开云优惠体育网页版入口

专利名称：一种地磁信号噪声压制方法及系统

专利类型：发明专利

专利申请号：CN202311095980.3

专利申请（专利权）人：东华理工大学
权利人地址：江西省抚州市学府路56号

专利发明（设计）人：发明人:李广,周小辉,刘晓琼,万伟,雷森华

专利摘要：本发明公开了一种地磁信号噪声压制方法及系统，方法包括：获取至少一个地磁数据去噪样本对；根据至少一个地磁数据样本对对预设的改进U?Net的地磁数据去噪网络进行训练，得到地磁数据去噪模型；获取待去噪地磁数据，输入至地磁数据分类模型对待去噪地磁数据进行分类，得到至少一个含噪地磁数据段和至少一个高质量地磁数据段；将至少一个含噪地磁数据段输入至地磁数据去噪模型中，得到至少一个去噪地磁数据段，并将至少一个去噪地磁数据段和至少一个高质量地磁数据段按照时间顺序进行拼接，得到完整的去噪地磁信号。本发明显著提高了地磁数据去噪精度，解决了现有去噪方法需要人工干预、效率低下、易造成主观偏差的问题。

主权利要求：
1.一种地磁信号噪声压制方法，其特征在于，包括：
获取至少一个地磁数据及与至少一个地磁数据对应的分类标签，并根据至少一个地磁数据及与至少一个地磁数据对应的分类标签对预设的ResNet深度残差地磁数据分类网络进行训练，得到地磁数据分类模型，其中，所述ResNet深度残差地磁数据分类网络包括输入层、隐藏层以及输出层；
所述ResNet深度残差地磁数据分类网络的输入层的数据大小为通道数乘以样本尺寸，即1×1440×1；
所述ResNet深度残差地磁数据分类网络的隐藏层包括卷积层、BN层、最大池化层、恒等残差块以及卷积残差块，所述恒等残差块中包含两个一维卷积模块和一个恒等模块连接，所述恒等残差块的输入和输出具备相同的通道数，所述卷积残差块中包含两个一维卷积模块和一个一维逐点卷积模块，所述卷积残差块通过卷积核尺寸为1的卷积改变通道数，使所述卷积残差块的输入和输出具备相同的通道数；
所述ResNet深度残差地磁数据分类网络的卷积层包括第一卷积层和第二卷积层，所述ResNet深度残差地磁数据分类网络的第一卷积层的计算步骤为：使用64个尺寸为4×1的卷积核对训练样本进行一维卷积，并使用Relu激活函数激活，输出ResNet深度残差地磁数据分类网络的第一卷积层的结果；所述ResNet深度残差地磁数据分类网络的第二卷积层的计算步骤为：使用64个尺寸为4×1的卷积核对训练样本进行一维卷积，并使用Relu激活函数激活，输出ResNet深度残差地磁数据分类网络的第二卷积层的结果；
所述BN层的计算步骤为：使用批归一化方法处理ResNet深度残差地磁数据分类网络的第一卷积层的结果；
所述最大池化层包括第一最大池化层、第二最大池化层、第三最大池化层和第四最大池化层，所述第一最大池化层的计算步骤为：使用尺寸为2×1、步长为1的最大值筛。凰龅诙最大池化层、所述第三最大池化层、所述第四最大池化层的计算步骤均为：使用尺寸为
3×1、步长为1的最大值筛。
所述恒等残差块包括第一恒等残差块、第二恒等残差块、第三恒等残差块、第四恒等残差块和第五恒等残差块；
所述卷积残差块包括第一卷积残差块、第二卷积残差块和第三卷积残差块；
所述第一恒等残差块的计算步骤为：使用64个尺寸为3×1的卷积核对第一最大池化层的结果进行一维卷积，并使用Relu激活函数激活，再次使用64个尺寸为3×1的卷积核对第一恒等残差块第一次卷积的激活值进行一维卷积，将第一最大池化层的输出和第一恒等残差块第二次未激活的一维卷积进行求和，并使用Relu激活函数激活，输出第一恒等残差块的结果；
所述第二恒等残差块的计算步骤为：使用64个尺寸为3×1的卷积核对第一恒等残差块的结果进行一维卷积，并使用Relu激活函数激活，再使用64个尺寸为3×1的卷积核对第二恒等残差块第一次卷积的激活值进行一维卷积，将第一恒等残差块的输出和第二恒等残差块第二次未激活的一维卷积进行求和，并使用Relu激活函数激活，输出第二恒等残差块的结果；
所述第三恒等残差块的计算步骤为：使用128个尺寸为3×1的卷积核对第一卷积残差块的结果进行一维卷积，并使用Relu激活函数激活，再使用128个尺寸为3×1的卷积核对第三恒等残差块第一次卷积的激活值进行一维卷积，将第一卷积残差块的输出和第三恒等残差块第二次未激活的一维卷积进行求和，并使用Relu激活函数激活，输出第三恒等残差块的结果；
所述第四恒等残差块的计算步骤为：使用256个尺寸为3×1的卷积核对第二卷积残差块的结果进行一维卷积，并使用Relu激活函数激活；第二，再使用256个尺寸为3×1的卷积核对第四恒等残差块第一次卷积的激活值进行一维卷积，将第二卷积残差块的输出和第四恒等残差块第二次未激活的一维卷积进行求和，并使用Relu激活函数激活，输出第四恒等残差块的结果；
所述第五恒等残差块的计算步骤为：使用512个尺寸为3×1的卷积核对第三卷积残差块的结果进行一维卷积，并使用Relu激活函数激活；再使用512个尺寸为3×1的卷积核对第五恒等残差块第一次卷积的激活值进行一维卷积，将第三卷积残差块的输出和第五恒等残差块第二次未激活的一维卷积进行求和，并使用Relu激活函数激活，输出第五恒等残差块的结果；
所述第一卷积残差块的计算步骤为：使用128个尺寸为3×1的卷积核对第二最大池化层的结果分别进行步长为2的一维卷积和一维逐点卷积，一维卷积使用Relu激活函数激活，逐点卷积不激活，再使用128个尺寸为3×1的卷积核对第一卷积残差块第一次卷积的激活值进行一维卷积，将第一卷积残差块逐点卷积的结果和第一卷积残差块第二次未激活的一维卷积进行求和，并使用Relu激活函数激活，输出第一卷积残差块的结果；
