一种时频域全卷积神经网络电磁噪声消除方法

文档序号:716396 发布日期:2021-04-16 浏览:19次 >En<

阅读说明:本技术 一种时频域全卷积神经网络电磁噪声消除方法 (Time-frequency domain full convolution neural network electromagnetic noise elimination method ) 是由 权安江 权威 于 2020-12-11 设计创作,主要内容包括:本发明为一种时频域全卷积神经网络电磁噪声消除方法,属于瞬变电磁数据处理领域,为一种瞬变电磁数据高斯噪声消除方法。该方法包括:首先产生M组无噪声和M组含高斯噪声电磁数据,并分别变换至时频域基于卷积神经网络进行训练,得到含随机噪声的电磁数据与无噪电磁信号时频域的最佳网络NET。对于采集到的任意一组瞬变电磁数据,将其变换至时频域并经过最佳网络NET,即实现噪声的消除。最后,通过短时傅里叶逆变换,即得到噪声消除后的时域瞬变电磁信号。经试验,本方法能够有效的消除高斯噪声,且不损失电磁信号。(The invention discloses a time-frequency domain full-convolution neural network electromagnetic noise elimination method, belongs to the field of transient electromagnetic data processing, and relates to a transient electromagnetic data Gaussian noise elimination method. The method comprises the following steps: firstly, M groups of noiseless electromagnetic data and M groups of electromagnetic data containing Gaussian noise are generated and are respectively transformed to a time-frequency domain to be trained on the basis of a convolutional neural network, and the optimal network NET of the electromagnetic data containing random noise and the noiseless electromagnetic signal time-frequency domain is obtained. And for any group of collected transient electromagnetic data, transforming the transient electromagnetic data into a time-frequency domain and passing through an optimal network NET, namely realizing the elimination of noise. And finally, obtaining the time domain transient electromagnetic signal after the noise is eliminated through short-time Fourier inverse transformation. Through tests, the method can effectively eliminate Gaussian noise without losing electromagnetic signals.)

一种时频域全卷积神经网络电磁噪声消除方法

技术领域

本发明属于瞬变电磁数据处理领域,具体来讲为一种时频域全卷积神经网络电磁噪声消除方法。

背景技术

瞬变电磁法是一种基于电磁感应原理的地球物理探测方法,因为其具有对低阻导体敏感和非入侵的优点,被广泛应用于矿产煤炭和油气勘查、地质填图、未爆炸物探测等领域。对于电磁数据中存在的大量高斯噪声,目前应用十分广泛的传统方法是增加采集次数,通过多次叠加来减小数据中的噪声,但是叠加N次,数据的信噪比提高倍且存在极限。因此,研究电磁数据中高斯噪声的消除具有重要意义。

CN111308561A公开了一种可控源电磁信号强噪声去除方法,该方法通过设置两套频率发射表,进行两次信号发射并采集相应的信号的方式,建立起包含两个未知数的两个方程,从而可得到真实的有效场值以及环境平稳噪声,实现了可控源电磁信号噪声去除。但是该方法不适用于瞬变电磁数据。

CN111679332A公开了一种基于小波阈值与贝叶斯联合优化的瞬变电磁噪声抑制方法,该方法采集多组信号和1组噪声数据,对多组信号分别利用贝叶斯优化算法获得最优噪声相位,截取最优匹配噪声,进而实现噪声的压制。该方法可以通过较少的叠加次数提高数据的信噪比。

CN110865414A公开了一种用于城市地下空间探测的瞬变电磁噪声抑制方法。该方法采集1组纯噪声和多组耦合数据,采用遗传算法搜索最优噪声特征域,并将耦合信号与噪声相减,实现耦合数据的噪声消除。该方法可以通过较少的叠加次数提高数据的信噪比,且计算速度有所提高。

发明内容

本发明所要解决的技术问题在于提供一种时频域全卷积神经网络电磁噪声消除方法,旨在基于瞬变电磁数据的时频域特征,通过结合全卷积神经网络,实现瞬变电磁噪声的消除,该方法无需多次采集电磁信号,对提高瞬变电磁工作效率和提高数据质量具有重要的意义。

本发明是这样实现的,

一种时频域全卷积神经网络电磁噪声消除方法,该方法包括,

步骤1,随机产生M组不包含噪声的电磁数据,随机产生M组高斯噪声,对应加入不包含噪声的电磁数据,计算包含噪声数据的时频谱;

步骤2,计算不含噪声的电磁数据的时频谱;

步骤3,将包含噪声的时频谱作为输入,不包含噪声的时频谱的作为输出,基于全卷积神经网络框架,训练得到包含随机噪声的电磁数据与无噪电磁信号时频域的最佳网络NET;

步骤4,将采集得到的一组时间域电磁数据经过短时傅里叶变换得到时频谱;

步骤5,将步骤4得到的电磁数据的时频谱作为输入,利用步骤3得到的最佳网络NET,得到消澡后的电磁数据的时频谱。

步骤6,对步骤5得到的时频谱进行短时傅里叶逆变换,即得到消噪后的时间域电磁数据。

进一步地,步骤1具体的包括:随机产生M组大地模型,M≥10000,利用电磁正演公式,采样频率为1000Hz,得到M组不包含噪声的电磁数据,记为VF1(t),VF2(t),……,VFM(t),其中t为采样时间,利用公式(1),分别对M组电磁数据进行短时傅里叶变换,得到M个时频谱GF1(ω,τ),GF2(ω,τ),……,GFM(ω,τ),每个时频谱的维度均为P×Q;

