基于深度残差网络与MVMD的多通道地磁信号处理.pdf
《基于深度残差网络与MVMD的多通道地磁信号处理.pdf》由会员分享,可在线阅读,更多相关《基于深度残差网络与MVMD的多通道地磁信号处理.pdf(17页珍藏版)》请在咨信网上搜索。
1、书书书第 卷 第期 年月地球物理学报 ,李广,郑豪豪,蔡红柱等 基于深度残差网络与的多通道地磁信号处理地球物理学报,():,:,犆 犺 犻 狀 犲 狊 犲犑犌 犲 狅 狆 犺 狔 狊(),():,:基于深度残差网络与犕犞犕犇的多通道地磁信号处理李广,郑豪豪,蔡红柱,陈超健,石福升,龚松林东华理工大学放射性地质与勘探技术国防重点学科实验室,南昌 中国地质大学湖北巴东地质灾害国家野外科学观测研究站,武汉 中国地质大学(武汉)地球物理与空间信息学院,武汉 苏黎世联邦理工学院地球物理系,瑞士苏黎世 中国科学院精密测量科学与技术创新研究院大地测量与地球动力学国家重点实验室,武汉 摘要地磁数据在地震预报、
2、空间天气监测、矿产资源勘查、地球深部构造探索等领域具有重要价值但现有的地磁台站观测数据受到人文噪声污染的问题日益严重,给地球内部高精度成像带来了极大困难为此,我们将深度残差网络(,)与多元变分模态分解(,)引入到地磁信号的处理,提出一种新颖的多通道地磁信号处理方法首先,利用深度残差网络对大量人工标记的数据集进行训练,得到基于残差网络的地磁信噪识别模型;然后,利用训练好的模型识别出观测信号中的含噪片段;之后,利用对含噪片段进行多通道的信噪分离,得到去噪后的片段;最后,用去噪后的片段代替原始观测信号中的含噪片段,得到完整的高质量信号为验证方法的有效性,我们设计了仿真实验,结果表明所提方法可以将观测
3、信号的信噪比提高约 ,相对于变分模态分解(,)、互补集合经验模态分解(,)、数学形态滤波(,)、小波去噪()等方法具有较明显的优势,且适合多通道信号的同时处理我们将所提方法应用于菲律宾海及西太平洋的海底观测的地磁数据,结果表明所提方法的识别精度约为,并能够极大改善信号的质量去噪后的信号与相邻台站的同时段高质量信号的相似度由去噪前的 提升到了 ,表明处理结果是可靠的,使用我们的方法有望提高地磁数据成像的精度及可靠性关键词深度残差网络;多元变分模态分解;信号处理;地磁信号去噪;电磁勘探;深度学习 :中图分类号 收稿日期 ,收修定稿基金项目国家自然科学基金(,),中国博士后科学基金(),湖北巴东地质
4、灾害国家野外科学观测研究站开放基金(),江西省防震减灾与工程地质灾害探测工程研究中心开放基金(),放射性地质与勘探技术国防重点学科实验室开放基金(),中国科学院精密测量科学与技术创新研究院大地测量与地球动力学国家重点实验室开放基金()第一作者简介李广,男,年生,博士,副教授,硕士生导师,主要从事电磁法数据处理与应用、地球物理仪器等方面的研究 :通讯作者蔡红柱,男,年生,教授,博士生导师主要从事地球物理正反演理论与应用研究 :陈超健,男,年生,博士后,主要从事大地电磁与地磁测深数值模拟及应用研究 :犕 狌 犾 狋 犻 犮 犺 犪 狀 狀 犲 犾 犵 犲 狅 犿 犪 犵 狀 犲 狋 犻 犮 狊 犻
5、 犵 狀 犪 犾 狆 狉 狅 犮 犲 狊 狊 犻 狀 犵犫 犪 狊 犲 犱狅 狀犱 犲 犲 狆狉 犲 狊 犻 犱 狌 犪 犾 狀 犲 狋 狑 狅 狉 犽犪 狀 犱犕犞犕犇 ,犉 狌 狀 犱 犪 犿 犲 狀 狋 犪 犾 犛 犮 犻 犲 狀 犮 犲狅 狀犚 犪 犱 犻 狅 犪 犮 狋 犻 狏 犲犌 犲 狅 犾 狅 犵 狔犪 狀 犱犈 狓 狆 犾 狅 狉 犪 狋 犻 狅 狀犜 犲 犮 犺 狀 狅 犾 狅 犵 狔犔 犪 犫 狅 狉 犪 狋 狅 狉 狔,犈 犪 狊 狋 犆 犺 犻 狀 犪犝 狀 犻 狏 犲 狉 狊 犻 狋 狔狅 犳犜 犲 犮 犺 狀 狅 犾 狅 犵 狔,犖 犪 狀 犮 犺 犪 狀 犵 ,
