The invention belongs to the field of nuclear magnetic resonance data processing, and specifically relates to a deep neural network magnetic resonance signal denoising method based on discrete cosine transform. Firstly, the noise signal and simulation signal are transformed by discrete cosine transform as the input and idea of the deep neural network, and then the deep neural network is trained layer by layer greedily by unsupervised learning. The weights of the network are initialized, then the global parameters are fine-tuned by error back propagation method. Finally, the test set is input into the trained depth neural network, and the output of the network is inversely normalized by inverse discrete cosine transform to obtain the denoised NMR signal. This method can realize the non-linear mapping from noisy signal to clean signal, and eliminate all kinds of noise in NMR signal at one time. It can adapt to various complex and changeable detection environment and noise interference, significantly improve signal-to-noise ratio, and improve the accuracy of parameters extracted by subsequent inversion interpretation; and the introduction of discrete cosine transform and limited Boltzmann machine pre-training. It greatly shortens the training time of the deep neural network, improves the training efficiency of the deep neural network, and makes the method of eliminating NMR noise of the deep neural network practical.
【技术实现步骤摘要】
基于离散余弦变换的深度神经网络磁共振信号消噪方法
本专利技术属于核磁共振数据处理领域,具体涉及一种基于离散余弦变换的深度神经网络磁共振信号消噪方法。
技术介绍
核磁共振地下水探测方法(MagneticResonanceSounding,MRS)作为一种能够定性定量探测地下水的地球物理方法,近年来从理论研究到仪器研制,得到了快速的发展。但是由于MRS信号极其微弱,导致高灵敏度的仪器受周围环境中噪声干扰严重,不能准确提取MRS信号,制约了MRS方法的广泛应用。影响MRS信号质量的噪声主要有尖峰噪声、工频噪声和随机噪声三类。目前国际上主要采用的MRS信号消噪方法是针对不同类型的噪声分别进行消除,其流程为1)去尖峰噪声;2)去工频噪声;3)平均叠加去随机噪声(AhmadA.Behroozmand,KristinaKeating,EsbenAuken.AReviewofthePrinciplesandApplicationsoftheNMRTechniqueforNear-SurfaceCharacterization.SurveysinGeophysics,2015(36):27–85),过程复杂且需要具有核磁共振专业领域知识的人进行操作。
技术实现思路
本专利技术所要解决的技术问题在于提供一种基于离散余弦变换的深度神经网络磁共振信号消噪方法,解决现有消噪方法中过程复杂的问题,对核磁共振信号中所有类型的噪声实现“一次性”消除。本专利技术是这样实现的,一种基于离散余弦变换的深度神经网络磁共振信号消噪方法,该方法包括:步骤A、在仿真核磁共振信号E(t)中加入空采核磁共振噪 ...
【技术保护点】
1.一种基于离散余弦变换的深度神经网络磁共振信号消噪方法,其特征在于,该方法包括:步骤A、在仿真核磁共振信号E(t)中加入空采核磁共振噪声,作离散余弦变换,获得神经网络的训练样本集X=[X1,X2,...,XM]和测试数据集T=[T1,T2,...,TN];步骤B、对训练样本集和测试数据集作均值归一化处理得到
【技术特征摘要】
1.一种基于离散余弦变换的深度神经网络磁共振信号消噪方法,其特征在于,该方法包括:步骤A、在仿真核磁共振信号E(t)中加入空采核磁共振噪声,作离散余弦变换,获得神经网络的训练样本集X=[X1,X2,...,XM]和测试数据集T=[T1,T2,...,TN];步骤B、对训练样本集和测试数据集作均值归一化处理得到和步骤C、设置深度神经网络结构,以受限玻尔兹曼机训练方式并将归一化处理后的训练样本集作为可见向量输入到RBM中,对DNN进行预训练,得到DNN的初始化网络权值和偏置向量;步骤D、利用反向传播算法,将原训练数据集与RBM训练输出的类标签组成新的训练集作为DNN的输入,对仿真核磁共振信号E(t)作DCT变换和均值归一化,作为DNN的理想输出Y,将步骤C中训练得到的网络权值和偏置向量作为DNN的初始化参数,有监督地对DNN进行全局训练,微调DNN网络权值参数;步骤E、将测试数据集输入训练完毕的DNN,对DNN输出反归一化后,作离散余弦反变换,得到消噪后的核磁共振时域信号。2.按照权利要求1所述的方法,其特征在于,所述步骤A包括以下步骤:A1、空采核磁共振噪声Ns组,加入仿真核磁共振信号A2、对Ns组含噪核磁共振信号作DCT变换为式(1):其中,x(k)为离散信号序列,xl为信号长度,m=0,1,2,...,xl-1,DCT反变化表示为式(2)其中k=0,1,2,...,xl-1(2)A3、将步骤A2得到的Ns组含噪核磁共振信号C(m)的70%作为训练样本集X=[X1,X2,...,XM],30%作为测试数据集T=[T1,T2,...,TN],M和N分别为训练集和测试集的样本数。3.按照权利要求1所述的方法,其特征在于,所述步骤B均值归一化的具体方法为:计算数据集的训练样本平均值用代替Xp对训练样本集进行均值归一化得到测试样本集作同样变换得到4.按照权利要求1所述的方法,其特征在于,所述步骤C具体包括:C1、设置DNN隐藏层层数L和每层所含神经单元个数;C2、将DNN的输入层和第一层隐藏层作为...
【专利技术属性】
技术研发人员:林婷婷,李玥,张扬,于思佳,万玲,
申请(专利权)人:吉林大学,
类型:发明
国别省市:吉林,22
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。