CN116148935A - 一种基于自适应自编码器的磁共振随机噪声抑制方法 - Google Patents
一种基于自适应自编码器的磁共振随机噪声抑制方法 Download PDFInfo
- Publication number
- CN116148935A CN116148935A CN202310084262.XA CN202310084262A CN116148935A CN 116148935 A CN116148935 A CN 116148935A CN 202310084262 A CN202310084262 A CN 202310084262A CN 116148935 A CN116148935 A CN 116148935A
- Authority
- CN
- China
- Prior art keywords
- model
- encoder
- decoder
- signal
- loss function
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- 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
- G01V3/14—Electric or magnetic prospecting or detecting; Measuring magnetic field characteristics of the earth, e.g. declination, deviation operating with electron or nuclear magnetic resonance
-
- 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
- G06N5/00—Computing arrangements using knowledge-based models
- G06N5/04—Inference or reasoning models
- G06N5/041—Abduction
-
- 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)
- Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Life Sciences & Earth Sciences (AREA)
- Computational Linguistics (AREA)
- Environmental & Geological Engineering (AREA)
- Evolutionary Computation (AREA)
- Remote Sensing (AREA)
- Geology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Geophysics (AREA)
- Biophysics (AREA)
- High Energy & Nuclear Physics (AREA)
- Molecular Biology (AREA)
- General Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Health & Medical Sciences (AREA)
- Geophysics And Detection Of Objects (AREA)
Abstract
本发明一种磁共振地下水探测随机噪声抑制方法,包括:构建噪声抑制模型,通过噪声抑制模型对磁共振地下水探测随机噪声进行抑制;包括:向多组理想的磁共振信号中加入随机噪声,得到数据集;搭建模型,模型包括编码器和解码器,并初始化网络参数;利用训练集S对模型进行训练,通过编码器对数据进行特征提取得到隐变量z,通过解码器从隐变量z重构出有效信号;使得自编码器建立训练样本的概率分布模型来学习信号的分布规律,依据输入信号与重构信号偏差确定损失函数,并引入参数估计误差约束损失函数,更新网络模型参数,直到损失函数趋势稳定,得到自适应自编码器去噪模型;使用测试集T测试模型去噪效果。解决消噪效果有限,提高了消噪效率。
Description
技术领域
本发明属于核磁共振测深(Magnetic Resonance Sounding,MRS)信号噪声抑制方法领域,具体来讲为一种磁共振地下水探测随机噪声抑制方法。
背景技术
地面磁共振是一种直接探测地下水的地球物理勘探方法,能够定量解释含水量深度、厚度、单位体积含水量,地下含水层含量、孔隙度等水文信息。主要应用于地下水资源探测、水源性地质灾害预测以及地下水污染监测。
