基于CDRN的电磁信号工频噪声抑制方法及系统

本申请属于地球物理勘探领域，具体而言为一种基于cdrn（级联膨胀残差网络）的电磁信号工频噪声抑制方法及系统。

背景技术：

1、电磁法（electromagnetic method，简称em）是一种重要的地球物理勘探方法，被广泛应用于地下水勘探、矿产资源勘查、深部金属矿探测以及城市地质工程调查等领域。时域电磁测量过程中，发射回线在地表产生瞬变电磁场，通过观测该电磁场在地下介质中感应产生的二次磁场衰减响应，可推断地下介质的电阻率分布。

2、然而，时域电磁测量在城市边缘、工业区、矿区等区域时，常受到三相高压输电线路的工频电磁干扰。电网工频为50hz，并伴随有3次（150hz）、5次（250hz）等高次谐波。这些工频及谐波电磁场作用于tem测量回线，会在原始信号中叠加幅值大、频率特征明显的工频噪声。

3、时域电磁信号在时间维度上具有典型的多时段特征：早期道（10⁻5s量级）反映浅部地层信息，信号幅值较大，信噪比相对较高；中期道（10⁻4s量级）反映中等深度地层信息；晚期道（10⁻³~10⁻²s量级）反映深部地层信息，但信号幅值衰减剧烈，量级可比早期道低3-5个数量级，导致晚期道信噪比极低。工频噪声对晚期道的污染尤为严重，常使深部地层响应被淹没，严重影响时域电磁数据的解释精度，特别是对深部矿产探测的分辨能力。

4、现有的电磁探测工频噪声抑制方法主要包括：(1) 基于硬件的滤波抑制方法，如带阻滤波器、自适应滤波器等，但容易在50hz附近损伤有效信号频谱；(2) 基于多次叠加平均的统计去噪方法，需要采集大量重复观测数据，效率低且对非平稳噪声效果有限；(3) 基于小波变换、经验模态分解等时频分析的去噪方法，需要人工设定阈值，对不同地电模型适应性差；(4) 基于传统机器学习的去噪方法，泛化能力有限。

5、近年来，随着深度学习技术的发展，研究者尝试将卷积神经网络应用于tem信号去噪。但现有深度学习方法存在以下问题：(1) 大多采用单一网络结构，对不同时段噪声特征的提取能力不均衡，特别是对晚期道低信噪比信号的去噪效果不理想；(2) 训练数据生成时缺少层状大地模型多样性，导致网络对实际复杂层状地电模型（h型、k型、q型）的适应性差；(3) 工频噪声仿真采用简化的正弦波模型，忽略了三相输电线路多线缆耦合及高次谐波的物理影响，导致训练-实测分布不一致；(4) 缺少对早期、中期、晚期道差异化的信号特征保护机制，去噪后晚期道与理论信号偏离较大。

6、因此，亟需一种能够准确建模工频噪声物理特性、对各时段道均有良好去噪效果、对多类层状地电模型具备强泛化能力的tem工频噪声智能抑制方法及系统。

技术实现思路

1、本申请旨在解决现有tem工频噪声抑制方法对晚期道去噪效果差、对多类层状地电模型泛化能力弱、噪声物理建模不准确的技术问题，提供一种基于cdrn的电磁信号工频噪声智能抑制方法及系统。

2、本申请第一方面提供一种基于cdrn的电磁信号工频噪声智能抑制系统，包括：

3、级联深度学习模型，包括串联的第一级粗去噪网络和第二级精修网络，所述第一级粗去噪网络采用具有变膨胀因子的残差网络结构，对含噪信号进行初步去噪；所述第二级精修网络采用具有变膨胀因子的残差网络结构，对第一级去噪结果进行残余噪声精修；

4、自适应融合模块，用于根据第一级粗去噪网络和第二级精修网络输出信号的局部统计特征，逐段选择最优结果作为最终去噪输出。

5、进一步地，所述第一级粗去噪网络和第二级精修网络均依次包括前置卷积层、多个膨胀残差块和尾部卷积层；所述膨胀残差块包含两个具有相同膨胀因子的卷积层、批归一化层及非线性激活函数，并通过恒等映射构成残差结构；所述第一级粗去噪网络的网络规模大于第二级精修网络，所述网络规模包括网络总层数、卷积层通道数、可训练参数总量或感受野尺寸。

6、进一步地，所述膨胀残差块的膨胀因子沿网络深度方向呈先递增后递减的钻石型分布，使网络感受野依次覆盖局部细节、全局上下文和局部精修三个层次，以同时捕获工频噪声的低频包络特征和高频振荡特征。

