一种基于堆栈自编码器的大地电磁信号去噪方法及系统

1.本发明属于大地电磁信号处理技术领域，具体涉及一种基于堆栈自编码器的大地电磁信号去噪方法及系统。


背景技术：

2.大地电磁测深(mt)是一种主流的地球物理勘探方法，通过观测天然交变电磁场来研究地下岩层的电学性质及其分布特征，用于分析地质构造和探测深部矿体的位置。由于众多复杂的野外通信设施、人文噪声的干扰，加之大地电磁信号频率范围宽，信号幅值弱的特点，极易受到各种噪声的干扰，严重影响了采集数据的质量以及无法真实、准确的反映地下电性结构。
3.新兴的现代信号处理技术，如hilbert-huang变换、数学形态滤波、同步时间序列依赖、信号子空间增强、小波变换、稀疏分解、分形－熵与聚类、k-svd字典学习等被应用至该领域，一定程度上都能改善大地电磁数据质量。但现有的方法主要以整体处理的方式对数据进行噪声压制，结果往往会对大地电磁数据的过处理以及损失低频缓变化信息，导致有用信号也随之被剔除。此外，越来越多的研究人员探索各类神经网络在大地电磁信号降噪技术中的应用及其效果，如bp神经网络、cnn-lstm、bi-lstm。因此，研究不同类神经网络的应用及其效果以及进一步提升大地电磁信号降噪精度是本领域的研究热点。


技术实现要素：

4.本发明的目的是为了提高大地电磁信号降噪精度，提供一种基于堆栈自编码器的大地电磁信号去噪方法及系统，即提供了一种全新的方式来实现大地电磁降噪，探索堆栈自编码器在大地电磁信号降噪领域的应用。具体是引入堆栈自编码器至大地电磁信号降噪技术中，利用轻量级骨干网络vovnet构建编码器，用以提取更丰富、更深层的大地电磁信号特征；以及利用inception网络构建解码器，即通过多分支结构的近似稀疏结构和堆叠网络增强了对大地电磁信号解码的适应性。进而，本发明的技术方案相比于传统的densenet、resnet网络在效率和性能上均有较大的提高，面对大地电磁复杂的噪声环境和大尺度强干扰，具有更强的小目标提取能力，速度和精度也都更优，即有效提升了大地电磁信号降噪精度。
5.一方面，本发明提供的一种基于堆栈自编码器的大地电磁信号去噪方法，包括以下步骤：步骤s1：构建含噪信号样本库以及噪声轮廓样本库；其中，所述噪声轮廓样本库的噪声轮廓样本是所述含噪信号样本库中大地电磁信号样本的对应噪声轮廓。
6.步骤s2：基于大地电磁信号样本及其噪声轮廓样本训练出基于堆栈自编码器的信噪映射模型；其中，所述信噪映射模型的输入为大地电磁信号，输出为噪声轮廓；所述堆栈自编码器的编码器是基于轻量级骨干网络vovnet的特征提取模型，所述堆栈自编码器的解码器是基于inception网络的解码器模型。
7.步骤s3：将待降噪的大地电磁信号输入至所述信噪映射模型得到噪声轮廓。
8.步骤s4：将所述待降噪的大地电磁信号减去步骤s3中的对应噪声轮廓得到去噪后的大地电磁信号。
9.本发明技术方案将堆栈自编码器引入到大地电磁信号降噪技术中，充分利用堆栈自编码器的优势以及功能来提升降噪精度。更是为了提升降噪效果，对堆栈自编码器的网络进行了优化，提出了构建基于轻量级骨干网络vovnet的编码器以及构建基于inception网络的解码器。通过融合vovnet和inception网络模型的网络结构，有效地融合多层的特征信息并映射到更深层复杂的大地电磁信号特征表征，最终提升大地电磁信号降噪精度。
10.进一步可选地，所述特征提取模型的轻量级骨干网络vovnet包括n1个一维卷积层和m1个osa模块，所述n1个一维卷积层依次连接，最后一个一维卷积的输出连接第一个osa模块，每个osa模块之后均连接最大池化层和激活函数，所述 m1个osa模块依次拼接；其中，每个osa模块包含依次连接的n2个一维卷积层以及一个1