所述第二卷积残差块的计算步骤为：使用256个尺寸为3×1的卷积核对第三最大池化层的结果分别进行步长为2的一维卷积和一维逐点卷积，一维卷积使用Relu激活函数激活，逐点卷积不激活，再使用256个尺寸为3×1的卷积核对第二卷积残差块第一次卷积的激活值进行一维卷积，将第二卷积残差块逐点卷积的结果和第二卷积残差块第二次未激活的一维卷积进行求和，并使用Relu激活函数激活，输出第二卷积残差块的结果；
所述第三卷积残差块的计算步骤为：使用512个尺寸为3×1的卷积核对第四最大池化层的结果分别进行步长为2的一维卷积和一维逐点卷积，一维卷积使用Relu激活函数激活，逐点卷积不激活，再使用512个尺寸为3×1的卷积核对第三卷积残差块第一次卷积的激活值进行一维卷积，将第三卷积残差块逐点卷积的结果和第三卷积残差块第二次未激活的一维卷积进行求和，并使用Relu激活函数激活，输出第三卷积残差块的结果；
获取至少一个地磁数据样本对，所述至少一个地磁数据样本对包括至少一个无噪地磁数据段以及与所述至少一个无噪地磁数据段对应的加噪地磁数据段；
根据所述至少一个地磁数据样本对对预设的改进U?Net的地磁数据去噪网络进行训练，得到地磁数据去噪模型，所述地磁数据去噪网络包括DnCNN去噪卷积神经网络、多特征提取模块以及U?net网络，所述U?net网络包括输入层、隐藏层和输出层；
所述U?net网络的输入层将加噪地磁数据段与经过多特征提取模块的输出结果进行横向合并，所述U?net网络的输入层的数据大小为通道数乘以输入样本尺寸，即5×1440×1；
所述U?net网络的隐藏层包括卷积层、平均池化层、反卷积层、跳跃连接层；
所述U?net网络的卷积层包括第一卷积层、第二卷积层、第三卷积层、第四卷积层、第五卷积层、第六卷积层、第七卷积层、第八卷积层、第九卷积层、第十卷积层、第十一卷积层、第十二卷积层、第十三卷积层、第十四卷积层、第十五卷积层；
所述U?net网络的第一卷积层、所述U?net网络的第二卷积层、所述第十三卷积层、所述第十四卷积层均是64个尺寸为3×1的卷积核和Relu激活函数，输出的数据大小为64×1440×1；所述第三卷积层、所述第四卷积层均是128个尺寸为3×1的卷积核和Relu激活函数，输出的数据大小为128×720×1；所述第五卷积层、所述第六卷积层、所述第七卷积层、所述第八卷积层、所述第九卷积层、所述第十卷积层、所述第十一卷积层、所述第十二卷积层均是
256个尺寸为3×1的卷积核和Relu激活函数，输出的数据大小为256×360×1；所述第十五卷积层是1个尺寸为1×1的卷积核，输出的数据大小为1×1440×1；
所述平均池化层包括第一平均池化层和第二平均池化层；
所述第一平均池化层是一个卷积核为2×1、步长为2、填充为0的平均值筛。涑龅氖荽笮∥64×720×1；所述第二平均池化层是一个卷积核为2×1、步长为2、填充为0的平均值筛。涑龅氖荽笮∥128×360×1；
所述反卷积层包括第一反卷积层和第二反卷积层；
所述第一反卷积层是256个尺寸为2×1的卷积核、步长为2的一对多的映射关系，输出的数据大小为256×720×1；
所述第二反卷积层是128个尺寸为2×1的卷积核、步长为2的一对多的映射关系，输出的数据大小为128×1440×1；
所述跳跃连接层包括第一跳跃连接层和第二跳跃连接层；
所述第一跳跃连接层将所述第五卷积层、所述第六卷积层、所述第七卷积层、所述第八卷积层、所述第九卷积层、所述第十卷积层、所述第十一卷积层、所述第十二卷积层的输出和所述第一反卷积层的输出进行横向拼接，输出的数据大小为384×720×1；
所述第二跳跃连接层将所述第三卷积层、所述第四卷积层的输出和所述第二反卷积层的输出进行横向拼接，输出的数据大小为192×1440×1；
所述U?net网络的输出层由1个尺寸为1×1的卷积核改变通道数，输出的数据大小为1×1440×1；
所述多特征提取模块包括至少一个卷积层以及与所述至少一个卷积层并行连接的池化层，所述至少一个卷积层的卷积路径包括用于提取局部时空特征的1×3卷积路径、用于提取中等范围的时空特征的1×5卷积路径以及用于提取更宽范围的时空特征的1×7卷积路径；
所述池化层的池化路径包括用于融合局部范围的时空特征的1×3最大值池化路径其中，所述根据所述至少一个地磁数据样本对对预设的改进U?Net的地磁数据去噪网络进行训练包括：将数据大小为1×1440×1的某一加噪地磁数据段经过DnCNN去噪卷积神经网络处理，并将处理得到数据大小为1×1440×1的去噪地磁数据输入至多特征提取模块，得到数据大小为4×1440×1的第一输出结果，再将第一输出结果与所述某一加噪地磁数据段横向拼接，得到拼接后数据大小为5×1440×1的第二输出结果输入至U?net网络，所述U?net网络输出预测去噪地磁数据段；
根据所述预测去噪地磁数据段与所述某一加噪地磁数据段对应的某一无噪地磁数据段分别对所述DnCNN去噪卷积神经网络、所述U?net网络的网络参数进行调整，得到地磁数据去噪模型；
获取待去噪地磁数据，并输入至地磁数据分类模型对待去噪地磁数据进行分类，得到至少一个含噪地磁数据段和至少一个高质量地磁数据段；
将至少一个含噪地磁数据段输入至地磁数据去噪模型中，得到至少一个去噪地磁数据段，并将至少一个去噪地磁数据段和至少一个高质量地磁数据段按照时间顺序进行拼接，得到完整的去噪地磁信号。
2.根据权利要求1所述的一种地磁信号噪声压制方法，其特征在于，所述DnCNN去噪卷积神经网络包括由一个卷积层和一个ReLU激活函数构成的第一层网络结构；由一个卷积层、一个批量归一化层和一个ReLU激活函数组成的CBR模块以及由一个卷积层和一个线性连接层构成的输出层。
