本發(fā)明涉及地球物理勘探，尤其涉及一種基于深度學(xué)習(xí)的大地電磁死頻帶數(shù)據(jù)校正方法及系統(tǒng)。

背景技術(shù)：

1、大地電磁法(mt)是一種通過天然電磁場探測地下電性結(jié)構(gòu)的重要地球物理勘探技術(shù)，廣泛應(yīng)用于資源勘探、地質(zhì)災(zāi)害監(jiān)測等領(lǐng)域。然而，隨著人類活動(dòng)產(chǎn)生的電磁噪聲(如電力線諧波、工業(yè)設(shè)備干擾等)日益復(fù)雜，mt數(shù)據(jù)在采集過程中易受噪聲污染，導(dǎo)致中低頻段(0.05hz-5hz)形成“死頻帶”，嚴(yán)重影響視電阻率和相位曲線的準(zhǔn)確性。

2、現(xiàn)有的mt噪聲抑制方法包括遠(yuǎn)參考法、robust估計(jì)法及小波變換和稀疏表示方法(如ksvd)，遠(yuǎn)參考法依賴參考站與測點(diǎn)信號的噪聲不相關(guān)性，但在強(qiáng)噪聲環(huán)境下適用性受限；robust估計(jì)法通過剔除異常數(shù)據(jù)段降低噪聲影響，但對數(shù)據(jù)質(zhì)量要求較高；傳統(tǒng)小波變換和稀疏表示方法皆需人工選擇基函數(shù)或調(diào)參，存在主觀性強(qiáng)、適應(yīng)性差的問題。此外，現(xiàn)有方法難以有效處理方波、脈沖波等復(fù)雜噪聲類型，且無法實(shí)現(xiàn)端到端的自動(dòng)化處理。

3、近年來，深度學(xué)習(xí)技術(shù)在地球物理數(shù)據(jù)處理中展現(xiàn)出潛力，但其在大地電磁去噪中的應(yīng)用仍面臨以下挑戰(zhàn)：低頻有效信號易在去噪過程中被破壞；復(fù)雜噪聲類型難以精準(zhǔn)識別與分離。

技術(shù)實(shí)現(xiàn)思路

1、基于此，本發(fā)明的目的是提供一種基于深度學(xué)習(xí)的大地電磁死頻帶數(shù)據(jù)校正方法及系統(tǒng)，以解決現(xiàn)有技術(shù)中的不足。

2、為實(shí)現(xiàn)上述目的，本發(fā)明提供了一種基于深度學(xué)習(xí)的大地電磁死頻帶數(shù)據(jù)校正方法，所述方法包括：

3、對實(shí)測大地電磁數(shù)據(jù)進(jìn)行分段處理，得到多個(gè)原始片段，通過dncnn-gru網(wǎng)絡(luò)對各所述原始片段進(jìn)行處理，以提取出低頻有效信號，并分離出高頻含噪信號；

4、通過inceptcn網(wǎng)絡(luò)模型對所述高頻含噪信號進(jìn)行識別分類處理，以識別出第一高質(zhì)量片段和含噪片段，并通過ivit網(wǎng)絡(luò)模型對所述含噪片段進(jìn)行去噪處理，以得到第二高質(zhì)量片段；

5、將所述第一高質(zhì)量片段和所述第二高質(zhì)量片段進(jìn)行拼接，得到拼接片段，將所述拼接片段與所述低頻有效信號進(jìn)行合并重構(gòu)，得到重構(gòu)信號。