6、犆 犺 犻 狀 犪犅 犪 犱 狅 狀 犵犖 犪 狋 犻 狅 狀 犪 犾犗 犫 狊 犲 狉 狏 犪 狋 犻 狅 狀犪 狀 犱犚 犲 狊 犲 犪 狉 犮 犺犛 狋 犪 狋 犻 狅 狀狅 犳犌 犲 狅 犺 犪 狕 犪 狉 犱 狊,犆 犺 犻 狀 犪犝 狀 犻 狏 犲 狉 狊 犻 狋 狔狅 犳犌 犲 狅 狊 犮 犻 犲 狀 犮 犲 狊,犠 狌 犺 犪 狀 ,犆 犺 犻 狀 犪犐 狀 狊 狋 犻 狋 狌 狋 犲 狅 犳犌 犲 狅 狆 犺 狔 狊 犻 犮 狊牔 犌 犲 狅 犿 犪 狋 犻 犮 狊,犆 犺 犻 狀 犪犝 狀 犻 狏 犲 狉 狊 犻 狋 狔狅 犳犌 犲 狅 狊 犮 犻 犲 狀 犮 犲 狊,犠
7、狌 犺 犪 狀 ,犆 犺 犻 狀 犪犐 狀 狊 狋 犻 狋 狌 狋 犲 狅 犳犌 犲 狅 狆 犺 狔 狊 犻 犮 狊,犈 犜犎犣 狌 狉 犻 犮 犺,犣 狌 狉 犻 犮 犺 ,犛 狑 犻 狋 狕 犲 狉 犾 犪 狀 犱犛 狋 犪 狋 犲犓 犲 狔犔 犪 犫 狅 狉 犪 狋 狅 狉 狔狅 犳犌 犲 狅 犱 犲 狊 狔犪 狀 犱犈 犪 狉 狋 犺 狊犇 狔 狀 犪 犿 犻 犮 狊,犐 狀 狀 狅 狏 犪 狋 犻 狅 狀犃 犮 犪 犱 犲 犿 狔犳 狅 狉犘 狉 犲 犮 犻 狊 犻 狅 狀犕 犲 犪 狊 狌 狉 犲 犿 犲 狀 狋犛 犮 犻 犲 狀 犮 犲犪 狀 犱犜 犲 犮 犺 狀 狅 犾 狅 犵
8、 狔,犆 犺 犻 狀 犲 狊 犲犃 犮 犪 犱 犲 犿 狔狅 犳犛 犮 犻 犲 狀 犮 犲 狊,犠 狌 犺 犪 狀 ,犆 犺 犻 狀 犪期李广等:基于深度残差网络与的多通道地磁信号处理犃 犫 狊 狋 狉 犪 犮 狋 ,()(),(),(),犓 犲 狔 狑 狅 狉 犱 狊 ;引言我国自 年唐山大地震之后开始进行系统的地震电磁扰动观测,以期从地磁信号中发现地震前兆 信 息,从 而 减 少 地 震 造 成 的 损 失(徐 文 耀,;,;,)震前电磁异常被认为是对短临地震最为敏感的前兆现象,近年来作为一种有效的地震短临预报方法得到越来越多的研究李美和卢军()调研了大量文献发现,震前观测到显著电磁异常的
9、 级以上震例 个范莹莹等()研究发现,年汶川 级地震发生前,成都和江油台两个台站均监测到地电阻率的变化 等()研究了 年发生在墨西哥的个级以上地震电磁异常探测方法,并对异常进行了详细描述 年月 日四川芦山 级地震前有个台站自震前 天开始陆续观测到了异常电磁信号(马钦忠等,)等()分析了台站的超低频()信号,发现台站数据中的地磁异常包含了地震的前兆信息;通过分析日本东北地区的地磁日变数据的垂直分量,还发现地震发生前的地磁日变异常与日本地震活动自然时间分析获得的独立结果高度一致,可能与日本东北地震的孕育有关(,)地震发生前附近地磁台站存在地磁异常,且该现象与地下水位和 位移的变化在短时间内接连出现
