基于字典学习的大地电磁信噪分离方法研究

Magnetotelluric method (MT) is widely used for exploration of deep electrical structure. However, natural MT data are susceptible to cultural noises. The ordinary data processing methods have poor performance on persistent cultural noises which limits the application of the MT method in the noisy environments. To this end, we intend to develop novel methods for noise reduction of MT data based on dictionary learning. On the one hand, we suppose that MT signal is a superposition of a series of independent signals which stems from different sources. First, we decompose the noisy MT data into a finite number of independent components using dictionary learning, then the independent components are classified into cultural noises and effective MT signals using the Support Vector Machines (SVM), according to variance, approximate entropy, etc. On the other hand, we will develop a new method for noise attenuation of MT data below 1 Hz. We firstly extract the slow portion of useful MT signal using mathematical morphology and complementary ensemble empirical mode decomposition (CEEMD), and then de-noising the residual data based on sparse decomposition. In addition, noisy MT data collected from mining area are used for testing the proposed methods. Our research will help solve the problem of signal-noise separation in noisy environments.

大地电磁法（MT）被广泛用于深部电性结构探测，但天然的MT信号极易受人文噪声的影响，现有数据处理方法对于持续性强人文噪声效果不佳，限制了MT法在矿集区等强干扰环境下的使用。为此，本项目拟基于字典学习研究强干扰环境下大地电磁信噪分离方法。一方面，将MT信号视为一系列相对独立、不同来源的信号的线性叠加，利用字典学习算法将含噪的MT数据分解成不同特征、不同来源的独立成分，并根据MT有效信号与人文噪声在方差、近似熵等方面的差异，利用支持向量机将独立的成分甄别为有效信号与人文噪声两类。另一方面，提出一种针对1Hz以下低频段MT数据去噪的方法，利用数学形态滤波与互补集合经验模态分解提取出低频缓变部分，采用字典学习对剩余信号进行噪声衰减，在不损失低频有效信号的前提下去除噪声。此外，将所提方法应用于矿集区实测数据的处理，检验方法的有效性。本项目研究成果将有助于解决强干扰环境下大地电磁信噪分离难题。

大地电磁法（Magnetotellurics, MT）是深部电性结构探测的主要手段之一，但天然的MT信号极易受人文噪声的影响，限制了深部电性结构探测的分辨率。为此，本项目基于字典学习等机器学习算法，提出了一系列用于不同场合的大地电磁强噪声压制方法。项目完成的主要内容如下：.（1）根据大地电磁和可控源电磁信号的特点，提出了一种基于改进型移不变稀疏编码的信噪分离方法，并在大地电磁信号和可控源电磁信号的强干扰压制中均取得良好效果。.（2）提出了一种专门针对低频大地电磁数据的信噪分离方案，并基于数学形态学和稀疏编码实现了两种信噪分离方法。所提方法与其他时间序列编辑方法的重要区别在于，在去噪之前有效的保护了低频部分，然后采用稀疏分解对剩余的高频含噪信号执行目标噪声抑制。.（3）提出了一种深度学习优化的字典学习方法，实现了自动获得迭代停止条件的自适应字典学习去噪技术，显著提高了数据处理的效率，消除了因人工设定阈值所造成的主观偏差。.（4）提出了一种改进的时域卷积网络，实现了分别基于时域卷积网络和深度残差网络的高精度信噪识别与信噪分离方法，并在大地电磁和可控源电磁数据的处理中获得良好效果。.将所提方法应用于青海柴达木盆地以及陕西铜川等地实测数据的去噪处理，并进行反演成像，验证了方法的有效性与可靠性。所提方法能够显著提高大地电磁和可控源电磁数据的质量，进而获得更加精细化的深部探测结果。在本项目的资助下，共计发表学术论文23篇，其中SCI检索13篇，年度亮点论文1篇。出版专著1部，申请发明专利3项，其中已授权1项。

内容获取失败，请点击重试