CN118069997A - 一种用于瞬变电磁数据噪声压制方法和系统 - Google Patents
一种用于瞬变电磁数据噪声压制方法和系统 Download PDFInfo
- Publication number
- CN118069997A CN118069997A CN202410466193.3A CN202410466193A CN118069997A CN 118069997 A CN118069997 A CN 118069997A CN 202410466193 A CN202410466193 A CN 202410466193A CN 118069997 A CN118069997 A CN 118069997A
- Authority
- CN
- China
- Prior art keywords
- data
- noise
- noise suppression
- network
- training
- 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
- 230000001629 suppression Effects 0.000 title claims abstract description 100
- 238000000034 method Methods 0.000 title claims abstract description 88
- 230000001052 transient effect Effects 0.000 title claims abstract description 48
- 238000012549 training Methods 0.000 claims abstract description 57
- 238000012360 testing method Methods 0.000 claims abstract description 28
- 238000013528 artificial neural network Methods 0.000 claims abstract description 14
- 230000000306 recurrent effect Effects 0.000 claims abstract description 8
- 230000008569 process Effects 0.000 claims description 16
- 238000007781 pre-processing Methods 0.000 claims description 7
- 238000012795 verification Methods 0.000 claims description 7
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 claims description 4
- 238000010606 normalization Methods 0.000 claims description 4
- 238000010276 construction Methods 0.000 claims description 3
- 230000000694 effects Effects 0.000 abstract description 11
- 230000015654 memory Effects 0.000 description 13
- 230000006870 function Effects 0.000 description 12
- 238000012545 processing Methods 0.000 description 10
- 210000004027 cell Anatomy 0.000 description 9
- 238000000354 decomposition reaction Methods 0.000 description 9
- 238000004590 computer program Methods 0.000 description 8
- 238000010586 diagram Methods 0.000 description 8
- 230000000670 limiting effect Effects 0.000 description 5
- 210000002569 neuron Anatomy 0.000 description 5
- 238000004891 communication Methods 0.000 description 4
- 230000003287 optical effect Effects 0.000 description 4
- 241000287127 Passeridae Species 0.000 description 2
- 230000009471 action Effects 0.000 description 2
- 238000013459 approach Methods 0.000 description 2
- 230000005540 biological transmission Effects 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 238000001914 filtration Methods 0.000 description 2
- 230000007787 long-term memory Effects 0.000 description 2
- 230000007774 longterm Effects 0.000 description 2
- 239000011159 matrix material Substances 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012805 post-processing Methods 0.000 description 2
- 230000000644 propagated effect Effects 0.000 description 2
- 230000009467 reduction Effects 0.000 description 2
