的分类结果。这样,能够精准地对于危机矿山的矿藏进行智能探测,以在解决危机矿山的深部找矿时节省大量的时间和物力。具体地,所述分类器包括多个全连接层和与所述多个全连接层最后一个全连接层级联的Softmax层。其中,在所述分类器的分类处理中,首先将所述所述分类特征图投影为向量,例如,在一个具体的示例中,将所述分类特征图沿着行向量或者列向量进行展开为分类特征向量;然后,使用所述分类器的多个全连接层对所述分类特征向量进行多次全连接编码以得到编码分类特征向量;进而,将所述编码分类特征向量输入所述分类器的Softmax层,即,使用所述Softmax分类函数对所述编码分类特征向量进行分类处理以得到所述编码分类特征向量归属于待检测危机矿山存在矿藏的第一概率值和所述编码分类特征向量归属于待检测危机矿山不存在矿藏的第二概率值;继而,将所述第一概率值和所述第二概率值中较大者对应的标签确定为所述分类结果,即,如果第一概率值大于第二概率值,则所述分类结果为待检测危机矿山存在矿藏,反之,待检测危机矿山不存在矿藏。更具体地,在本申请的一个具体示例中,所述将所述分类特征图通过分类器以得到分类结果,包括:使用所述分类器以如下公式对所述分类特征图进行处理以获得分类结果,其中,所述公式为:O=softmax{(Wn,Bn):…:(W1,B1)|Project(F)},其中Project(F)表示将所述分类特征图投影为向量,W1至Wn为各层全连接层的权重矩阵,B1至Bn表示各层全连接层的偏置向量。
图7为根据本申请实施例的大功率电磁探测系统数据处理方法中分类过程的流程图。如图7所示,在所述分类过程中,包括:S510,将所述分类特征图基于行向量或列向量展开为分类特征向量;S520,使用所述分类器的多个全连接层对所述分类特征向量进行全连接编码以得到编码分类特征向量;以及,S530,将所述编码分类特征向量通过所述分类器的Softmax分类函数以得到所述分类结果。
综上,根据本申请实施例的大功率电磁探测系统数据处理方法被阐明,其通过采用基于深度学习的深度神经网络模型的自动编解码器从危机矿山返回的具有不同频率的多个交变电磁场回波信号中提取出多个降噪后交变电磁场回波信号,继而从多个降噪后交变电磁场回波信号提取出多个观测值,使用Clip模型来完成所述降噪后交变电磁场回波信号的时域和频域的特征挖掘融合,进一步通过使用三维卷积核的卷积神经网络模型挖掘出具有不同频率的所述多个交变电磁场回波信号特征间的关联关系,以提高电磁探测的精准度,进而在解决危机矿山的深部找矿时节省大量的时间和物力。
示例性系统
图8为根据本申请实施例的大功率电磁探测系统数据处理系统的框图。如图8所示,根据本申请实施例的大功率电磁探测系统数据处理300,包括:信号获取模块310;降噪模块320;观测值提取模块330;交变磁场特征矩阵生成模块340;卷积模块350;特征分布调制模块360;以及,分类结果生成模块370。
其中,所述信号获取模块310,用于获取从待检测危机矿山返回的多个交变电磁场回波信号,所述多个交变电磁场回波信号具有不同频率;所述降噪模块320,用于将所述多个交变电磁场回波信号通过基于自动编解码器的降噪模块以得到多个降噪后交变电磁场回波信号;所述观测值提取模块330,用于分别提取所述多个降噪后交变电磁场回波信号的多个观测值,所述多个观测值包括正交电、磁场分量和阻抗相位差;所述交变磁场特征矩阵生成模块340,用于将各个所述降噪后交变电磁场回波信号的波形图和各个所述降噪后交变电磁场回波信号的多个观测值分别通过Clip模型以得到多个交变磁场特征矩阵,其中,所述Clip模型包括并行的序列编码器和图像编码器,以及,与所述序列编码器和所述图像编码器连接的图像编码优化模块;所述卷积模块350,用于将所述多个交变磁场特征矩阵沿着样本维度聚合为三维输入张量后通过使用三维卷积核的卷积神经网络模型以得到关联特征图所述特征分布调制模块360,用于对所述关联特征图进行特征分布调制以得到分类特征图;以及,所述分类结果生成模块370,用于将所述分类特征图通过分类器以得到分类结果,所述分类结果用于表示待检测危机矿山是否存在矿藏。
在一个示例中,在上述大功率电磁探测系统数据处理系统300中,所述降噪模块320,进一步用于:使用所述自动编码器的编码器从所述多个交变电磁场回波信号提取多个交变电磁场回波信号特征,其中,所述自动编码器的编码器为卷积层;以及,使用所述自动编码器的解码器对所述多个交变电磁场回波信号特征进行解码以得到所述多个降噪后交变电磁场回波信号,其中,所述自动编码器的解码器为反卷积层。其中,所述自动编解码器的编码器包括至少一个卷积层,所述自动编解码器的解码器包括至少一个反卷积层。
在一个示例中,在上述大功率电磁探测系统数据处理系统300中,所述交变磁场特征矩阵生成模块340,进一步用于:使用所述Clip模型的图像编码器对所述各个所述降噪后交变电磁场回波信号的波形图进行深度卷积编码以得到波形特征向量;使用所述Clip模型的序列编码器对所述各个所述降噪后交变电磁场回波信号的多个观测值进行多尺度一维卷积编码以得到观测值特征向量;使用所述Clip模型的图像编码优化模块基于所述观测值特征向量对所述波形特征向量进行编码优化以得到所述交变磁场特征矩阵。其中,所述图像编码器为作为过滤器的卷积神经网络模型,所述序列编码器为多尺度邻域特征提取模块,其中,所述多尺度邻域特征提取模块包含并联的第一卷积层和第二卷积层,以及,与所述第一卷积层和所述第二卷积层连接的多尺度特征融合层。更具体地,所述使用所述Clip模型的图像编码优化模块基于所述观测值特征向量对所述波形特征向量进行编码优化以得到所述交变磁场特征矩阵,包括:使用所述Clip模型的图像编码优化模块基于所述观测值特征向量对所述波形特征向量进行编码优化以得到所述交变磁场特征矩阵;其中,所述公式为:
在一个示例中,在上述大功率电磁探测系统数据处理系统300中,所述卷积模块350,进一步用于:使用所述使用三维卷积核的卷积神经网络模型的各层在层的正向传递中分别对输入数据进行:对输入数据进行卷积处理以得到卷积特征图;对所述卷积特征图进行基于局部特征矩阵的池化以得到池化特征图;以及,对所述池化特征图进行非线性激活以得到激活特征图;其中,所述使用三维卷积核的卷积神经网络的最后一层的输出为所述关联特征图,所述使用三维卷积核的卷积神经网络的第一层的输入为所述三维输入张量。
在一个示例中,在上述大功率电磁探测系统数据处理系统300中,所述特征分布调制模块360,进一步用于:以如下公式对所述关联特征图进行表征平展化以得到所述分类特征图;其中,所述公式为:
其中fi是所述关联特征图的预定特征值,fj是所述关联特征图的所述预定特征值以外的其它特征值,是所述关联特征图的所有特征值的均值,且N是所述关联特征图的尺度,exp(·)表示数值的指数运算,所述数值的指数运算表示计算以所述数值为幂的自然指数函数值,fi'是所述分类特征图的第i个位置的特征值。
在一个示例中,在上述大功率电磁探测系统数据处理系统300中,所述分类结果生成模块370,进一步用于:将所述分类特征图基于行向量或列向量展开为分类特征向量;使用所述分类器的多个全连接层对所述分类特征向量进行全连接编码以得到编码分类特征向量;以及,将所述编码分类特征向量通过所述分类器的Softmax分类函数以得到所述分类结果。
综上,根据本申请实施例的大功率电磁探测系统数据处理系统300被阐明,其通过采用基于深度学习的深度神经网络模型的自动编解码器从危机矿山返回的具有不同频率的多个交变电磁场回波信号中提取出多个降噪后交变电磁场回波信号,继而从多个降噪后交变电磁场回波信号提取出多个观测值,使用Clip模型来完成所述降噪后交变电磁场回波信号的时域和频域的特征挖掘融合,进一步通过使用三维卷积核的卷积神经网络模型挖掘出具有不同频率的所述多个交变电磁场回波信号特征间的关联关系,以提高电磁探测的精准度,进而在解决危机矿山的深部找矿时节省大量的时间和物力。
如上所述,根据本申请实施例的大功率电磁探测系统数据处理系统可以实现在各种终端设备中。在一个示例中,根据本申请实施例的大功率电磁探测系统数据处理系统300可以作为一个软件模块和/或硬件模块而集成到终端设备中。例如,该大功率电磁探测系统数据处理系统300可以是该终端设备的操作系统中的一个软件模块,或者可以是针对于该终端设备所开发的一个应用程序;当然,该大功率电磁探测系统数据处理系统300同样可以是该终端设备的众多硬件模块之一。
替换地,在另一示例中,该大功率电磁探测系统数据处理系统300与该终端设备也可以是分立的设备,并且该大功率电磁探测系统数据处理系统300可以通过有线和/或无线网络连接到该终端设备,并且按照约定的数据格式来传输交互信息。
示例性电子设备
下面,参考图9来描述根据本申请实施例的电子设备。
图9图示了根据本申请实施例的电子设备的框图。
如图9所示,电子设备10包括一个或多个处理器11和存储器12。
处理器11可以是中央处理单元(CPU)或者具有数据处理能力和/或指令执行能力的其他形式的处理单元,并且可以控制电子设备10中的其他组件以执行期望的功能。
存储器12可以包括一个或多个计算机程序产品,所述计算机程序产品可以包括各种形式的计算机可读存储介质,例如易失性存储器和/或非易失性存储器。所述易失性存储器例如可以包括随机存取存储器(RAM)和/或高速缓冲存储器(cache)等。所述非易失性存储器例如可以包括只读存储器(ROM)、硬盘、闪存等。在所述计算机可读存储介质上可以存储一个或多个计算机程序指令,处理器11可以运行所述程序指令,以实现上文所述的本申请的各个实施例的大功率电磁探测系统数据处理方法中的功能以及/或者其他期望的功能。在所述计算机可读存储介质中还可以存储诸如分类特征图等各种内容。
在一个示例中,电子设备10还可以包括:输入装置13和输出装置14,这些组件通过总线系统和/或其他形式的连接机构(未示出)互连。
该输入装置13可以包括例如键盘、鼠标等等。
该输出装置14可以向外部输出各种信息,包括分类结果等。该输出装置14可以包括例如显示器、扬声器、打印机、以及通信网络及其所连接的远程输出设备等等。
当然,为了简化,图9中仅示出了该电子设备10中与本申请有关的组件中的一些,省略了诸如总线、输入/输出接口等等的组件。除此之外,根据具体应用情况,电子设备10还可以包括任何其他适当的组件。
示例性计算机程序产品和计算机可读存储介质
除了上述方法和设备以外,本申请的实施例还可以是计算机程序产品,其包括计算机程序指令,所述计算机程序指令在被处理器运行时使得所述处理器执行本说明书上述“示例性方法”部分中描述的根据本申请各种实施例的大功率电磁探测系统数据处理方法中的功能中的步骤。