3.根据权利要求1所述的一种地磁信号噪声压制方法，其特征在于，所述获取至少一个地磁数据及与至少一个地磁数据对应的分类标签，并根据至少一个地磁数据及与至少一个地磁数据对应的分类标签对预设的ResNet深度残差地磁数据分类网络进行训练，得到地磁数据分类模型包括：获取某一地磁数据，将所述某一地磁数据按照相同长度进行分段，将每一个数据段作为一个样本以及标记样本的分类标签，得到噪声数据段和/或去噪数据段；
构建ResNet深度残差地磁数据分类网络，并将噪声数据段和/或去噪数据段输入至所述ResNet深度残差地磁数据分类网络中进行训练，得到地磁数据分类模型。
4.根据权利要求1?3任一所述的方法的一种地磁信号噪声压制系统，其特征在于，包括：
第一获取模块，配置为获取至少一个地磁数据及与至少一个地磁数据对应的分类标签，并根据至少一个地磁数据及与至少一个地磁数据对应的分类标签对预设的ResNet深度残差地磁数据分类网络进行训练，得到地磁数据分类模型；
第二获取模块，配置为获取至少一个地磁数据样本对，所述至少一个地磁数据样本对包括至少一个无噪地磁数据段以及与所述至少一个无噪地磁数据段对应的加噪地磁数据段；
训练处理模块，配置为根据所述至少一个地磁数据样本对对预设的改进U?Net的地磁数据去噪网络进行训练，得到地磁数据去噪模型，所述地磁数据去噪网络包括DnCNN去噪卷积神经网络、多特征提取模块以及U?net网络，其中，所述根据所述至少一个地磁数据样本对对预设的改进U?Net的地磁数据去噪网络进行训练包括：将数据大小为1×1440×1的某一加噪地磁数据段经过DnCNN去噪卷积神经网络处理，并将处理得到数据大小为1×1440×1的去噪地磁数据输入至多特征提取模块，得到数据大小为4×1440×1的第一输出结果，再将第一输出结果与所述某一加噪地磁数据段横向拼接，得到拼接后数据大小为5×1440×1的第二输出结果输入至U?net网络，所述U?net网络输出预测去噪地磁数据段；
根据所述预测去噪地磁数据段与所述某一加噪地磁数据段对应的某一无噪地磁数据段分别对所述DnCNN去噪卷积神经网络、所述U?net网络的网络参数进行调整，得到地磁数据去噪模型；
分类模块，配置为获取待去噪地磁数据，并输入至地磁数据分类模型对待去噪地磁数据进行分类，得到至少一个含噪地磁数据段和至少一个高质量地磁数据段；
拼接模块，配置为将至少一个含噪地磁数据段输入至地磁数据去噪模型中，得到至少一个去噪地磁数据段，并将至少一个去噪地磁数据段和至少一个高质量地磁数据段按照时间顺序进行拼接，得到完整的去噪地磁信号。
5.一种电子设备，其特征在于，包括：至少一个处理器，以及与所述至少一个处理器通信连接的存储器，其中，所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行权利要求1至3任一项所述的方法。
6.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述程序被处理器执行时实现权利要求1至3任一项所述的方法。 说明书 : 一种地磁信号噪声压制方法及系统技术领域[0001] 本发明属于人工智能与地磁信号降噪技术领域，尤其涉及一种地磁信号噪声压制方法及系统。背景技术[0002] 地磁数据在地震预报、地幔电导率成像等领域得到广泛应用。但随着城市化比例的不断提高，人文噪声的时空分布范围及强度与日俱增，地磁台站观测信号受人文噪声的污染问题愈发严重，极大地影响了地震预报的准确性，也严重限制了地磁测深法的分辨率与可靠性。对地磁台站观测到的数据进行噪声抑制变得愈发重要。发明内容[0003] 本发明提供一种地磁信号噪声压制方法及系统，用于解决地磁台站观测信号容易受人文噪声污染，导致严重限制了地磁测深法的分辨率与可靠性的技术问题。[0004] 第一方面，本发明提供一种地磁信号噪声压制方法，其特征在于，包括：[0005] 获取至少一个地磁数据及与至少一个地磁数据对应的分类标签，并根据至少一个地磁数据及与至少一个地磁数据对应的分类标签对预设的ResNet深度残差地磁数据分类网络进行训练，得到地磁数据分类模型；[0006] 获取至少一个地磁数据样本对，所述至少一个地磁数据样本对包括至少一个无噪地磁数据段以及与所述至少一个无噪地磁数据段对应的加噪地磁数据段；[0007] 根据所述至少一个地磁数据样本对对预设的改进U?Net的地磁数据去噪网络进行训练，得到地磁数据去噪模型，所述地磁数据去噪网络包括DnCNN去噪卷积神经网络、多特征提取模块以及U?net网络，其中，所述根据所述至少一个地磁数据样本对对预设的改进U?Net的地磁数据去噪网络进行训练包括：[0008] 将数据大小为1×1440×1的某一加噪地磁数据段经过DnCNN去噪卷积神经网络处理，并将处理得到数据大小为1×1440×1的去噪地磁数据输入至多特征提取模块，得到数据大小为4×1440×1的第一输出结果，再将输出结果与所述某一加噪地磁数据段横向拼接，得到拼接后数据大小为5×1440×1的第二输出结果输入至U?net网络，所述U?net网络输出预测去噪地磁数据段；[0009] 根据所述预测去噪地磁数据段与所述某一加噪地磁数据段对应的某一无噪地磁数据段分别对所述DnCNN去噪卷积神经网络、所述U?net网络的网络参数进行调整，得到地磁数据去噪模型；[0010] 获取待去噪地磁数据，并输入至地磁数据分类模型对待去噪地磁数据进行分类，得到至少一个含噪地磁数据段和至少一个高质量地磁数据段；[0011] 将至少一个含噪地磁数据段输入至地磁数据去噪模型中，得到至少一个去噪地磁数据段，并将至少一个去噪地磁数据段和至少一个高质量地磁数据段按照时间顺序进行拼接，得到完整的去噪地磁信号。