发明内容

本发明提供了一种基于Bi-LSTM的大地电磁信号去噪方法及系统，所述方法通过引入Bi-LSTM实现了利用大地电磁含噪数据直接映射出噪声轮廓，准确预测出待测数据中的噪声轮廓，最终实现去噪，得到所需的大地电磁信号，最大限度地保留大地电磁低频段的缓变化信息。

一方面，本发明提出一种基于Bi-LSTM的大地电磁信号去噪方法，其包括如下步骤：

S1：构建若干噪声轮廓信号以及无干扰的大地电磁纯净信号，并相加作为大地电磁含噪信号；

S2：定义双向长短期记忆神经网络的输入和输出，两者利用大地电磁含噪信号及其噪声轮廓信号训练所述双向长短期记忆神经网络；

其中，输入为大地电磁含噪信号，输出为噪声轮廓信号；

S3：将待去噪的大地电磁信号输入训练好的双向长短期记忆神经网络得到噪声轮廓信号，再将所述待去噪的大地电磁信号减去所述噪声轮廓信号得到去噪后的大地电磁有用信号。

可选地，步骤S2中利用样本数据训练所述双向长短期记忆神经网络的过程中，引入正交粒子群NPSO算法寻找最优的网络参数和样本分段长度n；再基于最优的网络参数下的双向长短期记忆神经网络以及基于样本分段长度n的大地电磁含噪信号数据段继续进行训练得到训练好的双向长短期记忆神经网络；

其中，将大地电磁含噪信号数据按照n值等长度划分数据段，再输入所述双向长短期记忆神经网络进行训练。

可选地，引入正交粒子群NPSO算法寻找最优的网络参数粒子进化次数的过程如下：

S21：正交粒子群NPSO算法的参数初始化，包括种群数量、学习因子、最大迭代次数(粒子进化次数)、粒子速度范围、粒子位置范围(值域范围)；其中，将每组待优化的双向长短期记忆神经网络参数和样本分段长度n作为一个粒子位置，随机生成初始粒子；

S22：以预测误差值最小为目标，基于每个粒子对应的双向长短期记忆神经网络和样本分段长度n进行训练，再基于训练后的网格性能计算每个粒子的适应度函数；

S23：基于每个粒子的适应度值进行粒子更新，再返回步骤S22进入下一次迭代直至满足迭代终止条件，进入步骤S24；

其中，将每个粒子的适应度值和历史最优解进行比较，不断更新得到新的历史最优解，在迭代次数达到最大迭代次数时退出运算。其他可行的方式中可以设置其他迭代终止条件。

更新过程中，每个粒子的速度更新公式表示为：

式中，是第t+1、t次迭代的速度，c₁、c₂是学习因子，r₁、r₂是随机因子，是第t+1次、第t次迭代的位置，p_ij是粒子i在当前移动过程中适应度的最大值，p_gi是在其他粒子相比较于粒子i的适应度指标的最大值。

在对当前的粒子i进行计算之后发现比历史最优解的效果更好时，则更新历史解，其公式如下：

其中，表示在第t+1和t次迭代时的位置。在位置更新的时候如果超出了边界值则取边界值。

S24：选取最优粒子，并将所述最优粒子对应的双向长短期记忆神经网络参数应用至双向长短期记忆神经网络，以及将所述最优粒子对应的样本分段长度划n分处理大地电磁含噪信号，再进行网络训练得到训练好的双向长短期记忆神经网络。

可选地，S22中以双向长短期记忆神经网络的预测值与真实值的误差作为适应度函数，适应度函数的公式如下：

其中，F为适应度值，L为参与训练或评估的全部数据点，y_t是第l个数据点对应的实际的噪声轮廓信号，y_p是第l个数据点对应的预测的噪声轮廓信号。

可选地，S24中利用FER值作为判定每个粒子的适应度的指标时，FER值最大的粒子为找寻到的最优粒子。其中，FER的公式如下：

式中，A是尺度因子，和分别表示在上一次迭代中粒子适应度最好和最差的位置。FER_(a,i)表示粒子i相对于粒子a的FER，p_a和p_i分别表示当前粒子a和粒子i的历史最佳位置。最佳位置表示当前粒子在移动的过程中适应度值最大时的位置。