所述计算机程序产品可以以一种或多种程序设计语言的任意组合来编写用于执行本申请实施例操作的程序代码,所述程序设计语言包括面向对象的程序设计语言,诸如Java、C++等,还包括常规的过程式程序设计语言,诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算设备上执行、部分地在用户设备上执行、作为一个独立的软件包执行、部分在用户计算设备上部分在远程计算设备上执行、或者完全在远程计算设备或服务器上执行。
此外,本申请的实施例还可以是计算机可读存储介质,其上存储有计算机程序指令,所述计算机程序指令在被处理器运行时使得所述处理器执行本说明书上述“示例性方法”部分中描述的根据本申请各种实施例的大功率电磁探测系统数据处理方法中的功能中的步骤。
所述计算机可读存储介质可以采用一个或多个可读介质的任意组合。可读介质可以是可读信号介质或者可读存储介质。可读存储介质例如可以包括但不限于电、磁、光、电磁、红外线、或半导体的系统、装置或器件,或者任意以上的组合。可读存储介质的更具体的例子(非穷举的列表)包括:具有一个或多个导线的电连接、便携式盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。
以上结合具体实施例描述了本申请的基本原理,但是,需要指出的是,在本申请中提及的优点、优势、效果等仅是示例而非限制,不能认为这些优点、优势、效果等是本申请的各个实施例必须具备的。另外,上述公开的具体细节仅是为了示例的作用和便于理解的作用,而非限制,上述细节并不限制本申请为必须采用上述具体的细节来实现。
本申请中涉及的器件、装置、设备、系统的方框图仅作为例示性的例子并且不意图要求或暗示必须按照方框图示出的方式进行连接、布置、配置。如本领域技术人员将认识到的,可以按任意方式连接、布置、配置这些器件、装置、设备、系统。诸如“包括”、“包含”、“具有”等等的词语是开放性词汇,指“包括但不限于”,且可与其互换使用。这里所使用的词汇“或”和“和”指词汇“和/或”,且可与其互换使用,除非上下文明确指示不是如此。这里所使用的词汇“诸如”指词组“诸如但不限于”,且可与其互换使用。
还需要指出的是,在本申请的装置、设备和方法中,各部件或各步骤是可以分解和/或重新组合的。这些分解和/或重新组合应视为本申请的等效方案。
提供所公开的方面的以上描述以使本领域的任何技术人员能够做出或者使用本申请。对这些方面的各种修改对于本领域技术人员而言是非常显而易见的,并且在此定义的一般原理可以应用于其他方面而不脱离本申请的范围。因此,本申请不意图被限制到在此示出的方面,而是按照与在此公开的原理和新颖的特征一致的最宽范围。
为了例示和描述的目的已经给出了以上描述。此外,此描述不意图将本申请的实施例限制到在此公开的形式。尽管以上已经讨论了多个示例方面和实施例,但是本领域技术人员将认识到其某些变型、修改、改变、添加和子组合。
Claims (9)
1.一种大功率电磁探测系统数据处理方法,其特征在于,包括:
获取从待检测危机矿山返回的多个交变电磁场回波信号,所述多个交变电磁场回波信号具有不同频率;
将所述多个交变电磁场回波信号通过基于自动编解码器的降噪模块以得到多个降噪后交变电磁场回波信号;
分别提取所述多个降噪后交变电磁场回波信号的多个观测值,所述多个观测值包括正交电、磁场分量和阻抗相位差;
将各个所述降噪后交变电磁场回波信号的波形图和各个所述降噪后交变电磁场回波信号的多个观测值分别通过Clip模型以得到多个交变磁场特征矩阵,其中,所述Clip模型包括并行的序列编码器和图像编码器,以及,与所述序列编码器和所述图像编码器连接的图像编码优化模块;
将所述多个交变磁场特征矩阵沿着样本维度聚合为三维输入张量后通过使用三维卷积核的卷积神经网络模型以得到关联特征图;
对所述关联特征图进行特征分布调制以得到分类特征图;以及
将所述分类特征图通过分类器以得到分类结果,所述分类结果用于表示待检测危机矿山是否存在矿藏。
2.根据权利要求1所述的大功率电磁探测系统数据处理方法,其特征在于,所述将所述多个交变电磁场回波信号通过基于自动编解码器的降噪模块以得到多个降噪后交变电磁场回波信号,包括:
使用所述自动编码器的编码器从所述多个交变电磁场回波信号提取多个交变电磁场回波信号特征,其中,所述自动编码器的编码器为卷积层;以及
使用所述自动编码器的解码器对所述多个交变电磁场回波信号特征进行解码以得到所述多个降噪后交变电磁场回波信号,其中,所述自动编码器的解码器为反卷积层。
3.根据权利要求2所述的大功率电磁探测系统数据处理方法,其特征在于,所述自动编解码器的编码器包括至少一个卷积层,所述自动编解码器的解码器包括至少一个反卷积层。
4.根据权利要求3所述的大功率电磁探测系统数据处理方法,其特征在于,所述将各个所述降噪后交变电磁场回波信号的波形图和各个所述降噪后交变电磁场回波信号的多个观测值分别通过Clip模型以得到多个交变磁场特征矩阵,包括:
使用所述Clip模型的图像编码器对所述各个所述降噪后交变电磁场回波信号的波形图进行深度卷积编码以得到波形特征向量;
使用所述Clip模型的序列编码器对所述各个所述降噪后交变电磁场回波信号的多个观测值进行多尺度一维卷积编码以得到观测值特征向量;