然而磁共振信号十分微弱,数量级为纳伏级,在实际探测时,磁共振信号受到环境中的随机噪声、工频噪声、尖峰噪声等干扰,影响后续对水文信息的解释。目前,磁共振消噪方法一般针对不同的噪声类型采用特定的滤波方法。对于随机噪声,Dalgaard在Geophysical Journal International[2012,191(1),88-100]上发表的论文“Adaptivenoise cancelling of multichannel magnetic resonance sounding signals”中采用叠加方法抑制随机噪声。林婷婷等人在Geophysical Journal International[2018,213(2),727-738]上发表的论文“Time-frequency peak filtering for random noiseattenuation of magnetic resonance sounding signal”提出运用时频峰值滤波方法抑制磁共振包络信号中的随机噪声。
上述发明的叠加法是目前普遍采用的磁共振信号随机噪声消减方法,但消噪效果有限,在处理噪声水平高的随机噪声时耗费时间长,效率低;时频峰值滤波方法需要人工调整滤波参数,不利于非专业技术人员使用。
发明内容
本发明所要解决的技术问题在于提供一种磁共振地下水探测随机噪声抑制方法,解决消噪效果有限,在处理噪声水平高的随机噪声时耗费时间长,效率低的问题。
本发明是这样实现的,
一种磁共振地下水探测随机噪声抑制方法,包括:
构建噪声抑制模型,以及通过噪声抑制模型对磁共振地下水探测随机噪声进行抑制;其中构建噪声抑制模型包括:
a、构建数据集:向多组理想的磁共振信号中加入随机噪声,得到数据集X=[x1,x2,...,xn],将数据集按7:3的比例划分为训练集S=[x1,x2,...,xm]和测试集T=[xm+1,xm+2,...,xn];
b、搭建模型:引入卷积层、反卷积层来搭建自适应自编码器模型,自编码器模型包括编码器和解码器,并初始化网络参数;
c、训练模型:利用训练集S对自适应自编码器模型进行训练,通过编码器对数据进行特征提取得到隐变量z,通过解码器从隐变量z重构出有效信号;
d、确定模型:使得自编码器建立训练样本的概率分布模型学习信号的分布规律,依据输入信号与重构信号偏差确定损失函数,并引入参数估计误差约束损失函数,更新网络模型参数,直到损失函数趋势稳定,得到自适应自编码器去噪模型;
e、测试模型:使用测试集T测试自适应自编码器去噪模型去噪效果。
进一步地,所述步骤b中的搭建模型的具体步骤包括:
使用卷积层搭建自适应自编码器中的编码器,初始化网络参数φ,编码器网络记作Q(φ);
使用反卷积层搭建自适应自编码器中的解码器,初始化网络参数θ,解码器网络记作P(θ)。
进一步地,步骤d中的确定模型具体包括:
1)通过衡量隐变量z相对于输入信号x的分布和相对于重构信号xr分布的信息损失分布距离,利用变分推断,计算x与xr的分布规律:
其中,pθ(z|xr)和qφ(z|x)分别为编码器和解码器概率模型估计z的分布;
为最大化似然概率p(xr),最大化J(θ,φ;x),即该网络的损失函数
假设qφ(z|x)和p(z)均为正态分布,分别服从N(μ1,σ1),N(0,1),则
3)最大化J(θ,φ;x)转换为:
minDKL(qφ(z|x)pθ(z))
4)分别对模型输入x、输出的信号xr取复包络,表示为u(x)与u(xr),将两者之间的差距u(x)-u(xr)作为约束模型损失函数的条件,则模型的损失函数改进为
优化损失函数,更新编码器解码器参数φ和θ,直到J(θ,φ;x)稳定,确定自适应自编码器去噪模型。
进一步地,通过噪声抑制模型对磁共振地下水探测随机噪声进行抑制,包括:通过编码器对输入含噪信号进行变分推断,将数据x∈S输入编码器,经过卷积层,第L层输出为
aL=W1 L*aL-1+b1 L
其中,aL为第L个卷积层的输出,W1 L,b1 L为第L层的卷积核和偏置,*代表卷积运算,则经过编码器后,网络输出为隐变量z为
z=Q(φ;x)
其中,φ={W1,b1};
解码器根据隐变量z重构信号,与输入信号有相同分布规律,隐变量z作为输入,经过反卷积层,第L层输出为
cL=W2 L*cL-1+b2 L
其中,cL为第L个反卷积层的输出,W2 L,b2 L为第L层的卷积核和偏置,*代表卷积运算。则经过解码器后,网络根据隐变量z重构的信号为
xr=P(θ;z)
其中,θ={W2,b2}。
一种磁共振地下水探测随机噪声抑制模型的构建系统,包括:
数据集构建模块:向多组理想的磁共振信号中加入随机噪声,得到数据集X=[x1,x2,...,xn],将数据集按7:3的比例划分为训练集S=[x1,x2,...,xm]和测试集T=[xm+1,xm+2,...,xn];
模型搭建模块:引入卷积层、反卷积层来搭建自适应自编码器模型,自编码器模型包括编码器和解码器,并初始化网络参数;
模型训练模块:利用训练集S对自适应自编码器模型进行训练,通过编码器对数据进行特征提取得到隐变量z,通过解码器从隐变量z重构出有效信号;
模型确定模块:使得自编码器建立训练样本的概率分布模型学习信号的分布规律,依据输入信号与重构信号偏差确定损失函数,并引入参数估计误差约束损失函数,更新网络模型参数,直到损失函数趋势稳定,得到自适应自编码器去噪模型;
模型测试模块:使用测试集T测试自适应自编码器去噪模型去噪效果。
进一步地,模型搭建模块搭建的具体步骤包括:
使用卷积层搭建自适应自编码器中的编码器,初始化网络参数φ,编码器网络记作Q(φ);
使用反卷积层搭建自适应自编码器中的解码器,初始化网络参数θ,解码器网络记作P(θ)。
进一步地,模型训练模块进行训练的具体过程包括:
通过编码器对输入含噪信号进行变分推断,将数据x∈S输入编码器,经过卷积层,第L层输出为:
aL=W1 L*aL-1+b1 L
其中,aL为第L个卷积层的输出,W1 L,b1 L分别为第L层的卷积核和偏置,*代表卷积运算,则经过编码器后,网络输出为隐变量z为:
z=Q(φ;x)
其中,φ={W1,b1};
解码器根据隐变量z重构信号,与输入信号有相同分布规律,隐变量z作为输入,经过反卷积层,第L层输出为:
cL=W2 L*cL-1+b2 L
其中,cL为第L个反卷积层的输出,W2 L,b2 L分别为第L层的卷积核和偏置,*代表卷积运算,则经过解码器后,网络根据隐变量z重构的信号为:
xr=P(θ;z)
其中,θ={W2,b2}。
进一步地,模型确定模块具体的确定过程包括:
1)通过衡量隐变量z相对于输入信号x的分布和相对于重构信号xr分布的信息损失分布距离,利用变分推断,计算x与xr的分布规律的偏差:
其中,pθ(z|xr)和qφ(z|x)分别为编码器和解码器概率模型估计z的分布;
为最大化似然概率p(xr),最大化J(θ,φ;x),即该网络的损失函数
假设qφ(z|x)和p(z)均为正态分布,分别服从N(μ1,σ1),N(0,1),则
3)最大化J(θ,φ;x)转换为:
minDKL(qφ(z|x)pθ(z))
4)分别对模型输入x、输出的信号xr取复包络,表示为u(x)与u(xr),将两者之间的差距u(x)-u(xr)作为约束模型损失函数的条件,则模型的损失函数改进为
优化损失函数,更新编码器解码器参数φ和θ,直到J(θ,φ;x)稳定,确定自适应自编码器去噪模型。
本发明与现有技术相比,有益效果在于:本发明方法是一种无监督学习方法,通过训练自适应自编码器重构出有效信号的智能去噪算法,该方法与有监督方法比,不需要大量的标签,能够解决在地面磁共振找水方向中缺乏标注数据的问题。此外该方法引入卷积神经网络来搭建两个概率分布函数,通过结构中的卷积层对含噪信号进行特征提取,再通过反卷积层重构相同概率分布的有效信号,并引入概率、变分推断作为模型的损失函数,优化网络模型。
附图说明
图1为基于自适应自编码器的磁共振地下水探测随机噪声抑制方法的流程图
图2为基于自适应自编码器的磁共振地下水探测随机噪声抑制方法去噪结构框图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白,以下结合实施例,对本发明进行进一步详细说明。应当理解,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。
下面结合附图和实施例对本发明作进一步的详细说明:
参见图1结合图2所示,一种磁共振地下水探测随机噪声抑制方法,包括:
构建噪声抑制模型,以及通过噪声抑制模型对磁共振地下水探测随机噪声进行抑制;其中构建噪声抑制模型包括:
a、构建数据集:向多组理想的磁共振信号中加入随机噪声,得到数据集X=[x1,x2,...,xn],将数据集按7:3的比例划分为训练集S=[x1,x2,...,xm]和测试集T=[xm+1,xm+2,...,xn];
b、搭建模型:引入卷积层、反卷积层来搭建自编码器模型,模型包括编码器和解码器,并初始化网络参数;
c、训练模型:利用训练集S对模型进行训练,通过编码器对数据进行特征提取得到隐变量z,通过解码器从隐变量z重构出有效信号;
