一种基于深度学习的复杂噪声环境下电磁信噪分离方法及系统
本发明涉及地球物理电磁信号处理,具体为一种基于深度学习的复杂噪声环境下电磁信噪分离方法及系统。
背景技术:
1、可控源电磁法(controlled source electromagnetic method,csem)是一种重要的地球物理勘探手段,其通过人工发射可控电磁信号并接收地下介质的响应,实现对地下地质结构的探测。该方法在海洋油气勘探、矿产资源勘查以及深部地质结构成像等领域具有探测深度大、分辨率高、信号可控性强等优势,因而得到广泛应用。
2、然而,在实际野外采集过程中,可控源电磁信号极易受到多种复杂噪声的干扰,包括天然电磁噪声、人文干扰噪声、仪器本底噪声以及因地表条件变化引入的非相关噪声等。这些噪声在时域、频域及时频域表现出显著的差异性,且具有时变性和非平稳性,给后续的数据处理和反演解释带来了极大挑战。
3、目前,可控源电磁数据去噪方法主要分为传统信号处理方法和基于深度学习的方法两大类。传统信号处理方法通常采用固定或单一的去噪策略,例如基于经验模态分解(emd)的阈值去噪方法,通过将信号分解为多个本征模态函数后对各分量进行阈值处理以实现噪声抑制;基于小波变换的软阈值去噪方法,利用小波基函数对信号进行多尺度分解,通过设定统一阈值对小波系数进行收缩处理;此外还包括基于卡尔曼滤波、自适应滤波等统计方法。这类方法通常假设噪声特性已知或符合特定统计分布,在复杂多变的实际噪声环境下适应性差,难以取得稳定的分离效果。
4、近年来,基于深度学习的端到端去噪方法逐渐兴起。此类方法通过构建编码器-解码器架构,利用大量成对的含噪-干净样本进行监督学习,以期建立从含噪信号到干净信号的直接映射关系。然而,现有深度学习方案仍面临两大瓶颈:其一,网络结构固定,对噪声类型不敏感,当多种类型噪声混合存在时,常产生过度平滑或残留伪迹,无法实现有针对性的差异化去噪;其二,去噪结果的不确定性无法量化评估,即便输出存在较大偏差也只能被动接受,缺乏针对性的精化修正机制。
技术实现思路
1、本发明的目的在于提供一种基于深度学习的复杂噪声环境下电磁信噪分离方法及系统,以解决上述背景技术中存在的技术问题。
2、为实现上述目的,本发明提供如下技术方案:
3、一种基于深度学习的复杂噪声环境下电磁信噪分离方法,包括:
4、获取待分离电磁信号,并基于所述待分离电磁信号获取若干个信号样本,提取所述信号样本的噪声属性信息;
5、以所述噪声属性信息为条件,动态调制去噪网络的多层特征响应,并对所述信号样本执行去噪处理,得到初步去噪结果;
6、对同一信号样本执行多次随机前向传播,获取多个去噪结果,并基于所述多个去噪结果确定所述初步去噪结果、逐点不确定性度量及全局不确定性指标;
7、响应于所述全局不确定性指标满足预设精化条件,基于所述信号样本、所述初步去噪结果及所述逐点不确定性度量生成残余噪声估计,并根据所述残余噪声估计更新所述初步去噪结果,迭代执行直至满足终止条件;
8、基于各信号样本对应的初步去噪结果,合成所述待分离电磁信号的分离结果。
9、进一步地,所述提取所述信号样本的噪声属性信息,包括:
10、提取所述信号样本的时域特征和频域特征;
11、将所述时域特征和所述频域特征输入至预训练的噪声类型感知编码器,获得所述信号样本属于各预设噪声类型的概率向量。
12、进一步地,所述以所述噪声属性信息为条件,动态调制去噪网络的多层特征响应,包括:
13、将所述噪声属性信息输入映射网络,生成缩放参数和偏移参数;
14、基于所述缩放参数和偏移参数,对所述去噪网络的目标特征层执行仿射变换。
15、进一步地,所述对同一信号样本执行多次随机前向传播,获取多个去噪结果,并基于所述多个去噪结果确定初步去噪结果,包括:
16、保持所述去噪网络的随机失活层处于激活状态,对同一输入执行t次随机前向传播,获得t个去噪结果;
17、计算所述t个去噪结果的均值,作为所述初步去噪结果。
18、进一步地,所述基于所述多个去噪结果确定逐点不确定性度量及全局不确定性指标,包括:
19、根据所述t个去噪结果,计算每个采样点的方差作为所述逐点不确定性度量;
20、计算所有采样点的方差的平均值,作为所述全局不确定性指标。