7、进一步地，所述第一级粗去噪网络以加权回归损失函数进行训练，采用时间权重函数对早期道和晚期道赋予较高权重，对中期道赋予适中权重；所述第二级精修网络以标准回归损失函数进行训练。

8、进一步地，所述自适应融合模块将含噪信号划分为若干段，对每段分别计算第一级粗去噪网络和第二级精修网络输出的局部波动统计量，当第二级精修网络输出的局部波动大于第一级粗去噪网络设置阈值时，该段选择第一级粗去噪网络输出，否则选择第二级精修网络输出。

9、进一步地，还包括有数据生成模块，用于以层状大地正演模型生成时域电磁信号，并基于三相输电线路工频及高次谐波的sommerfeld积分严格电磁建模生成对应噪声信号，时域电磁信号与噪声信号叠加构成含噪信号；

10、本申请第二方面实施例提供一种基于cdrn的时域电磁工频噪声压制方法，包括：

11、构建训练样本集，所述训练样本集的输入数据为含工频及高次谐波噪声的时域电磁信号，输出数据为对应噪声信号或纯净信号；

12、构建级联深度学习模型，包括第一级粗去噪网络和第二级精修网络；

13、对级联深度学习模型进行分阶段训练，先训练第一级粗去噪网络，再以第一级粗去噪网络输出为基础，训练第二级精修网络；

14、将含噪信号依次输入训练好的第一级粗去噪网络和第二级精修网络，并通过自适应融合得到最终去噪结果。

15、进一步地，时域电磁信号采用层状大地正演模型生成，包括但不限于电阻率呈中间低阻型、中间高阻型、单调递减型的多类典型层状构造样本；含噪信号的噪声分量基于三相输电线路工频及谐波的sommerfeld积分严格电磁建模生成。

16、本申请与现有技术相比，具有以下有益效果：(1) 采用级联两阶段去噪架构，第一级粗去噪网络负责粗去噪，第二级精修网络负责精修，二者互补，避免单一网络在不同时段道上的去噪能力不均衡；(2) 采用变膨胀因子的钻石型膨胀残差网络，多尺度感受野同时捕获工频噪声的高频振荡特征和低频包络特征，对早、中、晚期道均有良好的去噪效果；(3)训练数据基于sommerfeld积分严格电磁建模生成，考虑三相输电线路6根线缆耦合及3次、5次谐波，更符合实际工频噪声物理特性；(4) 训练样本均衡覆盖h、k、q三种典型层状大地模型，模型对多类地电构造具备强泛化能力；(5) 自适应段选择融合机制保证了不同时段去噪效果的一致性，去噪后晚期道均方根误差可控制在0.005左右，与理论曲线高度吻合，信噪比可显著提升。

1.一种基于cdrn的电磁工频噪声抑制系统，其特征在于，包括：

2.根据权利要求1所述的系统，其特征在于，所述第一级粗去噪网络和第二级精修网络均依次包括前置卷积层、多个膨胀残差块和尾部卷积层；所述膨胀残差块包含两个具有相同膨胀因子的卷积层、批归一化层及非线性激活函数，并通过恒等映射构成残差结构；所述第一级粗去噪网络的网络规模大于第二级精修网络，所述网络规模包括网络总层数、卷积层通道数、可训练参数总量或感受野尺寸。

3.根据权利要求2所述的系统，其特征在于，所述膨胀残差块的膨胀因子沿网络深度方向呈先递增后递减的钻石型分布，使网络感受野依次覆盖局部细节、全局上下文和局部精修三个层次，以同时捕获工频噪声的低频包络特征和高频振荡特征。

4.根据权利要求1所述的系统，其特征在于，所述第一级粗去噪网络以加权回归损失函数进行训练，采用时间权重函数对早期道和晚期道赋予较高权重，对中期道赋予适中权重；所述第二级精修网络以标准回归损失函数进行训练。

5.根据权利要求1所述的系统，其特征在于，所述自适应融合模块将含噪信号划分为若干段，对每段分别计算第一级粗去噪网络和第二级精修网络输出的局部波动统计量，当第二级精修网络输出的局部波动大于第一级粗去噪网络设置阈值时，该段选择第一级粗去噪网络输出，否则选择第二级精修网络输出。

6.根据权利要求1所述的系统，其特征在于，还包括有数据生成模块，用于以层状大地模型生成时域电磁信号，并基于三相输电线路工频及高次谐波的sommerfeld积分严格电磁建模生成对应噪声信号，时域电磁信号与噪声信号叠加构成含噪信号。

7.一种基于cdrn的时域电磁工频噪声压制方法，基于权利要求1-6任一项所述的系统，其特征在于，包括：