10、,其中关联可能有助于了解地震的孕育过程(,)年九寨沟级地震发生前天一直到地震发生当天,在九寨沟台站持续监测到电磁异常(黄继攀等,)除地震发生前可以观测到地磁异常外,地震发生过程中也可以观测到地震同震磁场异常等现象(,)除了用于地震预报,地磁台站观测数据在空间天气监测、矿产资源勘探、地球深部构造探索等领域也具有重要价值(,;,;,)然而,随着城市化比例的不断提高,人文噪声的时空分布范围不断扩大,其强度与日俱增,地磁台站地 球 物 理 学 报()卷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以及空间天气监测的可靠性,也严重限制了基于地磁数据的深部地球探测方法的分辨率与精细程度对地磁台
11、站观测到的数据进行噪声抑制变 得 愈 发 重 要(周 媛 媛 等,;汪 凯 翔 等,;,)目前,研究人员针对地磁观测信号中的各类噪声提出了一系列应对方法傅里叶变换和小波变换被广泛应用到地磁信号的去噪中(刘向红等,;,;万永革等,;徐斌和顾伟,;汪伟明和贺巍,),但此类方法根据信号与噪声在频率上的差别进行去噪,容易丢失所去除频段中的有效信息且小波阈值函数的选择需要先验性,不同的小波阈值函数的去噪效果有明显差异自然正交分量法(,;顾左文等,)和与其类似的主成分分析法(韩鹏等,;,)也被应用于地磁信号处理,在提取地磁场主 要 变 化 特 征 中 有 着 较 好 的 应 用 变换也被应用于地磁信号的处
12、理(向阳等,;惠延波等,),但是其中的经验模态分解过程存在模态混叠现象,且没有严格的数学或物理解释数学形态滤波也是一种能有效抑制地磁噪声的方法,该 方 法 具 有 效 率 高 的 突 出 优 点(谢 凡 等,;李季等,)谢凡等()将独立成分分析法应用于地磁信号的分析中,周媛媛等()提出了远参考法和独立成分分析法结合的地磁信号近场噪声压制方法,均取得了较好的效果近年来深度学习在分类与预测方面表现出极其优异的性能(,;,;,;,;,),在电磁法领域亦受到了越来越广泛的重视 等()提 出 了 一 种 基 于 长 短 时 记 忆(,)网络和误差反向传播()方案的航空瞬变电磁(,)成 像 新 方 法;(
13、)实现 了基 于卷积 神 经 网 络(,)的一维电磁感应数据反演;汪凯翔等()提出了基于 的地电信号去噪方法;等()提出 了 基于 去 噪自 编 码器(,)的航空瞬变电磁数据多源噪声去除方法 等()提出了基于 与 的 数据去噪方法;等()提出了基于循环神经网络(,)的 数据成像方法尽管深度学习在电磁勘探领域的应用尚不多见,但深度学习的优势已被广泛认可分析现有文献可知,现有的地磁去噪方法在应用前没有对观测信号自动分类,需要人工挑选出含有噪声的片段,不仅工作量大、效率低下,且易造成高质量信号的丢失此外,地磁信号同一台站不同通道之间、不同台站相同通道之间均存在明显的相关性,现有方法多数没有利用同时段
14、观测信号之间的相关性,因此其效果仍有较大的提升空间深度学习在地磁信号中的应用尚未见报道,且现有文献采用的深度学习方法主要为 、以及 为此,本文首次将深度残差网络(,)引入地磁信号的处理先利用深度学习对观测信号进行自动识别分类,仅对含有明显噪的信号进行处理,减少有效信号的损失,并提高效率此外,和 ()在变分模态分解(,)的基础上提出了一种叫做多元变分模态分解(,)的多通道信号处理方法,与经验模态分解相比,它经过了严格的理论推导,且具有确定的数学物理意义利用不同通道之间信号的相关性,其分解精度明显优于经验模态分解和变分模态分解()等方法为此,我们充分利用相邻台站同时观测地磁信号之间的相关性,将深度