×
1卷积层，所述n2个一维卷积层中除最后一个之外的每个一维卷积层有两个输出方向，一个输出方向指向下一个一维卷积层，另一个输出方向经跳跃连接达到最后一个一维卷积层的输出；最后一个一维卷积层的输出连接所述1
×
1卷积层；且所述osa模块的数量与所述解码器中的inception module模块的数量相等。
11.本发明技术方案选用轻量级骨干网络vovnet来提取特征，vovnet网络核心由多个osa模块构成，作为特征提取器实现降维和提取大地电磁信号的时域、频域、非线性特征，在众多复杂的领域应用场景中并经实验结果表明，其相比于传统的densenet、resnet等网络，vovnet中的osa模块将其特征同时聚合到最后一层，在包含表示多种特征的优点的情况下，同时解决了密集连接效率低的问题，使得网络在效率和性能上均有较大的提高，面对大地电磁复杂的噪声环境和大尺度强干扰，也具有更强的小目标提取能力，速度和精度都更好。
12.进一步可选地，所述特征提取模型的输出作为解码器的输入，所述解码器的网络包括m2个inception module模块，所述m2个inception module模块依次连接；其中，每个inception module模块包含并联的四个分支，第一分支由1个1
×
1卷积层、2个一维转置卷积层组成；第二分支由2个1
×
1卷积层组成；第三分支由1个1
×
1卷积层、1个一维转置卷积层组成；第四分支由1个1
×
1卷积层组成；且所述inception module模块的数量与所述特征提取模型中的osa模块的数量相等。
13.本发明技术方案中的解码器网络是采用基于inception v3模块结构的堆叠网络对特征进行解码，相比于其他单路连接结构的网络，由于其多条并行分支结构的特点，可以自适应的选取通道进行适合大地电磁信噪映射的解码工作。这是由于大地电磁的信号中包含的噪声种类复杂众多，如：充放电三角波、三角波、脉冲、方波噪声，多条并行分支结构可以自适应的根据噪声的种类进行自动选取通道，相比于单一路径提高对不同的噪声泛化能力。因此，本发明技术方案采用inception v3模块结构来构建解码器，用以有效提升降噪效果。
14.进一步可选地，所述堆栈自编码器中自编码器的模型公式表示为：式中，h表示编码器提取的特征，x表示输入的大地电磁信号样本，c表示编码器上
设置的卷积核，b表示编码器上设置的偏置向量，ω表示relu激活函数；所述堆栈自编码器中解码器的模型公式表示为：式中，表示解码器上设置的卷积核，表示解码器上设置的偏置向量，表示输出数据；所述堆栈自编码器的网络训练的误差函数表示为：式中，表示经堆栈自编码器输出数据对应的噪声轮廓样本库中的噪声轮廓，、分别表示输入的第i个大地电磁信号样本对应的噪声轮廓样本、经堆栈自编码器输出的噪声轮廓，n为参与训练的样本总数。
15.进一步可选地，所述含噪信号样本库的构建过程为：步骤s11：利用不同的数学函数分别构造分段长度相同噪声宽度不同的多类噪声的噪声轮廓样本子库；其中，噪声类别包括三角波、充放电三角波、脉冲波、方波的任意组合。
16.步骤s12：针对各类噪声对应的噪声轮廓样本子库，逐次改变噪声轮廓样本子库中噪声轮廓的时序位置，得到若干长度相同噪声波形位置不同的噪声轮廓样本子库。
17.步骤s13：依次改变每一类噪声的所有噪声轮廓样本的幅值得到同种噪声不同幅值的噪声轮廓样本子库；其中，得到的各类噪声对应的噪声轮廓样本子库组成所述噪声轮廓样本库。