- 230000002441 reversible effect Effects 0.000 description 2
- 238000005070 sampling Methods 0.000 description 2
- 239000004065 semiconductor Substances 0.000 description 2
- 230000006403 short-term memory Effects 0.000 description 2
- 238000006467 substitution reaction Methods 0.000 description 2
- 230000009466 transformation Effects 0.000 description 2
- 230000002411 adverse Effects 0.000 description 1
- 230000002238 attenuated effect Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000015572 biosynthetic process Effects 0.000 description 1
- 238000009933 burial Methods 0.000 description 1
- 239000000470 constituent Substances 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 230000008034 disappearance Effects 0.000 description 1
- 230000005672 electromagnetic field Effects 0.000 description 1
- 230000005674 electromagnetic induction Effects 0.000 description 1
- 238000004880 explosion Methods 0.000 description 1
- 239000000835 fiber Substances 0.000 description 1
- 229910052500 inorganic mineral Inorganic materials 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 239000011707 mineral Substances 0.000 description 1
- 238000005065 mining Methods 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 230000000717 retained effect Effects 0.000 description 1
- 238000003786 synthesis reaction Methods 0.000 description 1
Landscapes
- Noise Elimination (AREA)
Abstract
本发明属于噪声压制领域,具体涉及了一种用于瞬变电磁数据噪声压制方法和系统,旨在解决现有技术中对于电磁数据噪声压制的方法中缺乏适应性,有的去噪效果不理想,还有的操作步骤复杂的问题。本发明包括:将正演数据和噪声数据基于不同的权重进行叠加,叠加后作为数据集,基于所述数据集对预构建的噪声压制网络进行训练,得到训练后的噪声压制网络;其中,所述数据集包括训练集和测试集;将待噪声压制的TEM数据输入至训练后的噪声压制网络中,得到噪声压制后的TEM数据;其中,所述噪声压制网络基于循环神经网络和LSTM网络构建。本发明在复杂实际环境中展现出更强大的适应性和实用性,能够针对性的去噪,并智能化的提高了去噪的效率。
Description
技术领域
本发明属于噪声压制领域,具体涉及了一种用于瞬变电磁数据噪声压制方法和系统。
背景技术
瞬变电磁法(Transient electromagnetic method, TEM)是一种建立在电磁感应原理上的时间域电磁勘探方法,广泛应用于矿产资源和水文资源的勘探。瞬变电磁法是利用阶跃波或其它脉冲电流场源向地下发射一次场,在一次场断电的瞬间,测量由地下地质体产生的二次感应电磁场随时间变化的衰减特性,根据分析仪器接收到的信号查找出目标地质体的导电性能和埋深,从而达到探测地下地质体的目的。瞬变电磁信号是一个随时间衰减的二次场信号,在矿区、厂区等强噪声干扰环境下工作时,仪器接收到的晚期信号受到各种天然及人文干扰噪声影响很大,导致对深部地质体的分辨率不高。所以利用瞬变电磁法工作时,噪声的存在对后期的数据处理及地质解释工作造成诸多不利影响,这些干扰信号可能掩盖所需有用信号,必须有效地抑制噪声并提取信号的有用信息,才能更好地利用瞬变电磁数据进行后续的数据处理及反演解释。
申请公开号为CN117056677A的发明专利提出了一种基于麻雀算法改进变分模态分解的瞬变电磁信号去噪方法,该方法利用麻雀优化算法对变分模态分解中的惩罚因子α和模态数K进行全局寻优,得到最优参数[K ,α];利用寻优后得到的最优参数组合对采集到的瞬变电磁信号进行变分模态分解,实现对原始信号的去噪过程。该方法能够避免了人为选择参数可能带来的模态混叠问题,提高信号去噪的效果。
申请公开号为CN111650655A的发明专利公开了一种非负矩阵分解的有监督瞬变电磁信号降噪方法,该方法在训练阶段,将纯净信号进行短时傅里叶变换和非负矩阵分解处理,得到表征信号各自特征的原子字典,然后,在降噪阶段,利用原子字典和降噪模型处理含噪信号,得到初步估计的瞬变电磁信号,最后,重复以上步骤多次,将初步估计的瞬变电磁信号的晚期数据和含噪信号的原始早中期数据分别累加,求各自的算术平均值,再将两者拼接,估计出最终的完整的瞬变电磁信号。该发明能有效去除实际瞬变电磁信号中的噪声,提高瞬变电磁信号反演的准确度;
但是上述现有技术对参数选择很敏感,且计算复杂度相对较高,特别是对于长时间序列或高维数据。此外变分模态分解方法对输入信号中的噪声比较敏感,噪声可能会被分解到各个模态中。这可能需要额外的后处理步骤来处理噪声。
早期瞬变电磁去噪采用小波变换、卡尔曼滤波和奇异值分解等方法。这些方法都有各自的缺点,有的缺乏适应性,有的去噪效果不理想,还有的操作步骤复杂。