6、本發(fā)明的有益效果是：通過對大地電磁數(shù)據(jù)進(jìn)行分段處理，并通過dncnn-gru網(wǎng)絡(luò)對分段后的原始片段進(jìn)行處理，以提出到低頻有效信號和高頻含噪信號，然后通過inceptcn網(wǎng)絡(luò)模型對高頻含噪信號進(jìn)行識別分類處理，以識別出第一高質(zhì)量片段和含噪片段，再通過ivit網(wǎng)絡(luò)模型對含噪片段進(jìn)行去噪處理，得到第二高質(zhì)量片段，再將第一高質(zhì)量片段和第二高質(zhì)量片段進(jìn)行拼接，得到拼接片段，將拼接片段與低頻有效信號進(jìn)行合并重構(gòu)，得到重構(gòu)信號，區(qū)別于現(xiàn)有技術(shù)，通過inceptcn與ivit的級聯(lián)設(shè)計(jì)，實(shí)現(xiàn)從低頻保護(hù)、噪聲分類到去噪的全流程自動(dòng)化，能夠避免人工調(diào)參，顯著提升了復(fù)雜噪聲的識別與抑制精度。

7、進(jìn)一步的，所述通過inceptcn網(wǎng)絡(luò)模型對所述高頻含噪信號進(jìn)行識別分類處理之前，所述方法包括：

8、在tcn網(wǎng)絡(luò)中添加inception模塊，以形成初始inceptcn網(wǎng)絡(luò)模型；

9、基于預(yù)設(shè)訓(xùn)練參數(shù)，并通過第一樣本庫對所述初始inceptcn網(wǎng)絡(luò)模型訓(xùn)練，得到inceptcn網(wǎng)絡(luò)模型，其中，所述訓(xùn)練參數(shù)為：epoch設(shè)定為300，batch?size為128，初始學(xué)習(xí)率為0.00001，且每經(jīng)過10個(gè)訓(xùn)練輪回，學(xué)習(xí)率衰減90％。

10、進(jìn)一步的，所述通過inceptcn網(wǎng)絡(luò)模型對所述高頻含噪信號進(jìn)行識別分類處理的步驟包括：

11、通過所述inception模塊對輸入的所述高頻含噪信號并行使用不同的卷積核進(jìn)行卷積操作和池化操作，得到多個(gè)卷積輸出和池化輸出，并將多個(gè)所述卷積輸出和多個(gè)所述池化輸出進(jìn)行拼接，以得到多個(gè)時(shí)間尺度的所述高頻含噪信號的初始特征，其中，通過所述inception模塊對輸入的所述高頻含噪信號處理的表達(dá)式如下所示：

12、inception(x)＝[conv(x,k×k),...,maxpool(x,k×k)]

13、其中，inception(x)表示所述高頻含噪信號的初始特征，conv(x,k×k)表示使用k×k卷積核對輸入數(shù)據(jù)x進(jìn)行卷積操作，maxpool(x,k×k)表示對輸入數(shù)據(jù)x進(jìn)行k×k的最大池化操作；

14、通過所述tcn網(wǎng)絡(luò)對多個(gè)所述高頻含噪信號的初始特征進(jìn)行膨脹卷積操作，得到不同時(shí)間尺度的所述高頻含噪信號的目標(biāo)特征，其中，給定一個(gè)輸入序列x＝[x1,x2,x3,x4,...,xt]，所述膨脹卷積操作的表達(dá)式如下所示：

15、

16、其中，yt表示第t個(gè)時(shí)間步的輸出，wi表示卷積核的權(quán)重，k表示卷積核的長度，xt-i表示輸出序列中的當(dāng)前時(shí)間步t對應(yīng)的過去值，d是膨脹因子。

17、進(jìn)一步的，所述inceptcn網(wǎng)絡(luò)模型包括輸入層、隱藏層和輸出層，所述隱藏層包括1層批量歸一化層、2層卷積層、3個(gè)所述inception模塊、4層最大池化層以及6個(gè)殘差塊，所述inceptcn網(wǎng)絡(luò)模型的網(wǎng)絡(luò)結(jié)構(gòu)的單通道的長度為75個(gè)數(shù)據(jù)點(diǎn)；

18、所述通過第一樣本庫對所述初始inceptcn網(wǎng)絡(luò)模型訓(xùn)練的步驟包括：

19、通過所述輸入層將第一樣本庫中的樣本數(shù)據(jù)輸入至所述隱藏層中，所述第一樣本庫中的樣本數(shù)據(jù)依次經(jīng)過一維卷積層、批量歸一化層和一維卷積層后，得到第一數(shù)據(jù)；