使用所述Clip模型的图像编码优化模块基于所述观测值特征向量对所述波形特征向量进行编码优化以得到所述交变磁场特征矩阵。
5.根据权利要求4所述的大功率电磁探测系统数据处理方法,其特征在于,所述图像编码器为作为过滤器的卷积神经网络模型,所述序列编码器为多尺度邻域特征提取模块,其中,所述多尺度邻域特征提取模块包含并联的第一卷积层和第二卷积层,以及,与所述第一卷积层和所述第二卷积层连接的多尺度特征融合层。
7.根据权利要求6所述的大功率电磁探测系统数据处理方法,其特征在于,所述将所述多个交变磁场特征矩阵沿着样本维度聚合为三维输入张量后通过使用三维卷积核的卷积神经网络模型以得到关联特征图,包括:使用所述使用三维卷积核的卷积神经网络模型的各层在层的正向传递中分别对输入数据进行:
对输入数据进行卷积处理以得到卷积特征图;
对所述卷积特征图进行基于局部特征矩阵的池化以得到池化特征图;以及
对所述池化特征图进行非线性激活以得到激活特征图;
其中,所述使用三维卷积核的卷积神经网络的最后一层的输出为所述关联特征图,所述使用三维卷积核的卷积神经网络的第一层的输入为所述三维输入张量。
9.根据权利要求8所述的大功率电磁探测系统数据处理方法,其特征在于,所述将所述分类特征图通过分类器以得到分类结果,所述分类结果用于表示待检测危机矿山是否存在矿藏,包括:
将所述分类特征图基于行向量或列向量展开为分类特征向量;
使用所述分类器的多个全连接层对所述分类特征向量进行全连接编码以得到编码分类特征向量;以及
将所述编码分类特征向量通过所述分类器的Softmax分类函数以得到所述分类结果。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211727618.9A CN116027440A (zh) | 2022-12-30 | 2022-12-30 | 大功率电磁探测系统数据处理方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211727618.9A CN116027440A (zh) | 2022-12-30 | 2022-12-30 | 大功率电磁探测系统数据处理方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116027440A true CN116027440A (zh) | 2023-04-28 |
Family
ID=86075428
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211727618.9A Pending CN116027440A (zh) | 2022-12-30 | 2022-12-30 | 大功率电磁探测系统数据处理方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116027440A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116400426A (zh) * | 2023-06-06 | 2023-07-07 | 山东省煤田地质局第三勘探队 | 基于电磁法的数据勘测系统 |
CN117412448A (zh) * | 2023-11-03 | 2024-01-16 | 瑞森半导体科技(广东)有限公司 | 电源功率的智能调制方法及线路 |
-
2022
- 2022-12-30 CN CN202211727618.9A patent/CN116027440A/zh active Pending
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116400426A (zh) * | 2023-06-06 | 2023-07-07 | 山东省煤田地质局第三勘探队 | 基于电磁法的数据勘测系统 |
CN116400426B (zh) * | 2023-06-06 | 2023-08-29 | 山东省煤田地质局第三勘探队 | 基于电磁法的数据勘测系统 |
CN117412448A (zh) * | 2023-11-03 | 2024-01-16 | 瑞森半导体科技(广东)有限公司 | 电源功率的智能调制方法及线路 |
CN117412448B (zh) * | 2023-11-03 | 2024-04-16 | 瑞森半导体科技(广东)有限公司 | 电源功率的智能调制方法及线路 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Li et al. | Fast imaging of time-domain airborne EM data using deep learning technology | |
Zhu et al. | Intelligent logging lithological interpretation with convolution neural networks | |
CN116027440A (zh) | 大功率电磁探测系统数据处理方法 | |