随机产生M组高斯噪声,对应加入不包含噪声的电磁数据VF1(t),VF2(t),……,VFM(t)中,得到M组包含噪声的电磁数据记为VN1(t),VN2(t),……,VNM(t),并利用公式(1)对其进行短时傅里叶变换,得到M个时频谱GN1(ω,τ),GN2(ω,τ),……GNM(ω,τ);

其中g(τ)为窗函数,ω为角频率。

进一步地,步骤3,将包含噪声的时频谱数据GF1(ω,τ),GF2(ω,τ),……,GFM(ω,τ)的第(1+K)列~第(10+K)列作为输入,不包含噪声的时频谱数据GF1(ω,τ),GF2(ω,τ),……,GFM(ω,τ)的第(K+10)列作为输出,基于全卷积神经网络框架,训练得到包含随机噪声的电磁数据与无噪电磁信号时频域的最佳网络NET,其中K为0到(Q-10)之间的正整数。

进一步地,步骤4中将采集得到的一组时间域电磁数据记为V(t),利用公式(1)对V(t)进行短时傅里叶变换,得到电磁数据的时频谱,记为G(ω,τ)。

进一步地,步骤5具体包括:将步骤4得到的电磁数据时频谱G(ω,τ)的(1+K)列~第(10+K)列作为输入,其中K为1到(Q-10)间的正整数,利用步骤3得到的时频域最佳网络NET,依次得到第(K+10)列输出,即得到消澡后的电磁数据的时频谱

进一步地,利用公式(2),对步骤5得到的进行短时傅里叶逆变换,即得到消噪后的时间域电磁数据

本发明具有如下的优点及有益效果:与传统的瞬变电磁噪声消除方法相比,时频域全卷积神经网络电磁噪声消除方法在野外实验时只需要采集一组瞬变电磁数据,无需多次采集数据,大大提高了工作效率。此外,本方法中的网络只需训练一次,即适用于任意情况的瞬变电磁数据。

附图说明

图1为时频域全卷积神经网络电磁噪声消除方法的流程图;

图2为包含噪声的电磁数据的时频谱;

图3利用时频域全卷积网络消除噪声后的电磁数据的时频谱;

图4消除噪声后的电磁数据(抽道后)。

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用以解释本发明,并不用于限定本发明。

参见图1所示,一种时频域全卷积神经网络电磁噪声消除方法,包括:

首先随机产生M组大地模型,M≥10000,利用电磁正演公式,采样频率为10kHz,得到M组不包含噪声的电磁数据,记为VF1(t),VF2(t),……,VFM(t)。其中t为采样时间。在本实施例中设定M=10000。利用公式(1),分别对M组电磁数据进行短时傅里叶变换,得到M个时频谱GF1(ω,τ),GF2(ω,τ),……,GFM(ω,τ),每个时频谱的维度为P×Q。

随机产生M组高斯噪声,对应加入不包含噪声的电磁数据VF1(t),VF2(t),……,VFM(t)中,得到M组包含噪声的电磁数据记为VN1(t),VN2(t),……,VNM(t),并利用公式(1)对其进行短时傅里叶变换,得到M个时频谱GN1(ω,τ),GN2(ω,τ),……GNM(ω,τ)。

将包含噪声的时频谱数据GF1(ω,τ),GF2(ω,τ),……,GFM(ω,τ)的第(1+K)列~第(10+K)列作为输入,不包含噪声的时频谱数据GF1(ω,τ),GF2(ω,τ),……,GFM(ω,τ)的第(K+10)列作为输出,基于全卷积神经网络框架,训练得到包含随机噪声的电磁数据与无噪电磁信号时频域的最佳网络NET。其中K为0到(Q-10)之间的正整数,即本实施例中K为0到19990间的正整数。

其中g(τ)为窗函数,ω为角频率。

将采集得到的一组时间域电磁数据记为V(t),利用公式(1)对V(t)进行短时傅里叶变换,得到电磁数据的时频谱,如图2所示,记为G(ω,τ),图2时频谱杂乱无章,即数据中存在大量噪声。

分别将得到的电磁数据时频谱G(ω,τ)的(1+K)列~第(10+K)列作为输入,其中K为1到(Q-10)间的正整数,利用时频域最佳网络NET,依次得到第(K+10)列输出,即得到消澡后的电磁数据的时频谱如图3所示。

利用公式(2),对进行短时傅里叶逆变换,即得到消噪后的时间域电磁数据经过抽道后,电磁数据如图4所示,本实施例中抽道数为14。由图4可以看出,衰减曲线光滑,即噪声得到了很好的抑制。公式(2)如下:

7页详细技术资料下载
上一篇:一种医用注射器针头装配设备
下一篇:一种用于多相介质的几何-物性多特征参数提取方法

网友询问留言

已有0条留言

还没有人留言评论。精彩留言会获得点赞!

精彩留言,会给你点赞!