18.进一步可选地，步骤s11中各类噪声宽度的噪声轮廓样本的获取过程为：分段长度为k的噪声轮廓中干扰数据轮廓的起始位置，依次改变若干次干扰数据轮廓的结束位置，得到若干个长度为k、噪声宽度不同的噪声轮廓样本，进而得到各类噪声的噪声轮廓样本库。
19.进一步可选地，步骤s12中各类噪声波形位置的噪声轮廓样本的获取过程为：对各类噪声的噪声轮廓样本库l进行位置平移以改变噪声轮廓中干扰数据轮廓的起始位置，得到噪声轮廓多样性样本库，表示为如下：式中，噪声轮廓样本库l的长度为n，由若干噪声轮廓样本组成；第1个至第
∂
个元素由0组成，第
∂
+1个至第n个元素由 至组成，其中
∂
表示0的个数，且0≤
∂
《k；其中，依次改变若干次
∂
值，得到若干组噪声起始位置不同的噪声轮廓。
20.进一步可选地，步骤s1中含噪信号样本库的构建过程为：构建纯净信号样本库，其中，选取与噪声轮廓样本库相同长度且幅值接近实测大地电磁无干扰数据的高斯白噪声；再将纯净信号样本库和噪声轮廓样本库一一对应相加得
到含噪信号样本库。
21.本发明技术方案从构造样本库的角度出发，基于通常认为含噪数据由受干扰数据和无干扰数据组成，其中无干扰数据即纯净信号数据，受干扰数据即噪声轮廓数据，对此分别构建纯净信号样本库、噪声轮廓样本库和含噪信号样本库。通过纯净信号样本库，使得噪声轮廓样本库和含噪信号样本库两组样本库的数据之间存在一一对应的关系。其中，优选纯净信号样本库中高斯白噪声与实测大地电磁无干扰数据的幅值相等。
22.第二方面，本发明提供一种基于所述大地电磁信号去噪方法的系统，其包括：样本库构建模块，用于构建含噪信号样本库以及噪声轮廓样本库；其中，所述噪声轮廓样本库的噪声轮廓样本是所述含噪信号样本库中对应大地电磁信号样本的噪声轮廓；模型训练模块，用于基于大地电磁信号样本及其噪声轮廓样本训练基于堆栈自编码器的信噪映射模型；其中，所述信噪映射模型的输入为大地电磁信号，输出为噪声轮廓；所述堆栈自编码器的编码器是基于轻量级骨干网络vovnet的特征提取模型，所述堆栈自编码器的解码器是基于inception网络的解码器模型；噪声轮廓提取模块，用于将待降噪的大地电磁信号输入至所述信噪映射模型得到噪声轮廓；重构模块，用于将所述待降噪的大地电磁信号减去对应噪声轮廓得到去噪后的大地电磁信号。
23.有益效果1.本发明技术方案提供的大地电磁信号去噪方法，其引入堆栈自编码器至大地电磁信号降噪技术中，利用轻量级骨干网络vovnet构建编码器，提取更丰富、深层的大地电磁信号特征；利用inception网络构建解码器，通过多分支结构的近似稀疏结构和堆叠网络增强了对大地电磁信号解码的适应性。通过融合vovnet和inception网络模型的网络结构，能够有效地融合多层的特征信息并映射到更深层复杂的大地电磁信号特征表征，最终提升了大地电磁信号降噪。
24.2.本发明提供的特征提取网络是基于轻量级骨干网络vovnet中进行数据编码，vovnet网络核心由多个osa模块构成，作为特征提取器实现降维和提取大地电磁信号的时域、频域、非线性特征，相比于传统的densenet、resnet等网络，vovnet网络在效率和性能上均有较大的提高，面对大地电磁复杂的噪声环境和大尺度强干扰，具有更强的小目标提取能力，速度和精度都更好。
25.3.本发明提供的解码器网络是采用基于inception v3模块结构的堆叠网络对特征进行解码，相比于其他单路连接结构的网络，由于其多条并行分支结构的特点，可以自适应的选取通道进行适合大地电磁信噪映射的解码工作。
附图说明
26.图1为本发明实施例提供的流程图。
27.图2为基于vovnet的特征提取网络结构图。
