[发明专利]一种基于Bi-LSTM的大地电磁信号去噪方法及系统

说明书

本发明公开了一种基于Bi‑LSTM的大地电磁信号去噪方法及系统，本发明构造了海量符合大地电磁微弱信号和含有强干扰特性的噪声轮廓，将二者相加得到含噪信号；将含噪信号按比例划分为相应的训练集和测试集，并定义网络对应的输入和输出，优选利用NPSO选出最优的双向长短期记忆神经网络的相关参数，再将训练集送入神经网络进行训练得到预测模型；利用预测模型对实测的大地电磁数据进行预测得到噪声轮廓；最后用实测的大地电磁数据减去预测的噪声轮廓得到有用的大地电磁信号。本发明通过上述方法可以有效准确地完成噪声轮廓的预测，从而剔除含噪信号中的噪声，保留更多有用的大地电磁信号。

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Bi-LSTM的大地电磁信号去噪方法及系统。

背景技术

随着社会经济的高速发展，我国能源和金属矿产资源的对外依存度逐年上升。矿产资源短缺、能源后备探明储量不足，已成为制约国民经济发展的重大瓶颈。大地电磁法(Magnetotelluric，MT)是苏联学者Tikhon和法国学者Cagiard 在50年代初提出利用天然交变电磁场研究地球电性结构的一种地球物理勘探方法。MT由于勘探深度大、勘探费用低、施工方便，以及资料处理与解释技术成熟，在地球物理勘探工作中占有重要地位。众多地球物理工作者通过大量实地考察和后期研究证明我国深部资源开发潜力巨大，大范围内开展深部矿产的勘探开发，是我国资源开发利用的重要战略选择。

实测资料采集、处理和解释是物探工作三个不可分割的重要阶段。由于电磁干扰的日益严重，尤其是在中国东部地区开展大地电磁测深工作变得非常困难。该地区人烟稠密，各种人文电磁干扰源如发射塔、高速公路、高铁等纵横交错，导致采集的数据中包含了各种复杂的噪声干扰。因此，如何对野外采集的受干扰的实测资料进行正确、合理的噪声压制，从强干扰中提取出可靠、有用的大地电磁信息，已成为大地电磁测深法在强电磁干扰区开展工作的前提。

随着大数据时代的改变和发展，深度学习也逐渐成为一种热门的发展趋势，它不依赖数据的频谱特征，具有处理非线性数据的能力，在时间序列数据处理上取得了显著的成绩。若能将它应用到大地电磁数据的处理中，将会对含有强干扰的大地电磁数据去噪具有重要意义。因此，如何准确预测到实测数据中复杂的噪声轮廓，有效完成噪声的分离去除，解决现有技术对噪声过处理的问题是本发明亟需考虑的。

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：