d、确定模型:使得自编码器建立训练样本的概率分布模型来学习信号的分布规律,依据输入信号与重构信号偏差确定损失函数,并引入参数估计误差约束损失函数,更新网络模型参数,直到损失函数趋势稳定,得到自适应自编码器去噪模型;
e、测试模型:使用测试集T测试模型去噪效果。
步骤b中的搭建模型的具体步骤为:
首先,使用卷积层搭建自适应自编码器中的编码器,初始化网络参数φ,编码器网络记作Q(φ);
之后,使用反卷积层搭建自适应自编码器中的解码器,初始化网络参数θ,解码器网络记作P(θ)。
步骤c中的训练模型的具体步骤为:
首先,通过编码器对输入含噪信号进行变分推断,将数据x∈S输入编码器,经过卷积层,第L层输出为
aL=W1 L*aL-1+b1 L
其中,aL为第L个卷积层的输出,W1 L,b1 L为第L层的卷积核和偏置,*代表卷积运算。则经过编码器后,网络输出为隐变量z为
z=Q(φ;x)
其中,φ={W1,b1};
其次,解码器根据隐变量z重构信号,与输入信号有相同分布规律,隐变量z作为输入,经过反卷积层,第L层输出为
cL=W2 L*cL-1+b2 L
其中,cL为第L个反卷积层的输出,W2 L,b2 L为第L层的卷积核和偏置,*代表卷积运算。则经过解码器后,网络根据隐变量z重构的信号为
xr=P(θ;z)
其中,θ={W2,b2}。
步骤d中的确定模型的具体步骤为:
1)为估计由隐藏层z重构的信号是否接近真实信号,利用变分推断,计算二者分布距离:
其中,pθ(z|x)和qφ(z|x)分别为编码器和解码器概率模型估计z的分布;
J(θ,φ;x)≤logp(x)
为最大化似然概率p(x),可以通过最大化J(θ,φ;x),也就是该网络的损失函数
3)为了方便计算,假设qφ(z|x)和p(z)均为正态分布,分别服从N(μ1,σ1),N(0,1),则
5)最大化J(θ,φ;x)转换为:
minDKL(qφ(z|x)pθ(z))
6)采用MATLAB里的lsqcurvefit函数分别对模型输入x、输出的信号xr取复包络,表示为u(x)与u(xr),将两者之间的差距u(x)-u(xr)作为进一步约束模型损失函数的条件,则模型的损失函数改进为
通过上述公式优化损失函数,更新编码器解码器参数φ和θ,直到J(θ,φ;x)稳定,确定自适应自编码器去噪模型。
通过噪声抑制模型对磁共振地下水探测随机噪声进行抑制,包括:通过编码器对输入含噪信号进行变分推断,将数据x∈S输入编码器,经过卷积层,第L层输出为
aL=W1 L*aL-1+b1 L
其中,aL为第L个卷积层的输出,W1 L,b1 L为第L层的卷积核和偏置,*代表卷积运算,则经过编码器后,网络输出为隐变量z为
z=Q(φ;x)
其中,φ={W1,b1};
解码器根据隐变量z重构信号,与输入信号有相同分布规律,隐变量z作为输入,经过反卷积层,第L层输出为
cL=W2 L*cL-1+b2 L
其中,cL为第L个反卷积层的输出,W2 L,b2 L为第L层的卷积核和偏置,*代表卷积运算。则经过解码器后,网络根据隐变量z重构的信号为
xr=P(θ;z)
其中,θ={W2,b2}。
一种磁共振地下水探测随机噪声抑制模型的构建系统,包括:
数据集构建模块:向多组理想的磁共振信号中加入随机噪声,得到数据集X=[x1,x2,...,xn],将数据集按7:3的比例划分为训练集S=[x1,x2,...,xm]和测试集T=[xm+1,xm+2,...,xn];
模型搭建模块:引入卷积层、反卷积层来搭建自适应自编码器模型,自编码器模型包括编码器和解码器,并初始化网络参数;
模型训练模块:利用训练集S对自适应自编码器模型进行训练,通过编码器对数据进行特征提取得到隐变量z,通过解码器从隐变量z重构出有效信号;
模型确定模块:使得自编码器建立训练样本的概率分布模型学习信号的分布规律,依据输入信号与重构信号偏差确定损失函数,并引入参数估计误差约束损失函数,更新网络模型参数,直到损失函数趋势稳定,得到自适应自编码器去噪模型;
模型测试模块:使用测试集T测试自适应自编码器去噪模型去噪效果。
模型搭建模块搭建的具体步骤包括:
使用卷积层搭建自适应自编码器中的编码器,初始化网络参数φ,编码器网络记作Q(φ);
使用反卷积层搭建自适应自编码器中的解码器,初始化网络参数θ,解码器网络记作P(θ)。
模型训练模块进行训练的具体过程包括:
通过编码器对输入含噪信号进行变分推断,将数据x∈S输入编码器,经过卷积层,第L层输出为:
aL=W1 L*aL-1+b1 L
其中,aL为第L个卷积层的输出,W1 L,b1 L分别为第L层的卷积核和偏置,*代表卷积运算,则经过编码器后,网络输出为隐变量z为:
z=Q(φ;x)
其中,φ={W1,b1};