Chen et al. | TEMDNet: A novel deep denoising network for transient electromagnetic signal with signal-to-image transformation | |
He et al. | Multimodal remote sensing image segmentation with intuition-inspired hypergraph modeling | |
Ding et al. | NSCT‐PCNN image fusion based on image gradient motivation | |
Konaté et al. | Application of dimensionality reduction technique to improve geophysical log data classification performance in crystalline rocks | |
CN116665067B (zh) | 基于图神经网络的找矿靶区优选系统及其方法 | |
CN117475236B (zh) | 用于矿产资源勘探的数据处理系统及其方法 | |
CN116400426B (zh) | 基于电磁法的数据勘测系统 | |
CN113723564A (zh) | 一种对抗样本防御模型训练方法、系统及其应用 | |
Wang et al. | TEM-NLnet: A deep denoising network for transient electromagnetic signal with noise learning | |
Liao et al. | 2D inversion of magnetotelluric data using deep learning technology | |
Vu et al. | Multitasking neural network to jointly map discrete fracture structures and matrix transmissivity by inverting hydraulic data acquired in 2D fractured aquifers. XNET-fracture | |
Yang et al. | Establishment of leakage detection model for oil and gas pipeline based on VMD-MD-1DCNN | |
Wei et al. | Joint 3D inversion of gravity and magnetic data using deep learning neural networks | |
Cheng et al. | Simultaneous denoising and reconstruction of distributed acoustic sensing seismic data via a multicascade deep-learning method | |
Dixit et al. | Genetic-evolutionary adaptive moment estimation-based semisupervised deep sequential convolution network for seismic impedance inversion: Application and uncertainty analysis | |
Zhang et al. | Development and future prospects of quantitative mineral assessment in China | |
Fan et al. | Geological model automatic reconstruction based on conditioning Wasserstein generative adversarial network with gradient penalty | |
Li et al. | Coordinate Attention-Temporal Convolutional Network for Magnetotelluric Data Processing | |
CN118259358B (zh) | 一种适用于水平钻孔的声波远探测装置及探测方法 | |
Golmohammadi et al. | Pattern-based calibration of complex subsurface flow models against dynamic response data | |
CN113012049B (zh) | 一种基于gan网络的遥感数据隐私保护方法 | |
Yuan et al. | An Accelerated Magnetotelluric 2D Forward Modeling Network Model: Transformer+ Unet |
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 |