15、学习与多元变分模态分解结合,提出一种自适应、多通道信号同时处理的地磁信号识别与噪声压制方法,以期达到更精确、更高效、更智能的去噪效果接下来,本文的第节将分别对地磁测深基本原理、深度残差网络和的原理、总体方案流程进行说明;第节将对残差网络的样本制作以及训练过程进行说明,并设计仿真试验定量的对比分析的去噪效果,展示的优越性;第节将所提方法应用于菲律宾海及西太平洋底地磁信号的识别与去噪,并通过计算去噪前后信号与相邻台站信号之间的相关性,验证结果的可靠性;第节对所方法的优缺点进行总结,并给出后续研究建议方法原理 地磁测深法(犌 犇 犛)本文主要研究利用深度学习以及对地磁数据进行信噪识别与分离,为提高可
16、读性,我们简单介 绍 地 磁 测 深(,期李广等:基于深度残差网络与的多通道地磁信号处理 )的基本原理地磁测深是一种能够获得地幔转换带及下地幔上部导电结构的深部地球物理勘探方法(李世文等,)它以磁层和电离层起源的磁场变化作为场源,并利用全球范围内的地磁台站观测数据获得地磁响应曲线目前广为采用的地磁响应为犆响应,其计算方法可以表示为(,)犆()犪 犅狉()犅(),()其中犪是地球的平均半径,犅狉、犅分别为垂直方向和水平方向的磁场,为地磁余纬度,为角频率 深度残差网络(犚 犲 狊 犖 犲 狋)深度学习的概念源于人工神经网络的研究,含多个隐藏层的多层感知器就是一种深度学习结构深度学习通过组合低层特征
17、形成更加抽象的高层表示属性类别或特征,以发现数据的分布式特征表示在深度学习的研究中,经常通过增加网络的层数来学习更加复杂的特征,或提高模型的泛化能力然而,更深层次的神经网络更难训练,除了过拟合问题外,更深的神经网络还容易出现梯度弥散梯度爆炸问题和网络退化问题,越深的网络返回的梯度相关性越来越差为解决上述问题,等()提出了一种带有 结构(如图所示)的深度残差网络(,)残差网络通过跳跃连接的方式,将特征从浅层直接传输到深层,避免信息丢失这使得残差网络更容易优化,并可以从显著增加的深度中获得高的准确性(,)目前,深度残差网络在识别和去噪领域应用广泛,在地球物理领域中成功应用在地震信号检测(,),地震
18、阻抗反演(,),大地电磁数据去噪(,)等本文使用的残差网络其结构如图所示该模型是在 等()所提出的残差网络模型基础上改进而来,主体包括批量归一化层(),卷积层(),残差块()以及最大池化层()其中在第一层中加入了批量归一化层(,),批量归一化技术可以重构原始的数据分布,便于不同单位或量级的指标进行比较和加权这种特性能够在深层神经网络的学习过程中提升网络的收敛速度和精度(王志扬等,)第二层和第三层为卷积层,其中激活函数为 函数该网络中四种残差块(,)的卷积核个数分别为,;卷积核大小均为同时加入最大池化层以降低数据长度,提升训练速度,改善深度残差网络的泛化能力图 结构图 图残差网络结构图 ()多元
19、变分模态分解(犕犞犕犇)变分模态分解()是一种经典的非平稳和非线性信号分析的数据驱动算法(,)为了解决多通道信号处理的问题,和 提 出 了 多 元 变 分 模 态 分 解()作为变分模态分解的多元拓展,继承了的许多优秀特性(,),同时充分利用了多通道数据之间的关联性,具有频率对齐特性目前在脑电信号中眨眼信号的去除(,),水电机组摆度信号消噪(谭志锋等,),地震沉积层序的分解地 球 物 理 学 报()卷(,)等领域取得良好效果变分模态分解是一种数据分解的变分方法,通过求解凸优化问题,自适应地获得信号的主模态该方法在服从模态完全重构输入信号的约束条件下,提出了一个使模态集体带宽最小的优化问题带宽通