解码器根据隐变量z重构信号,与输入信号有相同分布规律,隐变量z作为输入,经过反卷积层,第L层输出为:
cL=W2 L*cL-1+b2 L
其中,cL为第L个反卷积层的输出,W2 L,b2 L分别为第L层的卷积核和偏置,*代表卷积运算,则经过解码器后,网络根据隐变量z重构的信号为:
xr=P(θ;z)
其中,θ={W2,b2}。
模型确定模块具体的确定过程包括:
1)通过衡量隐变量z相对于输入信号x的分布和相对于重构信号xr分布的信息损失分布距离,利用变分推断,计算x与xr的分布规律的偏差:
其中,pθ(z|xr)和qφ(z|x)分别为编码器和解码器概率模型估计z的分布;
为最大化似然概率p(xr),最大化J(θ,φ;x),即该网络的损失函数
假设qφ(z|x)和p(z)均为正态分布,分别服从N(μ1,σ1),N(0,1),则
3)最大化J(θ,φ;x)转换为:
minDKL(qφ(z|x)pθ(z))
4)分别对模型输入x、输出的信号xr取复包络,表示为u(x)与u(xr),将两者之间的差距u(x)-u(xr)作为约束模型损失函数的条件,则模型的损失函数改进为
优化损失函数,更新编码器解码器参数φ和θ,直到J(θ,φ;x)稳定,确定自适应自编码器去噪模型。
以上所述仅为本发明的较佳实施例而已,并不用以限制本发明,凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等,均应包含在本发明的保护范围之内。
Claims (8)
1.一种磁共振地下水探测随机噪声抑制方法,其特征在于,包括:
构建噪声抑制模型,以及通过噪声抑制模型对磁共振地下水探测随机噪声进行抑制;其中构建噪声抑制模型包括:
a、构建数据集:向多组理想的磁共振信号中加入随机噪声,得到数据集X=[x1,x2,...,xn],将数据集按7:3的比例划分为训练集S=[x1,x2,...,xm]和测试集T=[xm+1,xm+2,...,xn];
b、搭建模型:引入卷积层、反卷积层来搭建自适应自编码器模型,自编码器模型包括编码器和解码器,并初始化网络参数;
c、训练模型:利用训练集S对自适应自编码器模型进行训练,通过编码器对数据进行特征提取得到隐变量z,通过解码器从隐变量z重构出有效信号;
d、确定模型:使得自编码器建立训练样本的概率分布模型学习信号的分布规律,依据输入信号与重构信号偏差确定损失函数,并引入参数估计误差约束损失函数,更新网络模型参数,直到损失函数趋势稳定,得到自适应自编码器去噪模型;
e、测试模型:使用测试集T测试自适应自编码器去噪模型去噪效果。
2.按照权利要求1所述的磁共振地下水探测随机噪声抑制方法,其特征在于,所述步骤b中的搭建模型的具体步骤包括:
使用卷积层搭建自适应自编码器中的编码器,初始化网络参数φ,编码器网络记作Q(φ);
使用反卷积层搭建自适应自编码器中的解码器,初始化网络参数θ,解码器网络记作P(θ)。
3.按照权利要求2所述的磁共振地下水探测随机噪声抑制方法,其特征在于,步骤d中的确定模型具体包括:
1)通过衡量隐变量z相对于输入信号x的分布和相对于重构信号xr分布的信息损失分布距离,利用变分推断,计算x与xr的分布规律:
其中,pθ(z|xr)和qφ(z|x)分别为编码器和解码器概率模型估计z的分布;
为最大化似然概率p(xr),最大化J(θ,φ;x),即该网络的损失函数
假设qφ(z|x)和p(z)均为正态分布,分别服从N(μ1,σ1),N(0,1),则
3)最大化J(θ,φ;x)转换为:
min DKL(qφ(z|x)||pθ(z))
4)分别对模型输入x、输出的信号xr取复包络,表示为u(x)与u(xr),将两者之间的差距||u(x)-u(xr)||作为约束模型损失函数的条件,则模型的损失函数改进为
优化损失函数,更新编码器解码器参数φ和θ,直到J(θ,φ;x)稳定,确定自适应自编码器去噪模型。
4.按照权利要求2所述的磁共振地下水探测随机噪声抑制方法,其特征在于,通过噪声抑制模型对磁共振地下水探测随机噪声进行抑制,包括:通过编码器对输入含噪信号进行变分推断,将数据x∈S输入编码器,经过卷积层,第L层输出为
aL=W1 L*aL-1+b1 L
其中,aL为第L个卷积层的输出,W1 L,b1 L为第L层的卷积核和偏置,*代表卷积运算,则经过编码器后,网络输出为隐变量z为
z=Q(φ;x)
其中,φ={W1,b1};
解码器根据隐变量z重构信号,与输入信号有相同分布规律,隐变量z作为输入,经过反卷积层,第L层输出为
cL=W2 L*cL-1+b2 L
其中,cL为第L个反卷积层的输出,W2 L,b2 L为第L层的卷积核和偏置,*代表卷积运算。则经过解码器后,网络根据隐变量z重构的信号为
