[发明专利]一种基于BP神经网络的大地电磁信号噪声压制方法及系统

说明书

本发明公开了一种基于BP神经网络的大地电磁信号噪声压制方法及系统，该方法包括：分别构建噪声轮廓样本、纯净信号样本、带噪数据样本，再将带噪数据样本和纯净信号样本输入至第一个BP神经网络中训练得到BP信噪辨识模型。以及将带噪数据样本、噪声轮廓样本输入第二个BP神经网络，训练得到BP去噪模型。最后，将实测大地电磁数据均匀分段首先输入BP信噪辨识模型中，保留辨识为无干扰的数据段，并将干扰数据段输入至BP去噪模型中输出噪声轮廓，干扰数据减去对应的噪声轮廓得到干扰数据去噪后的数据。最终将保留的无干扰数据与去噪后的数据进行拼接重构得到去噪后的大地电磁信号。

技术领域

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BP神经网络的大地电磁信号噪声压制方法及系统。

背景技术

上世纪50年代Tikhon和Cagiard提出了大地电磁测深法(Magnetotelluric,MT)，该方法是一种利用天然交变电磁场研究地球电性结构的地球物理勘探方法。由于该方法具有成本低、施工简单、分辨率高等优点，在矿产勘探和资源勘查等方面已得到广泛应用。然而，天然大地电磁信号微弱、频带宽，极易受到各种噪声的影响，导致无法做出正确的处理、解释。特别是在资源丰富的矿集区，采集到的MT数据往往伴随十分复杂且能量极强的噪声，有用信息几乎被完全湮灭。目前，经典的大地电磁去噪方法有远参考法、Robust估计法、小波阈值法等，但此类方法往往存在有用信息过处理以及去噪效率较低的问题。

近年来，针对如何有效去除MT数据中的强干扰，新兴方法如Hilbert-Huang变换、信息熵与有理函数滤波、数学形态滤波、信号子空间增强、小波变换及综合算法、信噪辨识与递归分析系数分解、稀疏分解、K-SVD字典学习、复合多尺度色散熵和正交匹配追踪等均被应用至该领域，试图从不同程度污染的大地电磁数据中获取真实的电性结构，从一定程度上提升了大地电磁数据质量；然而，现有技术主要是以整体处理方式进行信噪分离，导致强干扰被剔除时也滤除了一些有用的低频信息，严重影响了大地电磁数据本身的可靠性。同时传统时频域大地电磁信号信噪分离方法也存在处理效率较低的问题。

因此，针对大地电磁信号信噪分离精度不佳以及效率较低的问题，本发明提供一种基于BP神经网络的大地电磁信号噪声压制方法及系统予以克服。

发明内容

本发明的目的是针对利用传统的时频域去噪方法对大地电磁数据中的大尺度干扰压制时所存在过处理和效率低的技术问题，提供一种基于BP神经网络的大地电磁信号噪声压制方法及系统。其中，使用BP信噪辨识模型对大地电磁数据进行预处理能够有效减少有用信息的丢失，而BP去噪模型能够有效压制大尺度强干扰。

一方面，本发明提供一种基于BP神经网络的大地电磁信号噪声压制方法，包括如下步骤：

S1：构建大地电磁干扰数据的噪声轮廓样本和无干扰数据的纯净信号样本；

S2：将噪声轮廓样本与纯净信号样本相加得到带噪数据样本，再将所述带噪数据样本和所述纯净信号样本、所述带噪数据样本和所述纯净信号样本的样本分类标签输入第一个BP神经网络，训练得到BP信噪辨识模型，所述BP信噪辨识模型的输入数据为信号，输出数据为信号的分类标签；

S3：再将所述带噪数据样本、所述噪声轮廓样本输入第二个BP神经网络，训练得到BP去噪模型，所述BP去噪模型的输入数据为噪声信号，输出数据为噪声信号的噪声轮廓；

S4：将实测大地电磁数据均匀分段，并分别输入至所述BP信噪辨识模型中，保留辨识出的无干扰数据段，再将辨识出的干扰数据段输入至所述BP去噪模型中；

S5：所述BP去噪模型输出干扰数据段的噪声轮廓，再将所述干扰数据段的数据减去对应的噪声轮廓得到去噪后的数据；

S6：将步骤S4中保留的无干扰数据段和步骤S5中去噪后的数据进行重构拼接得到去噪后的大地电磁信号。