[0012] 第二方面，本发明提供一种地磁信号噪声压制系统，包括：[0013] 第一获取模块，配置为获取至少一个地磁数据及与至少一个地磁数据对应的分类标签，并根据至少一个地磁数据及与至少一个地磁数据对应的分类标签对预设的ResNet深度残差地磁数据分类网络进行训练，得到地磁数据分类模型；[0014] 第二获取模块，配置为获取至少一个地磁数据样本对，所述至少一个地磁数据样本对包括至少一个无噪地磁数据段以及与所述至少一个无噪地磁数据段对应的加噪地磁数据段；[0015] 训练处理模块，配置为根据所述至少一个地磁数据样本对对预设的改进U?Net的地磁数据去噪网络进行训练，得到地磁数据去噪模型，所述地磁数据去噪网络包括DnCNN去噪卷积神经网络、多特征提取模块以及U?net网络，其中，所述根据所述至少一个地磁数据样本对对预设的改进U?Net的地磁数据去噪网络进行训练包括：[0016] 将数据大小为1×1440×1的某一加噪地磁数据段经过DnCNN去噪卷积神经网络处理，并将处理得到数据大小为1×1440×1的去噪地磁数据输入至多特征提取模块，得到数据大小为4×1440×1的第一输出结果，再将输出结果与所述某一加噪地磁数据段横向拼接，得到拼接后数据大小为5×1440×1的第二输出结果输入至U?net网络，所述U?net网络输出预测去噪地磁数据段；[0017] 根据所述预测去噪地磁数据段与所述某一加噪地磁数据段对应的某一无噪地磁数据段分别对所述DnCNN去噪卷积神经网络、所述U?net网络的网络参数进行调整，得到地磁数据去噪模型；[0018] 分类模块，配置为获取待去噪地磁数据，并输入至地磁数据分类模型对待去噪地磁数据进行分类，得到至少一个含噪地磁数据段和至少一个高质量地磁数据段；[0019] 拼接模块，配置为将至少一个含噪地磁数据段输入至地磁数据去噪模型中，得到至少一个去噪地磁数据段，并将至少一个去噪地磁数据段和至少一个高质量地磁数据段按照时间顺序进行拼接，得到完整的去噪地磁信号。[0020] 第三方面，提供一种电子设备，其包括：至少一个处理器，以及与所述至少一个处理器通信连接的存储器，其中，所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行本发明任一实施例的地磁信号噪声压制方法的步骤。[0021] 第四方面，本发明还提供一种计算机可读存储介质，其上存储有计算机程序，所述程序指令被处理器执行时，使所述处理器执行本发明任一实施例的地磁信号噪声压制方法的步骤。[0022] 本申请的地磁信号噪声压制方法及系统，使用地磁数据去噪模型对地磁数据预处理，辨识得到干扰数据和无干扰数据，能够有效避免有用信息丢失，同时使用地磁数据去噪模型对干扰数据进行大尺度噪声干扰压制，并且把DnCNN去噪卷积神经网络处理之后的数据输入至多特征提取模块，然后与原始含噪数据横向拼接后再送入U?net网络，同时，为了防止因为卷积而损失的关键特征，将输入的原始数据跳跃连接到U?net网络的输出，此外，在DnCNN去噪卷积神经网络和U?net网络之间创造性地加入多特征提取模块，并行地使用多个不同尺寸的卷积核，能够同时捕捉到不同尺度的特征，不仅融合了DnCNN去噪卷积神经网络和U?net网络的优势，还利用残差网络跳跃连接的结构，防止网络退化，提高了地磁数据去噪精度，解决了现有去噪方法需要人工干预，效率低下，易造成主观偏差的问题。附图说明[0023] 为了更清楚地说明本发明实施例的技术方案，下面将对实施例描述中所需要使用的附图作一简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。[0024] 图1为本发明一实施例提供的一种地磁信号噪声压制方法的流程图；[0025] 图2为本发明一实施例提供一个具体实施例的改进的U?Net网络、U?Net网络、DnCNN网络损失曲线比对图；[0026] 图3为本发明一实施例提供一个具体实施例的深度残差网络训练精度和损失图；[0027] 图4为实测数据处理前后的时间序列效果图；[0028] 图5为实测数据处理前后的倾子曲线图；[0029] 图6为本发明一实施例提供的一种地磁信号噪声压制系统的结构框图；[0030] 图7是本发明一实施例提供的电子设备的结构示意图。具体实施方式[0031] 为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。[0032] 请参阅图1，其示出了本申请的一种地磁信号噪声压制方法的流程图。[0033] 如图1所示，地磁信号噪声压制方法具体包括以下步骤：[0034] 步骤S101，获取至少一个地磁数据及与至少一个地磁数据对应的分类标签，并根据至少一个地磁数据及与至少一个地磁数据对应的分类标签对预设的ResNet深度残差地磁数据分类网络进行训练，得到地磁数据分类模型。[0035] 在本步骤中，获取历史地磁数据，将历史地磁数据按照相同长度进行分段，将每一个数据段作为一个样本以及标记样本的分类标签，得到噪声数据段和/或去噪数据段；构建ResNet深度残差地磁数据分类网络，并将噪声数据段和/或去噪数据段输入至ResNet深度残差地磁数据分类网络中进行训练，得到地磁数据分类模型。[0036] 需要说明的是，ResNet深度残差网络包括输入层、隐藏层以及输出层；[0037] 输入层的数据大小为通道数乘以样本尺寸，即1×1440×1；[0038] 隐藏层包括卷积层、BN层、最大池化层、恒等残差块以及卷积残差块，恒等残差块中包含两个一维卷积模块和一个恒等模块连接，恒等残差块的输入和输出具备相同的通道数，卷积残差块中包含两个一维卷积模块和一个一维逐点卷积模块，卷积残差块通过卷积核尺寸为1的卷积改变通道数，使卷积残差块的输入和输出具备相同的通道数；[0039] 卷积层包括第一卷积层和第二卷积层，第一卷积层的计算步骤为：使用64个尺寸为4×1的卷积核对训练样本进行一维卷积，并使用Relu激活函数激活，输出第一卷积层的结果；第二卷积层的计算步骤为：使用64个尺寸为4×1的卷积核对训练样本进行一维卷积，并使用Relu激活函数激活，输出第二卷积层的结果；[0040] BN层的计算步骤为：使用批归一化方法处理第一卷积层的结果；[0041] 最大池化层包括第一最大池化层、第二最大池化层、第三最大池化层和第四最大池化层，第一最大池化层的计算步骤为：使用尺寸为2×1、步长为1的最大值筛。