20、过复谐波混频偏移到基带的相应解析信号的犎范数决定通过交替方向乘子法(,)最小化所得到的变分模态,以找到在中心频率犽附近频带受限的模态集合;犽在优化过程中进行更新(,)的主要目标是从包含犆个数据通道的输入数据狓(狋)中提取预定义的犓个多元调制振荡函数狌犽(狋)即狓(狋)狓(狋),狓(狋),狓(狋)且有狓(狋)犓犽狌犽(狋),()其中狌犽(狋)狌(狋),狌(狋),狌(狋)多元变分问题,即在每个模态都是一个中心频率的有限带宽前提下,寻找犓个模态函数,使所有模态的估计带宽之和最小,其约束条件为所有模态的和是原始输入信号首先,通过希尔伯特变换计算各模态函数的解析信号,得到其单侧频谱;然后,通过在解析信号
21、中加入一个估计的中心频率,将各模态的单边频谱调制到相应的基频带;最后,计算解调信号梯度的平方犔范数,估计各模态信号的带宽(,)的约束优化问题如下:犽犮狋狌犽,(狋)犽狋 犽狌犽,(狋)狓犮(狋),犮,犆()求解变分问题需要引入二次惩罚因子和拉格朗日乘法算子,将约束变分问题变成一个无约束的变分问题,其中可以保证在存在高斯噪声的情况下进行信号重构的精度,能够确保严格满足约束得到的增广拉格朗日函数为犔(狌犽,犽,)犽犮狋狌犽,(狋)犽狋犮狓(狋)犽狌犽,(狋)犮(狋),狓(狋)犽狌犽,(狋)()然后,采用交替方向乘子法来求解以上变分问题利用,将完全优化问题划分为一系列迭代子优化问题在更新模式狌犽(狋
22、)过程中,在第狀次迭代时考虑以下次优化问题:狌狀 犽,狌犽,狋狌犽,(狋)犽狋 狓(狋)犻狌犻,(狋)(狋)()以上的最小化问题可以在频谱域内得到解决在频域内的更新表示为狌狀 犽,()狓()犻犽狌犻,()()(犽)()为了更新中心频率犽,需要迭代求解以下次优化问题:狀 犽 犽 犮狋狌犽,(狋)犽狋()中心频率狀 犽可以在双频域进行更新,估计新频率为相关模式功率谱的重心:狀 犽犮?狌犽,()犮?狌犽,()()多元变分模态分解的流程如图所示,首先,初始化参数狌,再通过上述优化公式不断更新狌,和,直到满足收敛条件,最后输出分解的结果 整体方案流程本文所提多通道地磁数据处理方法的流程如图所示,首先将观
23、测信号输入到已训练好的残差网图算法流程 络识别模型中,识别出该信号中含有明显噪声的片段(以下简称含噪片段),然后利用去除含噪片段中的噪声,并将去噪后的信号片段与不含明显噪声的片段重新拼接,输出重构的高质量信号由期李广等:基于深度残差网络与的多通道地磁信号处理于该方法的核心算法包括 和,因此我们将所提方法简称为 法图整体方案流程 模型训练与仿真分析 样本库的制作样本库质量的好坏直接影响着地磁数据的识别效果,其作用甚至比深度学习网络的性能更重要,因此制作样本库是一项关键任务本文制作样本库的数据采用了来自全球多个地区的地磁台站观测的分数据,其采样间隔为 对于不同地区所记录的地磁数据形式分为两种,分别
24、是犎犇 犣和犡 犢 犣,根据以往的研究表明,犣分量对各种噪声的敏感度更高,蕴含信息更加丰富(谢凡等,;,),因此本文主要针对犣分量的信号进行处理在我们的样本库中,样本的长度为 个采样点,采样率为 ,一个样本的持续时间为一天最终制作的样本库包括了 个高质量信号样本以及 个含噪信号样本,样本总数共计 个样本库中典型的高质量样本和含噪样本分别如图、图所示高质量信号通常比较光滑,信号幅度随时间缓慢变换,没有脉冲等瞬时能量太强的信号而含噪信号则含有明显的随机噪声、脉冲噪声以及方波噪声等 模型训练随机地将制作好的样本库打乱顺序,然后输入到深度残差网络中进行训练在输入模型前我们对样本进行了归一化处理,归一化