其中，尺度因子A的式子如下：

式中，||H||为搜索的尺度上限与下限差的二范数，和分别表示在上一次迭代中粒子适应度最好和最差的位置。

可选地，所述双向长短期记忆神经网络的网络参数经过正交粒子群NPSO算法筛选后，最佳网络参数组合如下：

隐藏层神经元数为1000，最大迭代次数为250，初始学习率为0.005，学习率衰落因子为0.5，学习率衰落周期为125，梯度阈值为1，激活函数为sigmod。

可选地，设定训练集和测试集，所述训练集和所述测试集中均设有大地电磁含噪信号，所述方法还包括：利用测试集中大地电磁含噪信号验证长短期记忆神经网络拟合效果，实现过程如下：

S41：基于样本分段长度n将测试集中的大地电磁含噪信号进行数据段划分，设划分后测试集的一个数据段样本T₁为：T₁＝[t₁ t₂ ... t_n]，t₁、t₂、t_n分别为划分一个数据段样本中第1个、第2个、第n个数据点；

S42：将测试集样本数据送入长短期记忆神经网络Bi-LSTM的前向LSTM层和后向LSTM层中得到对应的输出YPred；

其中，对应输入样本T₁的输出Y₁为：Y₁＝[y₁ y₂ ... y_n]，y₁、y₂、y_n为输出Y₁中第1个、第2个、第n个数据点；输出结果的生成过程如下：

t时刻在两层中的隐藏状态h⁽¹⁾t和h⁽²⁾t中，公式如下：

h⁽¹t⁾＝f₁(u⁽¹⁾h_t-1 ⁽¹⁾+w⁽¹⁾x_t+b⁽¹⁾)

其中f₁()为前向信息提取函数，u⁽¹⁾和w⁽¹⁾均为权重矩阵，b⁽¹⁾为偏置项；f₂()为后项信息提取函数，u⁽²⁾和w⁽²⁾均为权重矩阵，b⁽²⁾为偏置项；

将h⁽¹⁾t和h⁽²⁾t进行拼接得到在当前时刻t的输出y_t，公式如下：

按照上述方法进行循环预测；

S46：将测试集中大地电磁含噪信号XTest与预测出的噪声轮廓YPred相减得到重构的有用信号，再与构造的无干扰的原始大地电磁纯净信号相比较，验证长短期记忆神经网络拟合效果。

可选地，本发明中基于任一组网络参数下的双向长短期记忆神经网络以及基于样本分段长度n的大地电磁含噪信号数据段时，双向长短期记忆神经网络的训练过程为：

S2-1：对大地电磁含噪信号进行标准化处理，将基于n值划分大地电磁含噪信号为m段，将输入数据变换为n×m的矩阵作为训练集的输入XTrain，按列依次送入网络，输入矩阵如下：

式中，矩阵每一列表示一个输入信号(一个数据段样本)，表示第n行的第m个数据的值；

S2-2：将构造好的含有大尺度干扰的纯噪声轮廓信号同样进行标准化处理之后按照训练集的划分方式进行划分，作为网络的输出YTrain，输出矩阵如下：

式中，矩阵每一列表示一个输出信号，表示第n行中的第m个数据的值；

S2-3：设置好网络对应的输入和输出以及定义网络的相关参数，设置网络输入特征维度为n，Bi-LSTM层的隐藏单元层numhiddenunits，全连接层特征维度n；

S2-4：定义双向长短期记忆神经网络的内部架构，序列输入层，Bi-LSTM层，全连接层和回归复原层；

S2-5：设置双向长短期记忆神经网络(Bi-LSTM)网络模型的训练参数，最大迭代次数，初始学习率，学习率下降因子，梯度阈值，并选用求解器算法更新权重值；

S2-6：网络依据S2-1和S2-2中的数据对应关系进行学习预测，并采用损失函数(loss)和相对均方根误差(RMSE)用于判断训练模型真实值与预测值的差距，以所述差距为依据进行网络模型的参数优化；