坏诙最大池化层、第三最大池化层、第四最大池化层的计算步骤均为：使用尺寸为3×1、步长为1的最大值筛。籟0042] 恒等残差块包括第一恒等残差块、第二恒等残差块、第三恒等残差块、第四恒等残差块和第五恒等残差块；[0043] 卷积残差块包括第一卷积残差块、第二卷积残差块和第三卷积残差块；[0044] 第一恒等残差块的计算步骤为：使用64个尺寸为3×1的卷积核对第一最大池化层的结果进行一维卷积，并使用Relu激活函数激活，再次使用64个尺寸为3×1的卷积核对第一恒等残差块第一次卷积的激活值进行一维卷积，将第一最大池化层的输出和第一恒等残差块第二次未激活的一维卷积进行求和，并使用Relu激活函数激活，输出第一恒等残差块的结果；[0045] 第二恒等残差块的计算步骤为：使用64个尺寸为3×1的卷积核对第一恒等残差块的结果进行一维卷积，并使用Relu激活函数激活，再使用64个尺寸为3×1的卷积核对第二恒等残差块第一次卷积的激活值进行一维卷积，将第一恒等残差块的输出和第二恒等残差块第二次未激活的一维卷积进行求和，并使用Relu激活函数激活，输出第二恒等残差块的结果；[0046] 第三恒等残差块的计算步骤为：使用128个尺寸为3×1的卷积核对第一卷积残差块的结果进行一维卷积，并使用Relu激活函数激活，再使用128个尺寸为3×1的卷积核对第三恒等残差块第一次卷积的激活值进行一维卷积，将第一卷积残差块的输出和第三恒等残差块第二次未激活的一维卷积进行求和，并使用Relu激活函数激活，输出第三恒等残差块的结果；[0047] 第四恒等残差块的计算步骤为：使用256个尺寸为3×1的卷积核对第二卷积残差块的结果进行一维卷积，并使用Relu激活函数激活；第二，再使用256个尺寸为3×1的卷积核对第四恒等残差块第一次卷积的激活值进行一维卷积，将第二卷积残差块的输出和第四恒等残差块第二次未激活的一维卷积进行求和，并使用Relu激活函数激活，输出第四恒等残差块的结果；[0048] 第五恒等残差块的计算步骤为：使用512个尺寸为3×1的卷积核对第三卷积残差块的结果进行一维卷积，并使用Relu激活函数激活；再使用512个尺寸为3×1的卷积核对第五恒等残差块第一次卷积的激活值进行一维卷积，将第三卷积残差块的输出和第五恒等残差块第二次未激活的一维卷积进行求和，并使用Relu激活函数激活，输出第五恒等残差块的结果；[0049] 第一卷积残差块的计算步骤为：使用128个尺寸为3×1的卷积核对第二最大池化层的结果分别进行步长为2的一维卷积和一维逐点卷积，一维卷积使用Relu激活函数激活，逐点卷积不激活，再使用128个尺寸为3×1的卷积核对第一卷积残差块第一次卷积的激活值进行一维卷积，将第一卷积残差块逐点卷积的结果和第一卷积残差块第二次未激活的一维卷积进行求和，并使用Relu激活函数激活，输出第一卷积残差块的结果；[0050] 第二卷积残差块的计算步骤为：使用256个尺寸为3×1的卷积核对第三最大池化层的结果分别进行步长为2的一维卷积和一维逐点卷积，一维卷积使用Relu激活函数激活，逐点卷积不激活，再使用256个尺寸为3×1的卷积核对第二卷积残差块第一次卷积的激活值进行一维卷积，将第二卷积残差块逐点卷积的结果和第二卷积残差块第二次未激活的一维卷积进行求和，并使用Relu激活函数激活，输出第二卷积残差块的结果；[0051] 第三卷积残差块的计算步骤为：使用512个尺寸为3×1的卷积核对第四最大池化层的结果分别进行步长为2的一维卷积和一维逐点卷积，一维卷积使用Relu激活函数激活，逐点卷积不激活，再使用512个尺寸为3×1的卷积核对第三卷积残差块第一次卷积的激活值进行一维卷积，将第三卷积残差块逐点卷积的结果和第三卷积残差块第二次未激活的一维进行求和，并使用Relu激活函数激活，输出第三卷积残差块的结果。[0052] 最后，深度残差网络的输出层由1个Flatten层和1个全连接Dense层构成。Flatten层将最大池化层的结果展平为1×92160的一维序列；Dense层含有2个神经元且使用Sigmoid函数激活。输出层输出的是所述类别的概率，从而得到样本的分类结果，即噪声或高质量。[0053] 综上，本实施例的地磁数据分类模型训练过程中选择用Adam优化器，其中Batchsize为256、全连接层的随机失活率为0.8以及初始学习率为0.0001，同时使用ReduceLROnPlateau衰减策略来调节学习率：首先监测训练过程中的验证损失的变化，若出现验证损失变大情况，该策略会调整学习率，使之衰减为当前的80％，若验证损失保持下降就不需要改变学习率，直至整个训练过程结束。共计训练80个epoch。其他可行的实施例中，对此不进行具体的限定，可以选择其他优化器。[0054] 图2是地磁数据分类模型训练过程中的精度及损失变化，其中，实线代表训练集在模型训练过程中精度及损失的变化，虚线代表验证集在模型经过训练集训练后精度及损失的变化。从曲线形态看，随着训练次数的增加，模型的精度也在逐步上升，模型的损失值也在逐步下降，最终也趋于稳定，这表明模型所学习到的数据特征由增长到收敛的趋势，模型对于数据的适应性在增长，模型的误差在下降。[0055] 步骤S102，获取至少一个地磁数据样本对，所述至少一个地磁数据样本对包括至少一个无噪地磁数据段以及与所述至少一个无噪地磁数据段对应的加噪地磁数据段。