基于此,本发明提出了一种用于瞬变电磁数据噪声压制方法和系统。
发明内容
为了解决现有技术中的上述问题,即现有技术对参数选择很敏感,且计算复杂度相对较高,特别是对于长时间序列或高维数据。此外变分模态分解方法对输入信号中的噪声比较敏感,噪声可能会被分解到各个模态中。这可能需要额外的后处理步骤来处理噪声;早期瞬变电磁去噪采用小波变换、卡尔曼滤波和奇异值分解等方法。这些方法都有各自的缺点,有的缺乏适应性,有的去噪效果不理想,还有的操作步骤复杂的问题,本发明提供了一种用于瞬变电磁数据噪声压制方法和系统。
本发明的一方面,提出了一种用于瞬变电磁数据噪声压制方法,该方法包括:
将正演数据和噪声数据基于不同的权重进行叠加,叠加后作为数据集,基于所述数据集对预构建的噪声压制网络进行训练,得到训练后的噪声压制网络;其中,所述数据集包括训练集和测试集,不同的权重基于预设的目标信噪比获取;
将待噪声压制的TEM数据输入至训练后的噪声压制网络中,得到噪声压制后的TEM数据;
其中,所述噪声压制网络基于循环神经网络和LSTM网络构建。
在一些优选的实施方式中,所述数据集,其构建方法为:
构建多个不同的一维电阻率模型,并进行正演,得到与多个所述一维电阻率模型对应的正演数据;
人工模拟不同种类和不同强度的噪声数据;其中,所述噪声数据包括天电噪声、工频噪声和高斯噪声;
将多个所述正演数据和多个所述噪声数据进行不同权重的叠加,将叠加后的多个数据作为数据集;
将所述数据集按照设定的比例划分得到训练集和测试集。
在一些优选的实施方式中,所述数据集,其获取方法为:
;
其中,是叠加后的数据集,/>是第i个正演数据,/>是第i个噪声数据;/>和/>是正演数据和噪声数据的权重值,分别用于调节正演数据和噪声数据在叠加时的占比情况;N为正演数据的数据量。
在一些优选的实施方式中,和/>,其获取方法分别为:
;
;
为预设的目标信噪比。
在一些优选的实施方式中,所述预构建的噪声压制网络包括依次连接的输入层、编码器、解码器和输出层;
所述输入层用于接收输入数据;所述输入数据包括所述数据集或所述待噪声压制的TEM数据;
所述编码器和所述解码器均由2个依次连接的LSTM层构建;所述编码器用于学习所述输入数据的时间序列特征数据,并将其转换为抽象数据;
所述解码器用于学习所述抽象数据,并还原为所述时间序列特征数据;
所述输出层包括依次连接的全连接层和回归输出层,所述输出层用于将还原的所述时间序列特征数据输出为去噪的TEM数据。
在一些优选的实施方式中,所述训练后的噪声压制网络,其训练方法为:
对所述训练集和所述测试集进行预处理,所述预处理的方法包括归一化和折叠重构;
将预处理后的训练集输入至预构建的噪声压制网络中,得到初始去噪数据,基于所述初始去噪数据和实际的标签对所述噪声压制网络的初始参数进行调整,得到最优参数,将所述噪声压制网络的初始参数替换为最优参数;
将预处理后的训练集再次分批次的输入至具有最优参数的所述噪声压制网络中,得到训练去噪数据,并进行多次迭代,每次迭代中计算所述训练去噪数据和实际的标签之间的均方误差,直至所述均方误差收敛,停止迭代;
将停止迭代后的所述噪声压制网络作为训练后的噪声压制网络。
在一些优选的实施方式中,在多次迭代的过程中,同时将预处理后的所述测试集输入至具有最优参数的所述噪声压制网络中,得到测试数据,将所述测试数据与对应的实际的标签进行比较,得到验证误差,当所述验证误差达到收敛后又开始不断增大时,停止迭代。
在一些优选的实施方式中,在每次迭代中利用Adam优化器调整噪声压制网络的参数,以最小化训练数据和实际标签之间的均方误差,直到均方误差收敛。
在一些优选的实施方式中,所述折叠重构的方法为:
将一维数据的所述训练集和所述测试集折叠重构为二维数据,将所述二维数据作为预构建的噪声压制网络的输入。
本发明的另一方面,提出了一种用于瞬变电磁数据噪声压制系统,基于一种用于瞬变电磁数据噪声压制方法,该系统包括:
网络构建与训练模块,其配置为将正演数据和噪声数据基于不同的权重进行叠加,叠加后作为数据集,基于所述数据集对预构建的噪声压制网络进行训练,得到训练后的噪声压制网络;其中,所述数据集包括训练集和测试集,不同的权重基于预设的目标信噪比获取;
去噪模块,其配置为将待噪声压制的TEM数据输入至训练后的噪声压制网络中,得到噪声压制后的TEM数据;
其中,所述噪声压制网络基于循环神经网络和LSTM网络构建。
本发明的有益效果:
(1)对晚期受污染数据有很好的去噪效果:我们构建的基于LSTM-Autoencoder神经网络的噪声压制网络对受污染的晚期TEM数据有很好的去噪效果,大大加强了对晚期TEM数据的使用效率,使勘探深度得以加深。
(2)普适性强,可对抗多种噪声:我们的方法在处理传统方法难以消除的人文噪声方面表现出色。我们针对方波、充放电三角波、工频干扰、阶跃波和尖脉冲等常见人文噪声,实现了有针对性的去除。这一创新使得我们的方法在复杂实际环境中展现出更强大的适应性和实用性。
(3)智能化去噪提高效率:避免了如小波去噪,变模态分解和奇异值分解等需要人为挑选去噪参数以及其他复杂的人为操作,其简洁高效的去噪效率远超其他方法。
附图说明
通过阅读参照以下附图所作的对非限制性实施例所作的详细描述,本申请的其它特征、目的和优点将会变得更明显:
图1是本发明的一种用于瞬变电磁数据噪声压制方法的流程图;
图2是本发明的一种用于瞬变电磁数据噪声压制方法中噪声压制网络的训练过程示意图;
图3是本发明的一种用于瞬变电磁数据噪声压制方法中噪声压制网络的结构图;
图4是用于实现本申请方法、系统、设备实施例的服务器的计算机系统的结构示意图。
具体实施方式
下面结合附图和实施例对本申请作进一步的详细说明。可以理解的是,此处所描述的具体实施例仅用于解释相关发明,而非对该发明的限定。另外还需要说明的是,为了便于描述,附图中仅示出了与有关发明相关的部分。
需要说明的是,在不冲突的情况下,本申请中的实施例及实施例中的特征可以相互组合。下面将参考附图并结合实施例来详细说明本申请。
本发明第一实施例,参见图1-图3,提出了一种用于瞬变电磁数据噪声压制方法,该方法包括:
将正演数据和噪声数据基于不同的权重进行叠加,叠加后作为数据集,基于所述数据集对预构建的噪声压制网络进行训练,得到训练后的噪声压制网络;其中,所述数据集包括训练集和测试集,不同的权重基于预设的目标信噪比获取;
将待噪声压制的TEM数据输入至训练后的噪声压制网络中,得到噪声压制后的TEM数据;
