基于卷积神经网络和小波阈值法的大地电磁信号噪声压制方法及系统

本发明属于大地电磁信号处理，具体涉及一种基于卷积神经网络和小波阈值法的大地电磁信号噪声压制方法及系统。

背景技术：

1、大地电磁测深法(magnetotelluric,mt)作为一种常见的地球物理勘探方法广泛应用于地下深部结构和矿产资源的勘探。但由于矿集区采集的大地电磁信号中往往伴随着强噪声，严重影响了解释地下电性结构的准确性。强噪声按照其数据形态可分为脉冲噪声、方波噪声、充放电三角波噪声、复杂噪声，且随机出现在大地电磁时间序列中。目前常见的去噪方法有远参考法、robust估计法、小波阈值法、数学形态滤波、稀疏分解等，但该类方法通常会对大地电磁时间序列数据进行整体处理，这种处理方式的不足在于几乎未受到噪声干扰的数据也将被当成噪声数据进行处理，其结果可能导致低频信息不准确。

2、作为一种常见的大地电磁去噪方法，小波阈值法善于分析信号的时频域特征，通过选取合适的小波基函数和分解层数可实现较好的大地电磁去噪效果。但由于大地电磁噪声类型的多样性和随机性，往往难以选取到合适的小波基函数，导致去噪效果不佳。此外，小波阈值法对数据整体处理后极易造成低频信息丢失，低频段视电阻率-相位曲线改善效果差。

技术实现思路

1、针对如何降低大地电磁信号低频信息的丢失以及小波阈值法难以选取合适的小波基函数的技术问题，本发明提供一种基于一维卷积神经网络和小波阈值法的大地电磁信号噪声压制方法及系统，通过神经网络模型保留实测纯净数据可以减少有用信息的丢失，智能选取小波基函数进一步提升了小波阈值法在大地电磁数据处理中的去噪性能。

2、为实现上述技术目的，本发明采用如下技术方案：

3、一方面，一种基于卷积神经网络和小波阈值法的大地电磁信号噪声压制方法，包括：

4、s1：构建大地电磁纯净数据和多种大地电磁噪声；

5、s2：对步骤s1构建多种类型数据标注不同的标签，并将构建的数据和对应的标签输入至卷积神经网络并训练网络参数，得到用于区分噪声类型和纯净数据的多分类模型；

6、s3：将实测大地电磁数据均匀分段输入至该多分类模型中，细分每段输入数据的噪声类型并获取实测大地电磁数据中的纯净数据段；

7、s4：将实测纯净数据分别与步骤s1构建的各类大地电磁噪声进行叠加作为模拟带噪数据；再针对各种类型的模拟带噪数据，采用小波阈值法进行去噪处理，并依据信噪比参数确定最优的小波阈值去噪参数；

8、s5：针对s3细分的各种噪声类型的数据段，使用步骤s4对应确定的最优小波阈值去噪参数进行小波阈值法去噪，再将去噪后的数据段与步骤s3细分的纯净数据段拼接重构，得到最终去噪后的大地电磁信号。

9、进一步优选，步骤s1构建的多种大地电磁噪声，包括：模拟脉冲、方波、充放电三角波、复杂噪声，具体构建方法包括：

10、s11：使用计算机模拟出脉冲、方波、充放电三角波作为模拟的3种大地电磁噪声；

11、s12：利用脉冲、方波、充放电三角波噪声进行叠加，所有叠加得到的数据均作为复杂噪声；

12、s13：使用计算机模拟出高斯白噪声序列作为模拟的大地电磁纯净数据；

13、s14：将上述生成的不同类型的大地电磁噪声和模拟纯净数据，通过改变数据长度或调整波形幅值增加各种类型数据的样本数量。

14、进一步优选，步骤s2中获得多分类模型的过程包括如下步骤：

15、s21：将步骤s1中构建的大地电磁纯净数据和多种大地电磁数据，分别添加标签“0”，“1”，“2”，“3”，“4”，……；

16、s22：构建一维卷积神经网络的框架并设置参数；

17、其中，网络层依次为输入层、卷积层、池化层、激活函数、dropout层、全连接层、softmax层和输出层；其中，通过增加卷积层、池化层、激活函数以增加网络深度；

18、s23：将构建的所有类型的数据作为网络的训练输入，对应的标签为训练输出，再按照比例划分为训练集和验证集并输入至一维卷积神经网络中训练；

19、s24：当训练过程中的准确度曲线和损失函数曲线收敛或达到设置的最大训练步长时，停止训练，得到多分类模型。

20、进一步优选，步骤s4中所述再针对各种类型的模拟带噪数据，采用小波阈值法进行去噪处理，并依据信噪比参数确定最优的小波阈值去噪参数，包括：

21、将各种模拟带噪数据采用小波阈值法进行去噪处理，计算纯净数据与去噪数据之间的信噪比参数，包括信噪比snr和归一化均方根误差nrmse，用以评估小波阈值法去噪采用的小波阈值去噪参数，即小波基函数和分解层数；