[0056] 步骤S103，根据所述至少一个地磁数据样本对对预设的改进U?Net的地磁数据去噪网络进行训练，得到地磁数据去噪模型，所述地磁数据去噪网络包括DnCNN去噪卷积神经网络、多特征提取模块以及U?net网络。[0057] 在本步骤中，根据至少一个地磁数据样本对预设的改进U?Net的地磁数据去噪网络进行训练包括：将数据大小为1×1440×1的某一加噪地磁数据段经过DnCNN去噪卷积神经网络处理，并将处理得到数据大小为1×1440×1的去噪地磁数据输入至多特征提取模块，得到数据大小为4×1440×1的第一输出结果，再将输出结果与某一加噪地磁数据段横向拼接，得到拼接后数据大小为5×1440×1的第二输出结果输入至U?net网络，U?net网络输出预测去噪地磁数据段；根据预测去噪地磁数据段与某一加噪地磁数据段对应的某一无噪地磁数据段分别对DnCNN去噪卷积神经网络、U?net网络的网络参数进行调整，得到地磁数据去噪模型。[0058] 需要说明的是，DnCNN去噪卷积神经网络包括由一个卷积层和一个ReLU激活函数构成的第一层网络结构；由一个卷积层、一个批量归一化层和一个ReLU激活函数组成的CBR模块以及由一个卷积层和一个线性连接层构成的输出层。[0059] 多特征提取模块包括至少一个卷积层以及与至少一个并行连接的池化层，至少一个卷积层的卷积路径包括用于提取局部时空特征的1×3卷积路径、用于提取中等范围的时空特征的1×5卷积路径以及用于提取更宽范围的时空特征的1×7卷积路径；池化层的池化路径包括用于融合局部范围的时空特征的1×3最大值池化路径。[0060] U?net网络包括输入层、隐藏层和输出层；[0061] 输入层将加噪地磁数据段与经过多特征提取模块的输出结果进行横向合并，输入层的数据大小为通道数乘以输入样本尺寸，即5×1440×1；[0062] 隐藏层包括卷积层、平均池化层、反卷积层、跳跃连接层；[0063] 卷积层包括第一卷积层、第二卷积层、第三卷积层、第四卷积层、第五卷积层、第六卷积层、第七卷积层、第八卷积层、第九卷积层、第十卷积层、第十一卷积层、第十二卷积层、第十三卷积层、第十四卷积层、第十五卷积层；[0064] 第一卷积层、第二卷积层、第十三卷积层、第十四卷积层均是64个尺寸为3×1的卷积核和Relu激活函数，输出的数据大小为64×1440×1；第三卷积层、第四卷积层均是128个尺寸为3×1的卷积核和Relu激活函数，输出的数据大小为128×720×1；第五卷积层、第六卷积层、第七卷积层、第八卷积层、第九卷积层、第十卷积层、第十一卷积层、第十二卷积层均是256个尺寸为3×1的卷积核和Relu激活函数，输出的数据大小为256×360×1；第十五卷积层是1个尺寸为1×1的卷积核，输出的数据大小为1×1440×1；[0065] 平均池化层包括第一平均池化层和第二平均池化层；[0066] 第一平均池化层是一个卷积核为2×1、步长为2、填充为0的平均值筛。涑龅氖荽笮∥64×720×1；第二平均池化层是一个卷积核为2×1、步长为2、填充为0的平均值筛。涑龅氖荽笮∥128×360×1；[0067] 反卷积层包括第一反卷积层和第二反卷积层；[0068] 第一反卷积层是256个尺寸为2×1的卷积核、步长为2的一对多的映射关系，输出的数据大小为256×720×1；[0069] 第二反卷积层是128个尺寸为2×1的卷积核、步长为2的一对多的映射关系，输出的数据大小为128×1440×1；[0070] 跳跃连接层包括第一跳跃连接层和第二跳跃连接层；[0071] 第一跳跃连接层将第五卷积层、第六卷积层、第七卷积层、第八卷积层、第九卷积层、第十卷积层、第十一卷积层、第十二卷积层的输出和第一反卷积层的输出进行横向拼接，输出的数据大小为384×720×1；[0072] 第二跳跃连接层将第三卷积层、第四卷积层的输出和第二反卷积层的输出进行横向拼接，输出的数据大小为192×1440×1；[0073] 输出层由1个尺寸为1×1的卷积核改变通道数，输出的数据大小为1×1440×1。[0074] 综上，本实施例方法，把DnCNN去噪卷积神经网络处理之后的数据(形状是1×1440×1)输入至多特征提取模块(形状是4×1440×1)，然后与原始含噪数据横向拼接后(形状是5×1440×1)再送入U?net网络，同时，为了弥补因为卷积而损失的关键特征，将输入的原始数据跳跃连接到U?net网络的输出(形状是1×1440×1)，将特征进行融合后输出(形状是1×1440×1)。不仅融合了DnCNN和U?net的优势，还利用残差网络跳跃连接的结构，防止网络退化。[0075] 在一个具体实施例中，将制作好的样本库随机地打乱顺序，然后分别输入到ImprovedU?Net、U?Net以及DnCNN网络中进行训练。训练时，三种网络采用相同的参数，具体设置如下：Batchsize为80，选择Adam优化器，学习率为0.001％，损失函数为均方误差函数(MeanSquareError,MSE)，epoch设置为300。训练结果如图3所示，DnCNN网络虽然实现收敛，但其收敛后损失值明显高于其他两种网络。ImprovedU?Net和U?Net网络也实现了收敛，且ImprovedU?Net的损失值略低于改进前的U?Net。最终改进后的U?Net其训练集损失值为0.00033516％，验证集损失值为0.00068385％。损失值表示预测值和真实值之间的不一致程度。通常来说，越小的损失值意味着模型具有更好的去噪效果。[0076] 步骤S104，获取待去噪地磁数据，并输入至地磁数据分类模型对待去噪地磁数据进行分类，得到至少一个含噪地磁数据段和至少一个高质量地磁数据段。