其中,所述噪声压制网络基于循环神经网络和LSTM网络构建。
其中,本实施例中所使用的网络优选为循环神经网络(RNN),它是一种主要用于时间序列处理的神经网络结构。它在传统误差反向传播神经网络的基础上,引入了时间反向传播算法,以便实现隐藏层跨时间点的连接。隐藏层神经元的输出不仅取决于当前时刻的输入,还取决于上一时刻隐藏层神经元的输出。这种设计使得 RNN 能够充分利用时间序列中的历史信息,并具有一定的记忆性,能够处理具有时间关联性的数据。
为了解决信息序列较长时,RNN容易产生长期依赖问题,难以有效利用时间间隔较远的序列信息,并且克服梯度消失和梯度爆炸问题,本发明采用了LSTM对网络结构进行优化。LSTM通过增设细胞状态和信息门控使梯度变化保持稳定,细胞状态是一条长跨度的信息传输通道,直接在整个信息传输链上运行,仅包含少量线性运算,门控则使信息选择式通过,两者共同作用缓解了RNN的长期依赖问题。
LSTM首先通过sigmoid函数和权值函数/>计算得到遗忘门/>,控制细胞状态中需要遗忘的信息:
;
上述,/>视为网络总的输入,/>为第一偏置量,计算得到的/>为遗忘门,取值在0到1之间,决定上一时刻的细胞状态/>中需要遗忘的信息:
;
再将遗忘门与上一时刻的细胞状态/>相乘,决定/>中需要遗忘的信息。
同理,以和/>共同组成记忆门确定总输入中需要保留的信息:
;
上述,/>视为网络总的输入,/>为第二偏置量,通过sigmoid函数/>和第一权值函数/>计算得到长期记忆/>。
;
上述,/>视为网络总的输入,/>为第三偏置量,通过tanh函数和第二权值函数/>,计算得到短期记忆/>。
;
再将长期记忆和短期记忆/>相乘获得记忆门,决定细胞状态中需要保留的部分。
进而将遗忘门与记忆门相加得到细胞状态的更新值:
;
最终,以为门控,确定神经元的输出值/>:
;
上述,/>视为网络总的输入,/>为第四偏置量,通过sigmoid函数和第三权值函数/>,计算得到输出门/>,决定细胞状态要输出的部分。
。
然后将更新过后的细胞状态通过tanh函数进行处理与输出门/>相乘得到该时刻的隐藏层输出值。
为了更清晰地对本发明的一种用于瞬变电磁数据噪声压制方法进行说明,下面结合图1对本发明实施例展开详述,详细描述如下:
将正演数据和噪声数据基于不同的权重进行叠加,叠加后作为数据集,基于所述数据集对预构建的噪声压制网络进行训练,得到训练后的噪声压制网络;其中,所述数据集包括训练集和测试集,不同的权重基于预设的目标信噪比获取;
本发明中,所述数据集,其构建方法为:
构建多个不同的一维电阻率模型,并进行正演,得到与多个所述一维电阻率模型对应的正演数据;
人工模拟不同种类和不同强度的噪声数据;其中,所述噪声数据包括天电噪声、工频噪声和高斯噪声;
将多个所述正演数据和多个所述噪声数据进行不同权重的叠加,将叠加后的多个数据作为数据集;
将所述数据集按照设定的比例划分得到训练集和测试集。
其中,所述数据集,其获取方法为:
;
其中,是叠加后的数据集,/>是第i个正演数据,/>是第i个噪声数据;/>和/>是正演数据和噪声数据的权重值,分别用于调节正演数据和噪声数据在叠加时的占比情况;N为正演数据的数据量。通过调整权重值可以获得不同信噪比的合成数据。信噪比(SNR)表示信号与噪声之间的相对强度,通常用分贝(dB)来表示。我们可以根据所需的信噪比来调整权重值。具体地,假设/>是预设的目标信噪比(单位为分贝),则可以通过以下公式计算对应的权重值:
和/>,其获取方法分别为:
;
;
其中,这样,通过设定不同的,我们可以得到相应的权重值,从而生成具有不同信噪比的合成数据。例如,如果希望获得较高信噪比的数据,则可以选择较大的;相反,如果希望获得较低信噪比的数据,则可以选择较小的/>通过这种方式,我们可以灵活地控制合成数据的信噪比。
具体的,训练神经网络需要构建样本数量足够多的数据集。但由于不存在理想的无自然声的TEM数据,所以我们在此使用由一维正演获取的TEM数据并结合人工模拟的噪声合成数据集来训练LSTM-Autoencoder神经网络。我们构建了1000个不同的一维电阻率模型,正演得到1000个正演数据。这些正演数据均为在0-0.001s时间上以100MHz采样率得到的瞬态数据,每个数据拥有1000个采样点。此外我们人工模拟了包括天电噪声、工频噪声和高斯噪声在内的等不同种类、不同强度的噪声。将不同干扰强度的混合噪声与纯净的正演数据进行叠加,最终获得20000个含噪数据样本,将其以4:1的比例划分训练集与测试集。即训练集16000个样本,测试集4000个样本。
参见图3,本发明的所述预构建的噪声压制网络包括依次连接的输入层、编码器、解码器和输出层;
所述输入层用于接收输入数据;所述输入数据包括所述数据集或所述待噪声压制的TEM数据;
所述编码器和所述解码器均由2个依次连接的LSTM层构建;所述编码器用于学习所述输入数据的时间序列特征数据,并将其转换为抽象数据;
所述解码器用于学习所述抽象数据,并还原为所述时间序列特征数据;
所述输出层包括依次连接的全连接层和回归输出层,所述输出层用于将还原的所述时间序列特征数据输出为去噪的TEM数据。
其中,在本实施例中,编码器的2个LSTM层,分别为128和64个神经元;解码器的2个LSTM层,分别为64和128个神经元。
具体的,参见图3,编码器的2个LSTM层分别为LSTM1和LSTM2;解码器的2个LSTM层分别为LSTM3和LSTM4。
参见图2,本发明的所述训练后的噪声压制网络,其训练方法为:
对所述训练集和所述测试集进行预处理,所述预处理的方法包括归一化和折叠重构;
将预处理后的训练集输入至预构建的噪声压制网络中,得到初始去噪数据,基于所述初始去噪数据和实际的标签对所述噪声压制网络的初始参数进行调整,得到最优参数,将所述噪声压制网络的初始参数替换为最优参数;
将预处理后的训练集再次分批次的输入至具有最优参数的所述噪声压制网络中,得到训练去噪数据,并进行多次迭代,每次迭代中计算所述训练去噪数据和实际的标签之间的均方误差,直至所述均方误差收敛,停止迭代;
将停止迭代后的所述噪声压制网络作为训练后的噪声压制网络。
其中,所述折叠重构的方法为:
将一维数据的所述训练集和所述测试集折叠重构为二维数据,将所述二维数据作为预构建的噪声压制网络的输入。
其中,针对输入的数据集,我们先对其进行归一化处理,由于其数据指数衰减的特殊性。对其数据集数据取对数后再进行最大最小归一化。如下式中,x为数据集数据(原始数据),logxmean为数据集数据取对数的平均值,logxmax为数据集数据中的最大值,logxmin为数据集数据中的最小值,x’为归一化后的数据:
;
对数据进行归一化过后,考虑到一维数据输入进神经网络后训练效果相对较差。我们将每一个数据折叠重构为二维数据再将其输入进入网络。即将1000×1的一维数据转换为40×25×1的二维数据。
本发明中,数据预处理完成后,初步对模型进行训练并调节模型参数。除输入输出维度固定外,通常根据训练及验证效果进行调整其它参数,寻找最优值。参数调节完毕后对模型展开训练,训练过程中要将数据分批次输入,在每次迭代中计算训练去噪数据和实际的标签的MSE并用Adam优化器对模型参数进行优化,直至MSE收敛。最后将训练完成后的模型保存。
作为对本发明的进一步解释,在模型训练过程中,还要对训练效果进行验证,避免出现过拟合,具体为:在多次迭代的过程中,同时将预处理后的所述测试集输入至具有最优参数的所述噪声压制网络中,得到测试数据,将所述测试数据与对应的实际的标签进行比较,得到验证误差,当所述验证误差达到收敛后又开始不断增大时,则说明网络已经达到过拟合状态,停止迭代。
作为对本发明的进一步解释,在每次迭代中计算所述训练去噪数据和实际的标签之间的均方误差时,在每次迭代中利用Adam优化器调整噪声压制网络的参数,以最小化训练数据和实际标签之间的均方误差,直到均方误差收敛。
上述实施例中虽然将各个步骤按照上述先后次序的方式进行了描述,但是本领域技术人员可以理解,为了实现本实施例的效果,不同的步骤之间不必按照这样的次序执行,其可以同时(并行)执行或以颠倒的次序执行,这些简单的变化都在本发明的保护范围之内。
本发明第二实施例的一种用于瞬变电磁数据噪声压制系统,基于一种用于瞬变电磁数据噪声压制方法,该系统包括:
网络构建与训练模块,其配置为将正演数据和噪声数据基于不同的权重进行叠加,叠加后作为数据集,基于所述数据集对预构建的噪声压制网络进行训练,得到训练后的噪声压制网络;其中,所述数据集包括训练集和测试集,不同的权重基于预设的目标信噪比获取;
去噪模块,其配置为将待噪声压制的TEM数据输入至训练后的噪声压制网络中,得到噪声压制后的TEM数据;
其中,所述噪声压制网络基于循环神经网络和LSTM网络构建。
所属技术领域的技术人员可以清楚地了解到,为描述的方便和简洁,上述描述的系统的具体工作过程及有关说明,可以参考前述方法实施例中的对应过程,在此不再赘述。
需要说明的是,上述实施例提供的一种用于瞬变电磁数据噪声压制系统,仅以上述各功能模块的划分进行举例说明,在实际应用中,可以根据需要而将上述功能分配由不同的功能模块来完成,即将本发明实施例中的模块或者步骤再分解或者组合,例如,上述实施例的模块可以合并为一个模块,也可以进一步拆分成多个子模块,以完成以上描述的全部或者部分功能。对于本发明实施例中涉及的模块、步骤的名称,仅仅是为了区分各个模块或者步骤,不视为对本发明的不当限定。
本发明第三实施例的一种电子设备,包括:
至少一个处理器;以及
与至少一个所述处理器通信连接的存储器;其中,
所述存储器存储有可被所述处理器执行的指令,所述指令用于被所述处理器执行以实现上述的一种用于瞬变电磁数据噪声压制方法。
本发明第四实施例的一种计算机可读存储介质,所述计算机可读存储介质存储有计算机指令,所述计算机指令用于被所述计算机执行以实现上述的一种用于瞬变电磁数据噪声压制方法。
所属技术领域的技术人员可以清楚地了解到,为描述的方便和简洁,上述描述的存储装置、处理装置的具体工作过程及有关说明,可以参考前述方法实施例中的对应过程,在此不再赘述。
本领域技术人员应该能够意识到,结合本文中所公开的实施例描述的各示例的模块、方法步骤,能够以电子硬件、计算机软件或者二者的结合来实现,软件模块、方法步骤对应的程序可以置于随机存储器(RAM)、内存、只读存储器(ROM)、电可编程ROM、电可擦除可编程ROM、寄存器、硬盘、可移动磁盘、CD-ROM、或技术领域内所公知的任意其它形式的存储介质中。为了清楚地说明电子硬件和软件的可互换性,在上述说明中已经按照功能一般性地描述了各示例的组成及步骤。这些功能究竟以电子硬件还是软件方式来执行,取决于技术方案的特定应用和设计约束条件。本领域技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能,但是这种实现不应认为超出本发明的范围。
下面参考图4,其示出了用于实现本申请方法、系统、设备实施例的服务器的计算机系统的结构示意图。图4示出的服务器仅仅是一个示例,不应对本申请实施例的功能和使用范围带来任何限制。
如图4所示,计算机系统包括中央处理单元(CPU,Central Processing Unit)401,其可以根据存储在只读存储器(ROM,Read Only Memory)402中的程序或者从存储部分408加载到随机访问存储器(RAM,Random Access Memory)403中的程序而执行各种适当的动作和处理。在RAM 403中,还存储有系统操作所需的各种程序和数据。CPU 401、ROM 402以及RAM403通过总线404彼此相连。输入/输出(I/O,Input/Output)接口405也连接至总线404。
以下部件连接至I/O接口405:包括键盘、鼠标等的输入部分406;包括诸如阴极射线管(CRT,Cathode Ray Tube)、液晶显示器(LCD,Liquid Crystal Display)等以及扬声器等的输出部分407;包括硬盘等的存储部分408;以及包括诸如LAN(局域网,Local AreaNetwork)卡、调制解调器等的网络接口卡的通信部分409。通信部分409经由诸如因特网的网络执行通信处理。驱动器410也根据需要连接至I/O接口405。可拆卸介质411,诸如磁盘、光盘、磁光盘、半导体存储器等等,根据需要安装在驱动器410上,以便于从其上读出的计算机程序根据需要被安装入存储部分408。