28.图3为基于inception的解码器网络结构图。
29.图4a-4c为模拟数据的噪声压制效果图，其中，图4a对应模拟数据，图4b对应噪声轮廓，图4c对应重构后的信号/去噪后的信号。
30.图5a-5c为实测数据的噪声压制效果图，其中，图5a对应实测数据，图5b对应噪声轮廓，图5c对应重构后的信号/去噪后的信号。
具体实施方式
31.本发明提供一种基于堆栈自编码器的大地电磁信号去噪方法，充分利用堆栈自编码器的优势以及功能来提升降噪精度。更是为了提升降噪效果，对堆栈自编码器的网络进行了优化，提出了构建基于轻量级骨干网络vovnet的编码器以及构建基于inception网络的解码器。相较于传统的堆栈自编码器，骨干网络可以提取丰富、深层的特征，可以更好地满足大地电磁信噪映射的特定要求，多分支结构的近似稀疏结构和堆叠网络增强了对大地电磁信号解码的适应性。具体的，对已均匀分段的大地电磁信号输入至基于轻量级骨干网络vovnet中进行数据编码，vovnet网络核心由多个osa模块构成，作为特征提取器实现降维和提取大地电磁信号的时域、频域、非线性特征，面对大地电磁复杂的噪声环境和大尺度强干扰，具有更强的小目标提取能力，速度和精度都更好。然后，将提取得到的特征作为输入，输入到inception中进行解码，编码器采用基于inception v3模块结构的堆叠网络对特征进行解码，相比于其他单路连接结构的网络，由于其多条并行分支结构的特点，可以自适应的选取通道进行适合大地电磁信噪映射的解码工作。因此，融合vovnet和inception的网络结构能够有效地融合多层的特征信息并映射到更深层复杂的大地电磁信号特征表征，提升整体降噪精度。且本发明实施例中提出将融合网络应用在一维的大地电磁时间序列信号中，且融合网络中用到的卷积层、池化层均采用一维。
32.下面将结合实施例对本发明做进一步的说明。
33.如图1所示，本发明实施例提供的一种基于堆栈自编码器的大地电磁信号去噪方法，包括如下步骤：步骤1：构建三类样本库：纯净信号样本库、噪声轮廓样本库和含噪信号样本库。其中，先构建噪声轮廓样本库和纯净信号样本库，再利用噪声轮廓样本库和纯净信号样本库构建含噪信号样本库。
34.本实施例通过分析大地电磁数据的噪声类型，利用不同的数学函数分别构造一组分段长度相同，取长度均为100，噪声幅值范围在-100000至100000之间，噪声宽度不同的三角波、充放电三角波、脉冲波、方波的噪声轮廓样本子库；针对各类噪声对应的应噪声轮廓样本子库，逐次改变噪声轮廓样本子库中噪声轮廓的时序位置，得到若干长度相同噪声波形位置不同的噪声轮廓样本子库；依次改变每一类噪声的所有噪声轮廓样本库的样本幅值得到同种噪声不同幅值的噪声轮廓样本子库，最终得到的各类噪声对应的噪声轮廓样本子库组成所述噪声轮廓样本库。选取和噪声轮廓样本库相同长度且幅值基本接近实测大地电磁无干扰数据的高斯白噪声，幅值范围在-800至800之间，用于构建纯净信号样本库。将纯净信号样本库和噪声轮廓样本库一一对应相加得到含噪信号样本库。
35.具体的，设单个噪声轮廓表示为：
式中，表示分段长度为k的噪声轮廓数据，i和j分别表示中的第i个和第j个元素，并且为噪声轮廓中干扰数据轮廓的起始位置，为噪声轮廓中干扰数据轮廓的结束位置。
36.然后固定噪声轮廓中干扰数据轮廓的起始位置为l中的第i个元素，间隔p个元素，即j=i+p，j为噪声轮廓中干扰数据轮廓的结束位置，依次改变t次j的位置，得到t个长度为k的噪声轮廓，即构建噪声轮廓宽度不同的数据，表示为如下：式中，l表示t个分段长度为k，噪声宽度不同的噪声轮廓样本构建的噪声轮廓样本库，其中n=t
×