21、进一步地,所述响应于所述全局不确定性指标满足预设精化条件,基于所述信号样本、所述初步去噪结果及所述逐点不确定性度量生成残余噪声估计,并根据所述残余噪声估计更新所述初步去噪结果,迭代执行直至满足终止条件,包括:
22、当所述全局不确定性指标大于预设阈值时,将所述初步去噪结果和所述信号样本输入预训练的精化网络,得到残余噪声估计;
23、利用所述残余噪声估计修正所述多个去噪结果,并根据修正后的去噪结果重新计算初步去噪结果和全局不确定性指标;
24、重复执行残余噪声估计及结果更新步骤,当更新后的全局不确定性指标不大于阈值时终止迭代,若连续迭代至预设最大次数仍不满足阈值条件,则强制终止迭代。
25、进一步地,所述预训练的精化网络采用具有跳跃连接的残差卷积结构,其训练损失函数为均方误差损失,该损失函数计算精化网络输出的残余噪声估计与真实残余噪声之间的均方误差;其中,精化网络的输入包括含噪信号、初步去噪结果和逐点不确定性度量三个通道。
26、进一步地,确定噪声概率向量中最大概率分量所对应的噪声类型,根据每个噪声类型设定对应的调节因子;预设噪声的基础阈值,将基础阈值与调节因子的乘积标定为该个噪声类型的稳定阈值;所述预设的稳定阈值根据噪声类型动态设定,具体为:稳定阈值等于基础阈值乘以与当前噪声类型对应的调节因子,其中当前噪声类型为噪声概率向量中最大概率分量所对应的噪声类型。
27、本发明另外提供一种基于深度学习的复杂噪声环境下电磁信噪分离系统,所述电磁信噪分离系统用于执行上述的一种基于深度学习的复杂噪声环境下电磁信噪分离方法,包括:
28、噪声获取模块,用于获取待分离电磁信号,并基于所述待分离电磁信号获取若干个信号样本,提取所述信号样本的噪声属性信息;
29、属性提取模块,用于以所述噪声属性信息为条件,动态调制去噪网络的多层特征响应,并对所述信号样本执行去噪处理,得到初步去噪结果;
30、不确定评估模块,用于对同一信号样本执行多次随机前向传播,获取多个去噪结果,并基于所述多个去噪结果确定所述初步去噪结果、逐点不确定性度量及全局不确定性指标;
31、迭代精化模块,用于响应于所述全局不确定性指标满足预设精化条件,基于所述信号样本、所述初步去噪结果及所述逐点不确定性度量生成残余噪声估计,并根据所述残余噪声估计更新所述初步去噪结果,迭代执行直至满足终止条件;
32、信号重构模块,用于基于各信号样本对应的初步去噪结果,合成所述待分离电磁信号的分离结果。
33、与现有技术相比,本发明的有益效果是:
34、本发明通过提取与含噪电磁信号对应的噪声属性信息,并以该噪声属性信息为条件动态调制去噪网络的多层特征响应,使得去噪网络能够根据当前信号中噪声的具体属性自适应地调整特征处理方式,实现了针对不同噪声类型的差异化去噪,有效克服了传统固定策略无法适应复杂多变噪声环境的缺陷。
35、本发明通过在同一输入上执行多次随机前向传播,获取多个去噪结果并计算其统计分布,将逐点方差作为逐点不确定性度量、将全局不确定性指标作为整体可靠性评估依据,使模型具备对自身去噪结果可信度的量化评估能力。
36、本发明仅在全局不确定性指标满足精化条件时触发精化网络进行残余噪声估计与结果更新,通过将含噪信号、初步去噪结果及逐点不确定性度量共同作为精化网络的输入,使精化网络能够更准确地定位和估计残余噪声,同时仅对不可靠的样本触发迭代精化,避免了无差别迭代带来的计算资源浪费。
37、此外,本发明通过根据噪声类型动态设定精化触发的稳定阈值,使精化决策能够匹配不同噪声的固有波动水平,进一步提升了方法的自适应能力和鲁棒性。
版权声明:本站专利文献数据主要来源于国家知识产权局等公开渠道,由 技术新讯 进行整理汇编。页面设计及数据汇编的著作权归本站所有。全部内容仅供个人学习、科研评估与技术交流参考,严禁用于任何商业用途(包括但不限于直接生产制造、技术转让、倒卖数据等)。
免责条款:专利技术具有时效性,本站不对资料的绝对准确性、完整性和可实施性提供任何明示或暗示的担保。因参考本站内容造成的直接或间接损失,本站不承担相关法律责任。若您认为本站内容有侵权问题,请及时提供权属证明与我们联系,本站将在核实后依法处理。反馈意见:yyfuon@163.com