xr=P(θ;z)
其中,θ={W2,b2}。
5.一种磁共振地下水探测随机噪声抑制模型的构建系统,其特征在于,包括:
数据集构建模块:向多组理想的磁共振信号中加入随机噪声,得到数据集X=[x1,x2,...,xn],将数据集按7:3的比例划分为训练集S=[x1,x2,...,xm]和测试集T=[xm+1,xm+2,...,xn];
模型搭建模块:引入卷积层、反卷积层来搭建自适应自编码器模型,自编码器模型包括编码器和解码器,并初始化网络参数;
模型训练模块:利用训练集S对自适应自编码器模型进行训练,通过编码器对数据进行特征提取得到隐变量z,通过解码器从隐变量z重构出有效信号;
模型确定模块:使得自编码器建立训练样本的概率分布模型学习信号的分布规律,依据输入信号与重构信号偏差确定损失函数,并引入参数估计误差约束损失函数,更新网络模型参数,直到损失函数趋势稳定,得到自适应自编码器去噪模型;
模型测试模块:使用测试集T测试自适应自编码器去噪模型去噪效果。
6.按照权利要求5所述的磁共振地下水探测随机噪声抑制模型的构建系统,其特征在于,模型搭建模块搭建的具体步骤包括:
使用卷积层搭建自适应自编码器中的编码器,初始化网络参数φ,编码器网络记作Q(φ);
使用反卷积层搭建自适应自编码器中的解码器,初始化网络参数θ,解码器网络记作P(θ)。
7.按照权利要求6所述的磁共振地下水探测随机噪声抑制模型的构建系统,其特征在于,
模型训练模块进行训练的具体过程包括:
通过编码器对输入含噪信号进行变分推断,将数据x∈S输入编码器,经过卷积层,第L层输出为:
aL=W1 L*aL-1+b1 L
其中,aL为第L个卷积层的输出,W1 L,b1 L分别为第L层的卷积核和偏置,*代表卷积运算,则经过编码器后,网络输出为隐变量z为:
z=Q(φ;x)
其中,φ={W1,b1};
解码器根据隐变量z重构信号,与输入信号有相同分布规律,隐变量z作为输入,经过反卷积层,第L层输出为:
cL=W2 L*cL-1+b2 L
其中,cL为第L个反卷积层的输出,W2 L,b2 L分别为第L层的卷积核和偏置,*代表卷积运算,则经过解码器后,网络根据隐变量z重构的信号为:
xr=P(θ;z)
其中,θ={W2,b2}。
8.按照权利要求6所述的磁共振地下水探测随机噪声抑制模型的构建系统,其特征在于,模型确定模块具体的确定过程包括:
1)通过衡量隐变量z相对于输入信号x的分布和相对于重构信号xr分布的信息损失分布距离,利用变分推断,计算x与xr的分布规律的偏差:
其中,pθ(z|xr)和qφ(z|x)分别为编码器和解码器概率模型估计z的分布;
J(θ,φ;x)≤logp(xr);
为最大化似然概率p(xr),最大化J(θ,φ;x),即该网络的损失函数
假设qφ(z|x)和p(z)均为正态分布,分别服从N(μ1,σ1),N(0,1),则
3)最大化J(θ,φ;x)转换为:
min DKL(qφ(z|x)||pθ(z))
4)分别对模型输入x、输出的信号xr取复包络,表示为u(x)与u(xr),将两者之间的差距||u(x)-u(xr)||作为约束模型损失函数的条件,则模型的损失函数改进为
优化损失函数,更新编码器解码器参数φ和θ,直到J(θ,φ;x)稳定,确定自适应自编码器去噪模型。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310084262.XA CN116148935A (zh) | 2023-02-02 | 2023-02-02 | 一种基于自适应自编码器的磁共振随机噪声抑制方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310084262.XA CN116148935A (zh) | 2023-02-02 | 2023-02-02 | 一种基于自适应自编码器的磁共振随机噪声抑制方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116148935A true CN116148935A (zh) | 2023-05-23 |
Family
ID=86352200
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310084262.XA Pending CN116148935A (zh) | 2023-02-02 | 2023-02-02 | 一种基于自适应自编码器的磁共振随机噪声抑制方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116148935A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117872487A (zh) * | 2024-03-08 | 2024-04-12 | 吉林大学 | 一种适用于油田原油渗漏检测的磁共振移动探测方法 |