[0077] 步骤S105，将至少一个含噪地磁数据段输入至地磁数据去噪模型中，得到至少一个去噪地磁数据段，并将至少一个去噪地磁数据段和至少一个高质量地磁数据段按照时间顺序进行拼接，得到完整的去噪地磁信号。[0078] 在一个具体实施例中，图4和图5为JGU台站的处理结果，该台站位于云南省**县。高质量数据的观测时间为2018年3月2日到4月12日，该数据时间域没有明显的突变，倾子曲线也较为连续光滑；含噪数据观测时间为2018年1月8日到2月26日，该数据在时间域和频率域均具有明显的突变成分。如图4所示为典型含噪片段的去噪效果。三个分量的数据均受到了强冲击类噪声的污染，强噪声存在于不同通道的时间相刻，且噪声波形高度相似，表明噪声为相关噪声。所提方法有效的去除了幅度异常大冲击噪声以及幅度较弱的随机噪声，去噪后信号的基线与原始信号保持高度一致，但是更为光滑。[0079] 如图5所示为JGU台站的倾子曲线。其中a和d为高质量时段数据估算的曲线，b和e为含噪数据估算的曲线；c和f是所提方法去噪后信号估算的曲线。去噪前，倾子曲线在2000秒以下畸变严重，误差棒很大。去噪后的数据估算的曲线较为光滑，误差棒减少到很。矣敫咧柿渴莨浪愕那呦嗨。从倾子曲线的变化可知，所提方法有效、准确的去除了观测信号中的强噪声。[0080] 综上，本申请的方法，使用地磁数据去噪模型对地磁数据预处理，辨识得到干扰数据和无干扰数据，能够有效避免有用信息丢失，同时使用地磁数据去噪模型对干扰数据进行大尺度噪声干扰压制，并且把DnCNN去噪卷积神经网络处理之后的数据输入至多特征提取模块，然后与原始含噪数据横向拼接后再送入U?net网络，同时，为了防止因为卷积而损失的关键特征，将输入的原始数据跳跃连接到U?net网络的输出，此外，在DnCNN去噪卷积神经网络和U?net网络之间创造性地加入多特征提取模块，并行地使用多个不同尺寸的卷积核，能够同时捕捉到不同尺度的特征，不仅融合了DnCNN去噪卷积神经网络和U?net网络的优势，还利用残差网络跳跃连接的结构，防止网络退化，提高了地磁数据去噪精度，解决了现有去噪方法需要人工干预，效率低下，易造成主观偏差的问题。[0081] 请参阅图6，其示出了本申请的一种地磁信号噪声压制系统的结构框图。[0082] 如图6所示，地磁信号噪声压制系统200，包括第一获取模块210、第二获取模块220、训练处理模块230、分类模块240以及拼接模块250。[0083] 其中，第一获取模块210，配置为获取至少一个地磁数据及与至少一个地磁数据对应的分类标签，并根据至少一个地磁数据及与至少一个地磁数据对应的分类标签对预设的ResNet深度残差地磁数据分类网络进行训练，得到地磁数据分类模型；[0084] 第二获取模块220，配置为获取至少一个地磁数据样本对，所述至少一个地磁数据样本对包括至少一个无噪地磁数据段以及与所述至少一个无噪地磁数据段对应的加噪地磁数据段；[0085] 训练处理模块230，配置为根据所述至少一个地磁数据样本对对预设的改进U?Net的地磁数据去噪网络进行训练，得到地磁数据去噪模型，所述地磁数据去噪网络包括DnCNN去噪卷积神经网络、多特征提取模块以及U?net网络，其中，所述根据所述至少一个地磁数据样本对对预设的改进U?Net的地磁数据去噪网络进行训练包括：[0086] 将数据大小为1×1440×1的某一加噪地磁数据段经过DnCNN去噪卷积神经网络处理，并将处理得到数据大小为1×1440×1的去噪地磁数据输入至多特征提取模块，得到数据大小为4×1440×1的第一输出结果，再将输出结果与所述某一加噪地磁数据段横向拼接，得到拼接后数据大小为5×1440×1的第二输出结果输入至U?net网络，所述U?net网络输出预测去噪地磁数据段；[0087] 根据所述预测去噪地磁数据段与所述某一加噪地磁数据段对应的某一无噪地磁数据段分别对所述DnCNN去噪卷积神经网络、所述U?net网络的网络参数进行调整，得到地磁数据去噪模型；[0088] 分类模块240，配置为获取待去噪地磁数据，并输入至地磁数据分类模型对待去噪地磁数据进行分类，得到至少一个含噪地磁数据段和至少一个高质量地磁数据段；[0089] 拼接模块250，配置为将至少一个含噪地磁数据段输入至地磁数据去噪模型中，得到至少一个去噪地磁数据段，并将至少一个去噪地磁数据段和至少一个高质量地磁数据段按照时间顺序进行拼接，得到完整的去噪地磁信号。[0090] 应当理解，图6中记载的诸模块与参考图1中描述的方法中的各个步骤相对应。由此，上文针对方法描述的操作和特征以及相应的技术效果同样适用于图6中的诸模块，在此不再赘述。[0091] 在另一些实施例中，本发明实施例还提供了一种计算机可读存储介质，其上存储有计算机程序，所述程序指令被处理器执行时，使所述处理器执行上述任意方法实施例中的地磁信号噪声压制方法；[0092] 作为一种实施方式，本发明的计算机可读存储介质存储有计算机可执行指令，计算机可执行指令设置为：[0093] 获取至少一个地磁数据及与至少一个地磁数据对应的分类标签，并根据至少一个地磁数据及与至少一个地磁数据对应的分类标签对预设的ResNet深度残差地磁数据分类网络进行训练，得到地磁数据分类模型；[0094] 获取至少一个地磁数据样本对，所述至少一个地磁数据样本对包括至少一个无噪地磁数据段以及与所述至少一个无噪地磁数据段对应的加噪地磁数据段；[0095] 根据所述至少一个地磁数据样本对对预设的改进U?Net的地磁数据去噪网络进行训练，得到地磁数据去噪模型，所述地磁数据去噪网络包括DnCNN去噪卷积神经网络、多特征提取模块以及U?net网络，其中，所述根据所述至少一个地磁数据样本对对预设的改进U?Net的地磁数据去噪网络进行训练包括：[0096] 