特别地,根据本公开的实施例,上文参考流程图描述的过程可以被实现为计算机软件程序。例如,本公开的实施例包括一种计算机程序产品,其包括承载在计算机可读介质上的计算机程序,该计算机程序包含用于执行流程图所示的方法的程序代码。在这样的实施例中,该计算机程序可以通过通信部分409从网络上被下载和安装,和/或从可拆卸介质411被安装。在该计算机程序被中央处理单元(CPU)401执行时,执行本申请的方法中限定的上述功能。需要说明的是,本申请上述的计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质或者是上述两者的任意组合。计算机可读存储介质例如可以是——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。计算机可读存储介质的更具体的例子可以包括但不限于:具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本申请中,计算机可读存储介质可以是任何包含或存储程序的有形介质,该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。而在本申请中,计算机可读的信号介质可以包括在基带中或者作为载波一部分传播的数据信号,其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式,包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读的信号介质还可以是计算机可读存储介质以外的任何计算机可读介质,该计算机可读介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。计算机可读介质上包含的程序代码可以用任何适当的介质传输,包括但不限于:无线、电线、光缆、RF等等,或者上述的任意合适的组合。
可以以一种或多种程序设计语言或其组合来编写用于执行本申请的操作的计算机程序代码,上述程序设计语言包括面向对象的程序设计语言—诸如Java、Smalltalk、C++,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机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中,远程计算机可以通过任意种类的网络——包括局域网(LAN)或广域网(WAN)—连接到用户计算机,或者,可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。
附图中的流程图和框图,图示了按照本申请各种实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上,流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分,该模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意,在有些作为替换的实现中,方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如,两个接连地表示的方框实际上可以基本并行地执行,它们有时也可以按相反的顺序执行,这依所涉及的功能而定。也要注意的是,框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合,可以用执行规定的功能或操作的专用的基于硬件的系统来实现,或者可以用专用硬件与计算机指令的组合来实现。
术语“第一”、“第二”等是用于区别类似的对象,而不是用于描述或表示特定的顺序或先后次序。
术语“包括”或者任何其它类似用语旨在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者设备/装置不仅包括那些要素,而且还包括没有明确列出的其它要素,或者还包括这些过程、方法、物品或者设备/装置所固有的要素。
至此,已经结合附图所示的优选实施方式描述了本发明的技术方案,但是,本领域技术人员容易理解的是,本发明的保护范围显然不局限于这些具体实施方式。在不偏离本发明的原理的前提下,本领域技术人员可以对相关技术特征做出等同的更改或替换,这些更改或替换之后的技术方案都将落入本发明的保护范围之内。
Claims (10)
1.一种用于瞬变电磁数据噪声压制方法,其特征在于,该方法包括:
将正演数据和噪声数据基于不同的权重进行叠加,叠加后作为数据集,基于所述数据集对预构建的噪声压制网络进行训练,得到训练后的噪声压制网络;其中,所述数据集包括训练集和测试集,不同的权重基于预设的目标信噪比获取;
将待噪声压制的TEM数据输入至训练后的噪声压制网络中,得到噪声压制后的TEM数据;
其中,所述噪声压制网络基于循环神经网络和LSTM网络构建。
2.根据权利要求1所述的一种用于瞬变电磁数据噪声压制方法,其特征在于,所述数据集,其构建方法为:
构建多个不同的一维电阻率模型,并进行正演,得到与多个所述一维电阻率模型对应的正演数据;
人工模拟不同种类和不同强度的噪声数据;其中,所述噪声数据包括天电噪声、工频噪声和高斯噪声;
将多个所述正演数据和多个所述噪声数据进行不同权重的叠加,将叠加后的多个数据作为数据集;
将所述数据集按照设定的比例划分得到训练集和测试集。
3.根据权利要求2所述的一种用于瞬变电磁数据噪声压制方法,其特征在于,所述数据集,其获取方法为:
;
其中,是叠加后的数据集,/>是第i个正演数据,/>是第i个噪声数据;和/>是正演数据和噪声数据的权重值,分别用于调节正演数据和噪声数据在叠加时的占比情况;N为正演数据的数据量。
4.根据权利要求3所述的一种用于瞬变电磁数据噪声压制方法,其特征在于,和/>,其获取方法分别为:
;
;
其中,为预设的目标信噪比。
5.根据权利要求1所述的一种用于瞬变电磁数据噪声压制方法,其特征在于,所述预构建的噪声压制网络包括依次连接的输入层、编码器、解码器和输出层;
所述输入层用于接收输入数据;所述输入数据包括所述数据集或所述待噪声压制的TEM数据;
所述编码器和所述解码器均由2个依次连接的LSTM层构建;所述编码器用于学习所述输入数据的时间序列特征数据,并将其转换为抽象数据;
所述解码器用于学习所述抽象数据,并还原为所述时间序列特征数据;
所述输出层包括依次连接的全连接层和回归输出层,所述输出层用于将还原的所述时间序列特征数据输出为去噪的TEM数据。
6.根据权利要求5所述的一种用于瞬变电磁数据噪声压制方法,其特征在于,所述训练后的噪声压制网络,其训练方法为:
对所述训练集和所述测试集进行预处理,所述预处理的方法包括归一化和折叠重构;
将预处理后的训练集输入至预构建的噪声压制网络中,得到初始去噪数据,基于所述初始去噪数据和实际的标签对所述噪声压制网络的初始参数进行调整,得到最优参数,将所述噪声压制网络的初始参数替换为最优参数;