k。按照上述方式即可得到噪声宽度不同的噪声轮廓样本。应当理解，针对各类噪声，均可以按照上述方法来得到分段长度相同、噪声宽度不同的多类噪声的噪声轮廓样本子库。
37.然后，进一步通过改变噪声波形位置来丰富噪声轮廓样本库多样性。具体是：对噪声轮廓样本库l进行位置平移，进而改变噪声轮廓中干扰数据轮廓的起始位置，得到噪声轮廓多样性样本库，表示为如下：式中，噪声轮廓样本库l的长度为n，第1个至第
∂
个元素由0组成，第
∂
+1个至第n个元素由 至组成。其中
∂
表示0的个数，且0≤
∂
《k。依次改变若干次
∂
的值，得到若干组噪声起始位置不同的噪声轮廓。
38.最后，通过改变幅值来丰富噪声轮廓样本库多样性。具体是：改变样本库的幅值即对乘以不同的常数，选取不同常数的构建不同幅值的样本库，表示为如下：式中，为任一常数。其中
∂
表示0的个数，且0≤
∂
《k。
39.应当理解，其他可行的实施例中，并不约束必须按照上述样本多样性的方式扩充噪声轮廓样本库，可以执行部分步骤或者采用其他技术来扩充样本。
40.步骤2：对三类样本库进行等长分段，将等长分段好的含噪信号样本库和噪声轮廓样本库分别作为堆栈自编码器网络的输入和输出进行训练，得到基于堆栈自编码器的信噪映射模型。
41.首先，关于本实施例提出的堆栈自编码器的网络包括编码器和解码器。
42.如图2所示，编码器是基于轻量级骨干网络vovnet的特征提取模型。本实施例提供的特征提取网络包括3个一维卷积层和2个osa(one-shotaggregation)模块。3个一维卷积层的卷积核大小均为3
×
1，依次连接；每个osa模块包含5个一维卷积层以及1个1
×
1卷积层；其中，5个一维卷积层的卷积核大小均为3
×
1，每个卷积层的输出连接到下一个卷积层，
同时通过短连接与最后一个卷积层的输出进行拼接；每个osa模块后接一个最大池化层和一个激活函数，其卷积核为3
×
1，第一个osa模块中的卷积核个数为256，第二个osa模块中的卷积核个数为128。
43.如图3所示，解码器是基于inception网络的解码器模型。其网络包括2个inception module模块，依次连接；每个inception module模块包含并联四个分支，第一分支由1个1
×
1卷积层、2个一维转置卷积层，其中卷积核大小均为3
×
1组成；第二分支由2个1
×
1卷积层组成，卷积核个数为128；第三分支由1个1
×
1卷积层、1个一维转置卷积层，其中卷积核大小为3
×
1组成，卷积核个数为128；第四分支由1个1
×
1卷积层组成，卷积核个数为128。四个分支的输出通过串联层进行聚合，输出后接一个激活函数。第二个inception module模块中的卷积核个数为256。
44.本实施例中，对堆栈自编码器的训练过程如下：步骤2.1：将模拟样本库d取分段长度为100等长分成m段，即：m=n/100，m为整数，得到m段数据，模拟样本库如下：式中，表示模拟样本库 中第m个长度为100的数据段，也是d中第m个长度为100的数据段。其中，模拟样本库来自于含噪信号样本库。
45.步骤2.2：设置编码器网络参数。譬如卷积核等。
46.步骤2.3：设置解码器网络参数。
47.步骤2.4：设置堆栈自编码器的训练参数：初始学习率为0 .005，最大迭代次数为300，学习率衰减因子为0 .5，学习率衰减周期为100。
48.步骤2.5：将模拟样本库依次按列输入至堆栈自编码器网络中训练，得到特征h，编码过程表示如下：式中，h表示编码器提取的特征，x表示输入的大地电磁信号样本，c表示编码器上设置的卷积核，b表示编码器上设置的偏置向量，ω表示relu激活函数。