将数据大小为1×1440×1的某一加噪地磁数据段经过DnCNN去噪卷积神经网络处理，并将处理得到数据大小为1×1440×1的去噪地磁数据输入至多特征提取模块，得到数据大小为4×1440×1的第一输出结果，再将输出结果与所述某一加噪地磁数据段横向拼接，得到拼接后数据大小为5×1440×1的第二输出结果输入至U?net网络，所述U?net网络输出预测去噪地磁数据段；[0097] 根据所述预测去噪地磁数据段与所述某一加噪地磁数据段对应的某一无噪地磁数据段分别对所述DnCNN去噪卷积神经网络、所述U?net网络的网络参数进行调整，得到地磁数据去噪模型；[0098] 获取待去噪地磁数据，并输入至地磁数据分类模型对待去噪地磁数据进行分类，得到至少一个含噪地磁数据段和至少一个高质量地磁数据段；[0099] 将至少一个含噪地磁数据段输入至地磁数据去噪模型中，得到至少一个去噪地磁数据段，并将至少一个去噪地磁数据段和至少一个高质量地磁数据段按照时间顺序进行拼接，得到完整的去噪地磁信号。[0100] 计算机可读存储介质可以包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需要的应用程序；存储数据区可存储根据地磁信号噪声压制系统的使用所创建的数据等。此外，计算机可读存储介质可以包括高速随机存取存储器，还可以包括存储器，例如至少一个磁盘存储器件、闪存器件、或其他非易失性固态存储器件。在一些实施例中，计算机可读存储介质可选包括相对于处理器远程设置的存储器，这些远程存储器可以通过网络连接至地磁信号噪声压制系统。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。[0101] 图7是本发明实施例提供的电子设备的结构示意图，如图7所示，该设备包括：一个处理器310以及存储器320。电子设备还可以包括：输入装置330和输出装置340。处理器310、存储器320、输入装置330和输出装置340可以通过总线或者其他方式连接，图7中以通过总线连接为例。存储器320为上述的计算机可读存储介质。处理器310通过运行存储在存储器320中的非易失性软件程序、指令以及模块，从而执行服务器的各种功能应用以及数据处理，即实现上述方法实施例地磁信号噪声压制方法。输入装置330可接收输入的数字或字符信息，以及产生与地磁信号噪声压制系统的用户设置以及功能控制有关的键信号输入。输出装置340可包括显示屏等显示设备。[0102] 上述电子设备可执行本发明实施例所提供的方法，具备执行方法相应的功能模块和有益效果。未在本实施例中详尽描述的技术细节，可参见本发明实施例所提供的方法。[0103] 作为一种实施方式，上述电子设备应用于地磁信号噪声压制系统中，用于客户端，包括：至少一个处理器；以及，与至少一个处理器通信连接的存储器；其中，存储器存储有可被至少一个处理器执行的指令，指令被至少一个处理器执行，以使至少一个处理器能够：[0104] 获取至少一个地磁数据及与至少一个地磁数据对应的分类标签，并根据至少一个地磁数据及与至少一个地磁数据对应的分类标签对预设的ResNet深度残差地磁数据分类网络进行训练，得到地磁数据分类模型；[0105] 获取至少一个地磁数据样本对，所述至少一个地磁数据样本对包括至少一个无噪地磁数据段以及与所述至少一个无噪地磁数据段对应的加噪地磁数据段；[0106] 根据所述至少一个地磁数据样本对对预设的改进U?Net的地磁数据去噪网络进行训练，得到地磁数据去噪模型，所述地磁数据去噪网络包括DnCNN去噪卷积神经网络、多特征提取模块以及U?net网络，其中，所述根据所述至少一个地磁数据样本对对预设的改进U?Net的地磁数据去噪网络进行训练包括：[0107] 将数据大小为1×1440×1的某一加噪地磁数据段经过DnCNN去噪卷积神经网络处理，并将处理得到数据大小为1×1440×1的去噪地磁数据输入至多特征提取模块，得到数据大小为4×1440×1的第一输出结果，再将输出结果与所述某一加噪地磁数据段横向拼接，得到拼接后数据大小为5×1440×1的第二输出结果输入至U?net网络，所述U?net网络输出预测去噪地磁数据段；[0108] 根据所述预测去噪地磁数据段与所述某一加噪地磁数据段对应的某一无噪地磁数据段分别对所述DnCNN去噪卷积神经网络、所述U?net网络的网络参数进行调整，得到地磁数据去噪模型；[0109] 获取待去噪地磁数据，并输入至地磁数据分类模型对待去噪地磁数据进行分类，得到至少一个含噪地磁数据段和至少一个高质量地磁数据段；[0110] 将至少一个含噪地磁数据段输入至地磁数据去噪模型中，得到至少一个去噪地磁数据段，并将至少一个去噪地磁数据段和至少一个高质量地磁数据段按照时间顺序进行拼接，得到完整的去噪地磁信号。[0111] 通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到各实施方式可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件。基于这样的理解，上述技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品可以存储在计算机可读存储介质中，如ROM/RAM、磁碟、光盘等，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行各个实施例或者实施例的某些部分的方法。[0112] 最后应说明的是：以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。

专利地区：江西

专利申请日期：2023-08-29

专利公开日期：2024-10-22

专利公告号：CN116953808B