将预处理后的训练集再次分批次的输入至具有最优参数的所述噪声压制网络中,得到训练去噪数据,并进行多次迭代,每次迭代中计算所述训练去噪数据和实际的标签之间的均方误差,直至所述均方误差收敛,停止迭代;
将停止迭代后的所述噪声压制网络作为训练后的噪声压制网络。
7.根据权利要求6所述的一种用于瞬变电磁数据噪声压制方法,其特征在于,在多次迭代的过程中,同时将预处理后的所述测试集输入至具有最优参数的所述噪声压制网络中,得到测试数据,将所述测试数据与对应的实际的标签进行比较,得到验证误差,当所述验证误差达到收敛后又开始不断增大时,停止迭代。
8.根据权利要求7所述的一种用于瞬变电磁数据噪声压制方法,其特征在于,在每次迭代中利用Adam优化器调整噪声压制网络的参数,以最小化训练数据和实际标签之间的均方误差,直到均方误差收敛。
9.根据权利要求8所述的一种用于瞬变电磁数据噪声压制方法,其特征在于,所述折叠重构的方法为:
将一维数据的所述训练集和所述测试集折叠重构为二维数据,将所述二维数据作为预构建的噪声压制网络的输入。
10.一种用于瞬变电磁数据噪声压制系统,基于权利要求1-9任一项所述的一种用于瞬变电磁数据噪声压制方法,其特征在于,该系统包括:
网络构建与训练模块,其配置为将正演数据和噪声数据基于不同的权重进行叠加,叠加后作为数据集,基于所述数据集对预构建的噪声压制网络进行训练,得到训练后的噪声压制网络;其中,所述数据集包括训练集和测试集,不同的权重基于预设的目标信噪比获取;
去噪模块,其配置为将待噪声压制的TEM数据输入至训练后的噪声压制网络中,得到噪声压制后的TEM数据;
其中,所述噪声压制网络基于循环神经网络和LSTM网络构建。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410466193.3A CN118069997A (zh) | 2024-04-18 | 2024-04-18 | 一种用于瞬变电磁数据噪声压制方法和系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410466193.3A CN118069997A (zh) | 2024-04-18 | 2024-04-18 | 一种用于瞬变电磁数据噪声压制方法和系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN118069997A true CN118069997A (zh) | 2024-05-24 |
Family
ID=91107602
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202410466193.3A Pending CN118069997A (zh) | 2024-04-18 | 2024-04-18 | 一种用于瞬变电磁数据噪声压制方法和系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN118069997A (zh) |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20200348438A1 (en) * | 2019-05-03 | 2020-11-05 | Guoqiang Xue | Method for Suppressing Airborne Transient Electromagnetic In-Band Vibration Noise |
CN113687433A (zh) * | 2021-09-15 | 2021-11-23 | 湖南师范大学 | 一种基于Bi-LSTM的大地电磁信号去噪方法及系统 |
CN115169422A (zh) * | 2022-09-07 | 2022-10-11 | 湖南师范大学 | 一种基于堆栈自编码器的大地电磁信号去噪方法及系统 |
CN116881633A (zh) * | 2023-07-19 | 2023-10-13 | 东华理工大学 | 一种基于残差去噪卷积网络与移不变稀疏编码的可控源电磁数据去噪方法 |
CN117272138A (zh) * | 2023-09-15 | 2023-12-22 | 东华理工大学 | 一种基于参考道数据约束与深度学习的地磁数据去噪方法及系统 |
CN117574062A (zh) * | 2024-01-16 | 2024-02-20 | 吉林大学 | 基于vmd-dnn模型的小回线瞬变电磁信号去噪方法 |
-
2024
- 2024-04-18 CN CN202410466193.3A patent/CN118069997A/zh active Pending
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20200348438A1 (en) * | 2019-05-03 | 2020-11-05 | Guoqiang Xue | Method for Suppressing Airborne Transient Electromagnetic In-Band Vibration Noise |
CN113687433A (zh) * | 2021-09-15 | 2021-11-23 | 湖南师范大学 | 一种基于Bi-LSTM的大地电磁信号去噪方法及系统 |
CN115169422A (zh) * | 2022-09-07 | 2022-10-11 | 湖南师范大学 | 一种基于堆栈自编码器的大地电磁信号去噪方法及系统 |
CN116881633A (zh) * | 2023-07-19 | 2023-10-13 | 东华理工大学 | 一种基于残差去噪卷积网络与移不变稀疏编码的可控源电磁数据去噪方法 |
CN117272138A (zh) * | 2023-09-15 | 2023-12-22 | 东华理工大学 | 一种基于参考道数据约束与深度学习的地磁数据去噪方法及系统 |
CN117574062A (zh) * | 2024-01-16 | 2024-02-20 | 吉林大学 | 基于vmd-dnn模型的小回线瞬变电磁信号去噪方法 |
Non-Patent Citations (3)
Title |
---|