20、所述第一數(shù)據(jù)依次通過三組結(jié)構(gòu)組后，得到第二數(shù)據(jù)，其中，所述結(jié)構(gòu)組包括所述最大池化層、所述inception模塊和兩個(gè)所述殘差塊；

21、所述第二數(shù)據(jù)經(jīng)過所述輸出層后，以輸出第三數(shù)據(jù)，所述第三數(shù)據(jù)用于輸入到全連接層進(jìn)行分類操作，所述輸出層包括flatten層，所述flatten層用于將所述隱藏層輸出的數(shù)據(jù)展平。

22、進(jìn)一步的，所述通過ivit網(wǎng)絡(luò)模型對所述含噪片段進(jìn)行去噪處理之前，所述方法還包括：

23、基于第二預(yù)設(shè)訓(xùn)練參數(shù)，并通過第二樣本庫對vit網(wǎng)絡(luò)模型進(jìn)行訓(xùn)練，得到ivit網(wǎng)絡(luò)模型，其中，所述第二預(yù)設(shè)訓(xùn)練參數(shù)為：epoch設(shè)為600，batchsize設(shè)為40，初始學(xué)習(xí)率為0.000001，且每10次迭代循環(huán)，學(xué)習(xí)率下降90％。

24、進(jìn)一步的，所述通過第二樣本庫對vit網(wǎng)絡(luò)模型進(jìn)行訓(xùn)練的步驟包括：

25、改變vit網(wǎng)絡(luò)模型中的多頭自注意力子模塊中用于對數(shù)據(jù)進(jìn)行全連接時(shí)的維度來適應(yīng)所用的一維數(shù)據(jù)，得到初始ivit網(wǎng)絡(luò)模型；

26、對所述第二樣本庫中的樣本數(shù)據(jù)進(jìn)行分割，得到多個(gè)樣本片段，將所述樣本片段嵌入至所述初始ivit網(wǎng)絡(luò)模型中，并對所述樣本片段相對應(yīng)的位置進(jìn)行嵌入，得到嵌入結(jié)果；

27、將所述嵌入結(jié)果相疊加，將疊加結(jié)果輸入至轉(zhuǎn)換器編碼模塊中進(jìn)行訓(xùn)練，其中，所述轉(zhuǎn)換器編碼模塊劃分為所述多頭自注意力子模塊和多層感知機(jī)子模塊，所述疊加結(jié)果依次經(jīng)過所述多頭自注意力子模塊和所述多層感知機(jī)子模塊后輸出相應(yīng)輸出數(shù)據(jù)；

28、通過殘差連接將所述輸出數(shù)據(jù)與相應(yīng)的所述樣本片段相疊加，得到最終數(shù)據(jù)，以完成單次模型訓(xùn)練，基于多個(gè)所述樣本片段的順序依次進(jìn)行多次模型訓(xùn)練，以得到最終的ivit網(wǎng)絡(luò)模型。

29、進(jìn)一步的，所述多頭自注意力子模塊的多頭自注意力機(jī)制用相關(guān)公式表示如下：

30、headi＝attention(qwiq,kwik,vwiv)

31、multihead(q,k,v)＝concat(head1,…,headh)

32、其中，i表示頭的數(shù)量，i＝(1,…,h)，wiq，wik,wiv分別表示q、k、v在對應(yīng)頭i處的學(xué)習(xí)參數(shù)，head1表示注意力頭1，headh表示最后的注意力頭h，q表示查詢矩陣，k表示鍵矩陣，v表示值矩陣，multihead(q，k，v)表示經(jīng)過多頭自注意力機(jī)制計(jì)算出對應(yīng)的頭輸出，之后把h個(gè)輸出經(jīng)過拼接操作后得到最終輸出數(shù)。