25、后的样本为珟狓犻狓犻狓 狓 狓 ,()其中,狓犻是第犻个数据样本,狓 和狓 分别是每个样本幅值的最小值和最大值训练时,我们从样本库中随机挑选 的样本作为验证集在样本库总数量较大的情况下,可以适当减少验证集所占比例以便 有更多的数据用于训练本文样本总数为 ,图典型的高质量样本 地 球 物 理 学 报()卷图典型的含噪样本 采用 的比例即有足够多的验证样本模型训练时主要参数如下:在训练过程中,需要将样本分批次训练,表示每一批次输入数据数量,其值为 ,为训练次数,训练足够多次以达到接近最大的精度,设置为,选择简单常用的 优化器进行优化;设定初始的学习率为 ,同时使用了 中的回调函数 来优化学习率学习
- 配套讲稿:
如PPT文件的首页显示word图标,表示该PPT已包含配套word讲稿。双击word图标可打开word文档。
- 特殊限制:
部分文档作品中含有的国旗、国徽等图片,仅作为作品整体效果示例展示,禁止商用。设计者仅对作品中独创性部分享有著作权。
- 关 键 词:
- 基于 深度 网络 MVMD 通道 地磁 信号 处理
1、咨信平台为文档C2C交易模式,即用户上传的文档直接被用户下载,收益归上传人(含作者)所有;本站仅是提供信息存储空间和展示预览,仅对用户上传内容的表现方式做保护处理,对上载内容不做任何修改或编辑。所展示的作品文档包括内容和图片全部来源于网络用户和作者上传投稿,我们不确定上传用户享有完全著作权,根据《信息网络传播权保护条例》,如果侵犯了您的版权、权益或隐私,请联系我们,核实后会尽快下架及时删除,并可随时和客服了解处理情况,尊重保护知识产权我们共同努力。
2、文档的总页数、文档格式和文档大小以系统显示为准(内容中显示的页数不一定正确),网站客服只以系统显示的页数、文件格式、文档大小作为仲裁依据,平台无法对文档的真实性、完整性、权威性、准确性、专业性及其观点立场做任何保证或承诺,下载前须认真查看,确认无误后再购买,务必慎重购买;若有违法违纪将进行移交司法处理,若涉侵权平台将进行基本处罚并下架。
3、本站所有内容均由用户上传,付费前请自行鉴别,如您付费,意味着您已接受本站规则且自行承担风险,本站不进行额外附加服务,虚拟产品一经售出概不退款(未进行购买下载可退充值款),文档一经付费(服务费)、不意味着购买了该文档的版权,仅供个人/单位学习、研究之用,不得用于商业用途,未经授权,严禁复制、发行、汇编、翻译或者网络传播等,侵权必究。
4、如你看到网页展示的文档有www.zixin.com.cn水印,是因预览和防盗链等技术需要对页面进行转换压缩成图而已,我们并不对上传的文档进行任何编辑或修改,文档下载后都不会有水印标识(原文档上传前个别存留的除外),下载后原文更清晰;试题试卷类文档,如果标题没有明确说明有答案则都视为没有答案,请知晓;PPT和DOC文档可被视为“模板”,允许上传人保留章节、目录结构的情况下删减部份的内容;PDF文档不管是原文档转换或图片扫描而得,本站不作要求视为允许,下载前自行私信或留言给上传者【自信****多点】。
5、本文档所展示的图片、画像、字体、音乐的版权可能需版权方额外授权,请谨慎使用;网站提供的党政主题相关内容(国旗、国徽、党徽--等)目的在于配合国家政策宣传,仅限个人学习分享使用,禁止用于任何广告和商用目的。
6、文档遇到问题,请及时私信或留言给本站上传会员【自信****多点】,需本站解决可联系【 微信客服】、【 QQ客服】,若有其他问题请点击或扫码反馈【 服务填表】;文档侵犯商业秘密、侵犯著作权、侵犯人身权等,请点击“【 版权申诉】”(推荐),意见反馈和侵权处理邮箱:1219186828@qq.com;也可以拔打客服电话:4008-655-100;投诉/维权电话:4009-655-100。