-
2023
- 2023-02-02 CN CN202310084262.XA patent/CN116148935A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117872487A (zh) * | 2024-03-08 | 2024-04-12 | 吉林大学 | 一种适用于油田原油渗漏检测的磁共振移动探测方法 |
CN117872487B (zh) * | 2024-03-08 | 2024-05-24 | 吉林大学 | 一种适用于油田原油渗漏检测的磁共振移动探测方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110550518B (zh) | 一种基于稀疏去噪自编码的电梯运行异常检测方法 | |
CN111860273B (zh) | 基于卷积神经网络的磁共振地下水探测噪声抑制方法 | |
CN107845389A (zh) | 一种基于多分辨率听觉倒谱系数和深度卷积神经网络的语音增强方法 | |
CN110850482B (zh) | 一种基于变分模态分解原理的瞬变电磁信噪分离方法 | |
CN113094993B (zh) | 基于自编码神经网络的调制信号去噪方法 | |
CN113642484B (zh) | 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 | |
CN114091538B (zh) | 一种基于信号特征的判别损失卷积神经网络智能降噪方法 | |
Li et al. | An EEMD‐Based Denoising Method for Seismic Signal of High Arch Dam Combining Wavelet with Singular Spectrum Analysis | |
CN116403590B (zh) | 基于小波变换与生成对抗网络的仿生信号处理方法 | |
CN116148935A (zh) | 一种基于自适应自编码器的磁共振随机噪声抑制方法 | |
Wang et al. | Joint noise and mask aware training for DNN-based speech enhancement with sub-band features | |
CN115442191A (zh) | 基于相对平均生成对抗网络的通信信号降噪方法及系统 | |
CN117609702A (zh) | 一种管道泄漏声发射信号去噪方法、系统、设备及介质 | |
CN117574062A (zh) | 基于vmd-dnn模型的小回线瞬变电磁信号去噪方法 | |
CN108280416A (zh) | 一种小波跨尺度相关滤波的宽带水声信号处理方法 | |
Fu et al. | Improved Wavelet Thresholding Function and Adaptive Thresholding for Noise Reduction | |
CN116401513A (zh) | 一种基于深度残差网络的磁共振工频谐波噪声抑制方法 | |
CN115859054A (zh) | 基于mic和ceemdan的水电机组尾水管压力脉动数据滤波方法 | |
CN115497492A (zh) | 一种基于全卷积神经网络的实时语音增强方法 | |
CN112180454B (zh) | 一种基于ldmm的磁共振地下水探测随机噪声抑制方法 | |
Hao et al. | Denoising Method Based on Spectral Subtraction in Time‐Frequency Domain | |
CN110703089B (zh) | 一种用于低频振荡Prony分析的小波阈值去噪方法 | |
CN116665681A (zh) | 一种基于组合滤波的雷声识别方法 | |
CN111308557B (zh) | 一种地质与工程参数约束的微地震数据去噪方法 | |
CN112578439B (zh) | 一种基于空间约束的地震反演方法 |
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 |