SIHONG WU等: "De-noising of transient electromagnetic data based on the long short-term memory-autoencoder", GEOPHYSICAL JOURNAL INTERNATIONAL, vol. 224, no. 1, 8 September 2020 (2020-09-08), pages 669 - 681 * |
张先承等: "基于LSTM的半航空瞬变电磁资料去噪方法研究", 物探化探计算科技, 31 October 2023 (2023-10-31), pages 1 - 10 * |
韩盈 等: "基于循环神经网络的大地电磁信号噪声压制研究", 地球物理学报, vol. 66, no. 10, 10 October 2023 (2023-10-10), pages 4317 - 4331 * |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107061996B (zh) | 一种供水管道泄漏检测定位方法 | |
Sun et al. | ML-descent: An optimization algorithm for full-waveform inversion using machine learning | |
Yuan et al. | Double-scale supervised inversion with a data-driven forward model for low-frequency impedance recovery | |
US20140297188A1 (en) | Time-frequency representations of seismic traces using wigner-ville distributions | |
Zuo et al. | Application of a hybrid method combining multilevel fuzzy comprehensive evaluation with asymmetric fuzzy relation analysis to mapping prospectivity | |
CN113687433B (zh) | 一种基于Bi-LSTM的大地电磁信号去噪方法及系统 | |
Sharbati et al. | Detection and extraction of velocity pulses of near-fault ground motions using asymmetric Gaussian chirplet model | |
da Silva et al. | Robust full-waveform inversion using q-statistics | |
Vamaraju et al. | Unsupervised physics-based neural networks for seismic migration | |
Matharu et al. | A subsampled truncated-Newton method for multiparameter full-waveform inversion | |
CN115795282B (zh) | 激波管动态压力重构方法、装置、电子设备及存储介质 | |
Feng et al. | Quantitative identification of near-fault pulse-like ground motions based on variational mode decomposition technique | |
Bai et al. | Accurate estimation of tidal level using bidirectional long short-term memory recurrent neural network | |
CN116561515A (zh) | 一种基于循环神经网络磁共振信号工频噪声抑制方法 | |
Pereg et al. | Sparse seismic deconvolution via recurrent neural network | |
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 | |
Du et al. | Random noise attenuation via convolutional neural network in seismic datasets | |
Duesing et al. | Multiband wavelet age modeling for a∼ 293 m (∼ 600 kyr) sediment core from Chew Bahir Basin, Southern Ethiopian Rift | |
Yang et al. | Denoising of gamma-ray spectrum by optimized wavelet thresholding based on modified genetic algorithm in carbon/oxygen logging | |
Momeneh et al. | Forecasting of groundwater level fluctuations using a hybrid of multi-discrete wavelet transforms with artificial intelligence models | |
CN103837892A (zh) | 微地震自适应独立分量分析弱信号提取方法 | |
CN117574062A (zh) | 基于vmd-dnn模型的小回线瞬变电磁信号去噪方法 | |
Li et al. | Full-waveform inversion with adversarial losses via deep learning | |
Zhong et al. | Multi-Scale Encoder-Decoder Network for DAS Data Simultaneous Denoising and Reconstruction | |
CN118069997A (zh) | 一种用于瞬变电磁数据噪声压制方法和系统 |
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 |