33、進(jìn)一步的，所述方法還包括：

34、對歷史大地電磁數(shù)據(jù)樣本進(jìn)行分段處理，得到若干歷史數(shù)據(jù)段，對若干所述歷史數(shù)據(jù)段進(jìn)行篩選，以選取出若干高質(zhì)量數(shù)據(jù)和若干噪聲數(shù)據(jù)，其中，各所述高質(zhì)量數(shù)據(jù)和各所述噪聲數(shù)據(jù)分別匹配一種標(biāo)簽；

35、根據(jù)第一需求，并通過增廣技術(shù)對所述高質(zhì)量數(shù)據(jù)和所述噪聲數(shù)據(jù)進(jìn)行增廣操作，增廣后的所述高質(zhì)量數(shù)據(jù)和所述噪聲數(shù)據(jù)一一配對，得到若干第一樣本對，基于若干所述第一樣本對構(gòu)建得到第一樣本庫，并以第一預(yù)設(shè)比例值將若干所述第一樣本對劃分為訓(xùn)練集和驗(yàn)證集，其中，所述高質(zhì)量數(shù)據(jù)和所述噪聲數(shù)據(jù)的長度皆為75；

36、根據(jù)第二需求，并通過增廣技術(shù)對所述高質(zhì)量數(shù)據(jù)和所述噪聲數(shù)據(jù)進(jìn)行增廣操作，增廣后的所述高質(zhì)量數(shù)據(jù)和所述噪聲數(shù)據(jù)一一配對，得到若干第二樣本對，基于若干所述第二樣本對構(gòu)建得到第二樣本庫，并以第二預(yù)設(shè)比例值將若干所述第二樣本對劃分為訓(xùn)練集和驗(yàn)證集，其中，所述高質(zhì)量數(shù)據(jù)和所述噪聲數(shù)據(jù)的長度皆為1500。

37、為實(shí)現(xiàn)上述目的，本發(fā)明還提供了一種基于深度學(xué)習(xí)的大地電磁死頻帶數(shù)據(jù)校正系統(tǒng)，用于實(shí)現(xiàn)如上述中所述的基于深度學(xué)習(xí)的大地電磁死頻帶數(shù)據(jù)校正方法，所述系統(tǒng)包括：

38、提取模塊，用于對實(shí)測大地電磁數(shù)據(jù)進(jìn)行分段處理，得到多個(gè)原始片段，通過dncnn-gru網(wǎng)絡(luò)對各所述原始片段進(jìn)行處理，以提取出低頻有效信號，并分離出高頻含噪信號；

39、分類識別模塊，用于通過inceptcn網(wǎng)絡(luò)模型對所述高頻含噪信號進(jìn)行識別分類處理，以識別出第一高質(zhì)量片段和含噪片段，并通過ivit網(wǎng)絡(luò)模型對所述含噪片段進(jìn)行去噪處理，以得到第二高質(zhì)量片段；

40、拼接與重構(gòu)模塊，用于將所述第一高質(zhì)量片段和所述第二高質(zhì)量片段進(jìn)行拼接，得到拼接片段，將所述拼接片段與所述低頻有效信號進(jìn)行合并重構(gòu)，得到重構(gòu)信號。

41、進(jìn)一步的，所述分類識別模塊之前，所述系統(tǒng)還包括：

42、添加模塊，用于在tcn網(wǎng)絡(luò)中添加inception模塊，以形成初始inceptcn網(wǎng)絡(luò)模型；

43、第一訓(xùn)練模塊，用于基于預(yù)設(shè)訓(xùn)練參數(shù)，并通過第一樣本庫對所述初始inceptcn網(wǎng)絡(luò)模型訓(xùn)練，得到inceptcn網(wǎng)絡(luò)模型，其中，所述訓(xùn)練參數(shù)為：epoch設(shè)定為300，batchsize為128，初始學(xué)習(xí)率為0.00001，且每經(jīng)過10個(gè)訓(xùn)練輪回，學(xué)習(xí)率衰減90％。