[发明专利]一种基于深度残差网络的大地电磁信号识别与重建方法及其系统

说明书

本发明公开了一种基于深度残差网络的大地电磁信号识别与重建方法及其系统，其包括：构建样本库1，并标记每个数据段的类别标签；对样本库1中的数据段进行格拉曼角场变换得到格拉曼角场图像；构建深度残差分类网络，并利用格拉曼角场图像及其对应的分类标签进行网络训练得到大地电磁数据分类模型；将待去噪的大地电磁数据进行分段再进行格拉曼角场变换，变换后输入至大地电磁数据分类模型得到每个数据段的分类标签；将识别出的含噪数据段进行重构或去噪；最终将识别出的高质量数据段与重构或去噪后的数据段进行按序拼接。本发明所述方法将深度残差网络和格拉曼角场引入至大地电磁数据去噪技术中，提高了噪声压制的自动化程度以及去噪精度。

技术领域

本发明属于信号处理技术领域，具体涉及一种基于深度残差网络的大地电磁信号识别与重建方法及其系统，尤其是引入了格拉曼角场将一维大地电磁信号转换成二维图像，进而结合深度残差网络实现信噪分离。

背景技术

大地电磁信号是随时间变化的一维时序信号，大地电磁信号的探测技术在放射性铀矿资源勘查、油气资源勘查、地热勘查等国家战略资源与能源勘查等领域具有广泛应用，然而大地电磁信号的探测精度极易受到噪声的影响。随着城市化比例的不断提高，人文噪声的分布越来越广，人文噪声已成为制约大地电磁法获得精细探测结果的瓶颈。

近年来，机器学习算法快速发展，机器学习算法在大地电磁信号处理中的应用逐渐增多。如基于字典学习的大地电磁数据处理(汤井田、李广等，2018)、基于循环神经网络的大地电磁工频干扰压制(许滔滔等，2020)、基于卷积神经网络和长短时记忆神经网络(CNN-LSTM)的大地电磁信号去噪(专利申请号：202110320241.4)等。但上述方法有一定的局限性：字典学习方法往往需要根据经验人工设定一定数量的参数；基于循环神经网络的大地电磁工频干扰在信噪分离之前，没有进行信噪识别，易损失有效信号或者仅适用于压制工频干扰等单一类型的噪声；基于CNN-LSTM的大地电磁信号去噪方法直接对一维大地电磁时间序列进行分类，但许多噪声在时间序列中特征并不明显，且CNN主要适用于图像处理，在处理一维信号时优势不明显，导致有些情况下该方法信噪识别精度较低。因此，针对容易受到噪声干扰的大地电磁信号，本发明致力于研究解决上述至少部分技术问题的信噪分离技术以及信号重构技术。

发明内容

本发明的目的是解决上述大地电磁信号的去噪技术中存在的至少部分技术问题，进而提供一种基于深度残差网络的大地电磁信号识别与重建方法及其系统。所述方法创造性地引入格拉曼角场变换，进而实现在不破坏一维信号时间顺序的前提下，将一维大地电磁数据转换为二维图像，增强一维信号的二维特征，提高辨识精度；此外，本发明所述方法引入深度残差分类网络，深度残差网络可以将信息从浅层直接传输至深层，避免信息丢失且对于网络退化具有良好的鲁棒性，从而通过结合格拉曼角场变换与深度残差网络，提高噪声压制的精度和自动化程度，有效解决或改善现有方法中存在的部分问题，如：需要人工设定参数、损失较多有效信号、信噪识别精度低、适应性不强。

一方面，本发明提供的一种基于深度残差网络的大地电磁信号识别与重建方法，其包括以下步骤：

步骤1：构建样本库1，并标记每个数据段的类别标签；所述样本库1包括含噪数据段和高质量数据段，所述类别标签表示数据段为含噪数据段或高质量数据段；

步骤2：对所述样本库1中的数据段进行格拉曼角场变换得到格拉曼角场图像，其中，是将一维的大地电磁数据转换为二维的格拉曼角场图像；

步骤3：构建深度残差分类网络，并利用步骤2中的格拉曼角场图像及其对应的分类标签进行网络训练得到大地电磁数据分类模型；

步骤4：将待去噪的大地电磁数据进行分段再进行格拉曼角场变换，变换后输入至步骤3构建的所述大地电磁数据分类模型得到每个数据段的分类标签，其中，基于所述分类标签识别数据段为含噪数据段或高质量数据段；

步骤5：将步骤4中识别出的含噪数据段进行重构或去噪；