49.解码的具体公式为：式中，表示解码器上设置的卷积核，表示解码器上设置的偏置向量，表示输出数据；堆栈自编码器的网络训练的误差函数为j()，具体公式如下：式中，表示经堆栈自编码器输出数据对应的噪声轮廓样本库中的噪声轮廓，、
分别表示输入的第i个大地电磁信号样本对应的噪声轮廓样本、经堆栈自编码器输出的噪声轮廓，n为参与训练的样本总数。
50.步骤3：将已等长分段的实测含噪大地电磁信号输入至基于堆栈自编码器的信噪映射模型中，模型输出为实测含噪大地电磁信号所对应的噪声轮廓。
51.步骤3.1：取分段长度为100将实测大地电磁信号s均匀分成m段，即：m=n/100，m为整数，分段数量为m的大地电磁信号矩阵表示如下：式中，表示大地电磁信号矩阵 中第m个长度为100的数据段，也是s中第m个长度为100的数据段。
52.步骤3.2：将大地电磁信号矩阵中的元素按列依次输入至信噪映射模型中，网络输出为大地电磁信号矩阵s对应数据的噪声轮廓r，表示如下：式中，表示r中第m个长度为100的数据段，也即数据段对应的噪声轮廓。
53.步骤4：将实测含噪大地电磁信号减去对应的噪声轮廓得到去噪后的大地电磁信号。
54.步骤4.1：将大地电磁信号矩阵减去信噪映射模型对应输出的噪声轮廓矩阵r得到去噪后的大地电磁信号矩阵t，表示如下：式中，
−
表示大地电磁信号矩阵中第m个长度为100的数据段减去r中第m个长度为100的数据段，即：=
−
。表示去噪后样本库t中第m个长度为100的数据段。
55.步骤4.2：将去噪后的大地电磁信号矩阵t按列依次展开构成去噪后一维矩阵，表示如下：式中，表示中第m个长度为100的数据段，也是t中第m个长度为100的数据段。
56.如图4a-4c以及图5a-5c所示，分别为模拟数据的噪声压制效果图和实测数据的噪声压制效果图。图4a中模拟数据经本发明的去噪方法有效剔除出图4b所示的噪声轮廓，重构后得到图4c所示的去噪后信号。图5a中实测数据经本发明的去噪方法有效剔除出图5b所示的噪声轮廓，重构后得到图5c所示的去噪后信号。本发明提供的去噪方法有效压制了大地电磁信号中的强干扰。且经本发明处理后的视电阻率曲线和相位更加平缓，使得近源干扰得到了有效地压制，对于大地电磁信号数据处理有着广阔的应用前景。
57.此外，基于上述方法，本发明还提供一种基于所述大地电磁信号去噪方法的系统，包括：样本库构建模块：用于构建大地电磁信号纯净信号样本库、噪声轮廓样本库、含噪信号样本库。其中，纯净信号样本库为不含干扰数据的样本库，噪声轮廓样本库为含有干扰数据的噪声轮廓样本库。
58.模型训练模块：将训练数据输入至改进后的堆栈自编码器网络进行训练，利用神经网络反向传播算法更新模型参数，训练完成保存模型参数，得到信噪映射模型。
59.噪声轮廓提取模块：用于将大地电磁含噪信号输入基于堆栈自编码器的信噪映射模型，其输出噪声轮廓。
60.重构模块：用于将所述待降噪的大地电磁信号减去对应噪声轮廓得到去噪后的大地电磁信号。
61.各个模块的具体应用过程参照前述说明进行实施，并且模块间的组合、拆分数量也适用于本发明，且各模块间的合并集成、拆解分离也可以通过其他方式来实现。所应理解的是，所述的具体实施方式仅为本发明的一种优选方式，凡是在本领域技术人员所具备的知识范围内，不脱离本发明宗旨和范围的，不论是修改还是替换，同样包含在本发明的保护范围之内。
62.需要强调的是，本发明所述的实例是说明性的，而不是限定性的，因此本发明不限于具体实施方式中所述的实例，凡是由本领域技术人员根据本发明的技术方案得出的其他实施方式，不脱离本发明宗旨和范围的，不论是修改还是替换，同样属于本发明的保护范围。