可选地，S2-1中进行网络训练之前还包括对训练集中的数据P进行标准化处理后得到P1，其中，标准化公式如下：

式中，P_i表示训练集数据中的元素，P_min表示训练集数据中大地电磁含噪信号的幅值最小值，P_max表示训练集数据中大地电磁含噪信号的幅值最大值，P1表示标准化处理后的训练集数据。

同理，若有测试集，针对测试集中的大地电磁含噪信号进行如上标准化处理。

可选地，步骤1中大地电磁含噪信号的构建过程如下：

分别构造含有典型的方波、三角波、类充放电和脉冲的噪声轮廓信号；每段噪声轮廓信号的长度为L，四类噪声轮廓的长度为4L，幅值在10^-5到10⁵之间；

构造纯净的无干扰信号作为大地电磁纯净信号，大地电磁纯净信号的长度为4L，幅值在-1000到1000之间；

将噪声轮廓信号与大地电磁纯净信号的和作为大地电磁含噪信号。

本发明以幅值大小进行样本构建，譬如幅值1000以内判定为有用信号，将信号输入网络进行特征提取时，可以直接利用大地电磁信号本身的幅值作为特征参数，避免引入过多其它特征参数，影响后续噪声预测的精度。相较于传统方法减少了运算过程，降低了运算难度。相对于普通的单向长短期记忆神经网络精度更高。

可选地，若大地电磁含噪数据输入双向长短期记忆神经网络之前进行了标准化处理，则得到每个数据段对应的输出结果Y之后进行拼接以及反标准化处理，所述反标准化公式如下：

YPred2＝[YPred1×(T_max-T_min)]+T_min

式中，YPred1代表预测的噪声轮廓信号，YPred2代表反标准化后的噪声轮廓信号，T_max代表测试集中大地电磁含噪信号的幅值最大值，T_min代表测试集中大地电磁含噪信号的幅值最小值。

第二方面，本发明提供一种基于上述方法的系统，其包括：

样本库构建模块：用于构建若干噪声轮廓信号以及无干扰的大地电磁纯净信号，两者相加作为大地电磁含噪信号；

Bi-LSTM模型构建模块：用于定义双向长短期记忆神经网络的输入和输出，并利用大地电磁含噪信号及其噪声轮廓信号训练所述双向长短期记忆神经网络；

所述Bi-LSTM预测模型用于预测所述干扰数据段的噪声轮廓；

预测模块：用于将待去噪的大地电磁信号输入至所述Bi-LSTM预测模型进行预测得到与之对应的噪声轮廓信号；

重构模块：用于将所述待去噪的大地电磁信号减去所述噪声轮廓信号得到去噪后的大地电磁有用信号。

有益效果

1、本发明提供了一种基于Bi-LSTM的大地电磁信号去噪方法，相比于传统的先分类再预测的方法，本发明提出了直接利用含噪数据映射噪声轮廓的新方法，通过大量的训练该网络学习到输入与输出之间的函数关系，可以准确地预测出实测数据中的噪声轮廓，相较于先分类再预测的两步实现过程，本发明将去噪过程缩减为一步实现，提高了信噪分离效率。尤其是本发明针对实测大地电磁数据中微弱的纯净信号难以直接预测的难题，提出了预测大尺度噪声轮廓的方法，相较于预测微弱的纯净信号，噪声轮廓会有更明显的可以识别的特征，直接预测噪声轮廓可以更加准确地将大尺度噪声剥离出来，从而得到更为精确的有用信号。

2、本发明进一步的优选方案中，提出了正交粒子群NPSO算法优化网络参数以及样本分段长度n。其中，利用NPSO算法其种群规模的设定范围和实测数据段长度范围一致，利用该算法可以快速地寻找到Bi-LSTM网络中效果最优的分段长度n，针对传统Bi-LSTM经过大量实验后人为选取最优参数的方法节约了大量的人力、物力和时间；与此同时，还优化了网络参数，本发明利用NPSO在提升了运算效率的同时，也实现了自适应和高精度的噪声预测。