22、其中，snr和nrmse计算公式分别如下：

23、

24、

25、式中，a和b分别代表纯净数据和去噪数据，l表示纯净数据的长度，i表示纯净数据的样本点序号，amax和amin表示纯净数据的最大值和最小值；

26、然后调整小波基函数和分解层数，重新采用小波阈值法对模拟带噪数据进行去噪处理和相应计算snr、nrmse；

27、最终，获取snr最高、mse最低时所对应的小波基函数、分解层数，并将其作为该种带噪数据去噪时最优的小波阈值去噪参数。

28、进一步优选，供调整选择的小波基函数包括：haar小波、morlet小波、meyer小波、daubechies小波、symlet小波、coiflet小波、墨西哥草帽小波、双正交样条小波。

29、进一步优选，所述采用小波阈值法进行去噪处理，具体包括：

30、首先选取小波基函数对带噪数据进行小波分解得到小波系数；

31、然后选取阈值对各层小波系数进行处理；

32、最后通过小波逆变换重构去噪后的大地电磁数据。

33、进一步优选，对带噪数据进行小波分解得到小波系数的公式为：

34、

35、式中，t为时间，α和β分别为伸缩因子和平移因子，g(t)表示带噪信号，ψ(t)为母函数，waveletg(α,β)表示带噪信号g(t)经伸缩因子α和平移因子β进行小波变换得到的小波系数；

36、通过小波逆变换重构得到去噪数据的公式如下：

37、

38、式中，dψ中的ψ(w)为ψ(t)的傅里叶变换，w为频率，wavelet'g(α,β)表示经过阈值处理后得到的小波系数，g'(t)表示去噪数据。

39、另一方面，本方面提供一种上述任一项所述大地电磁信号噪声压制方法的系统，包括：数据构建模块、训练模块、小波阈值去噪参数选优模块、数据去噪模块、数据重构模块；

40、所述数据构建模块用于：构建大地电磁纯净数据和多种大地电磁噪声；

41、所述训练模块用于：对构建的大地电磁纯净数据和多种大地电磁噪声数据标注不同的标签，并将构建的大地电磁纯净数据和多种大地电磁噪声数据以及对应的标签输入至卷积神经网络并训练网络参数，得到多分类模型；

42、所述多分类模型用于：将实测大地电磁数据均匀分段输入至该多分类模型中，细分每段输入数据的噪声类型并获取实测大地电磁数据中的纯净数据段；

43、所述数据构建模块还用于：将实测纯净数据分别与构建的各类大地电磁噪声进行叠加，得到多种模拟带噪数据；

44、所述小波阈值去噪参数选优模块用于：针对各种类型的模拟带噪数据，通过调整不同的小波阈值去噪参数并调用数据去噪模块进行去噪处理，并依据信噪比参数确定最优的小波阈值去噪参数；

45、所述数据去噪模块用于：采用小波阈值法和给定的小波阈值去噪参数，对各种模拟带噪数据进行去噪处理；

46、所述数据去噪模块还用于：采用小波阈值法和最优的小波阈值去噪参数，对多分类模型细分的各种噪声类型的数据段进行去噪处理；

47、所述数据重构模块用于：将实测大地电磁数据的纯净数据段与去噪处理后的数据段拼接重构，得到最终去噪后的大地电磁信号。

48、有益效果

49、本发明提供的一种基于卷积神经网络和小波阈值法的大地电磁信号噪声压制方法，通过构建大量数据训练一维卷积神经网络获取可以区分不同噪声类型的多分类模型，利用模型精细划分实测大地电磁数据中各数据段的噪声类型和纯净数据，并用于获取最优小波阈值法去噪参数，再对不同类型的噪声选取对应最优的小波基函数和分解层数以此获得最佳的小波去噪效果。一方面，卷积神经网络模型通过区分噪声数据并保留实测纯净数据可以减少有用信息的丢失，低频段视电阻率-相位曲线改善效果明显。另一方面，智能选取小波基函数进一步提升了小波阈值法在大地电磁数据处理中的去噪性能。

50、本发明将深度学习算法与时频域处理方法相融合，利用卷积神经网络强特征学习能力对大地电磁数据进行精细分类，再通过分类结果克服小波阈值法在处理复杂大地电磁数据时难以选取最优参数的问题。相较于传统去噪方法而言，本发明提供的数据处理方法去噪性能有极大提升。