一种基于时域卷积网络的可控源电磁数据去噪方法、系统、终端及可读存储介质技术方案

本发明专利技术公开了一种基于时域卷积网络的可控源电磁数据去噪方法、系统、终端及可读存储介质，所述方法包括以下步骤：步骤1：获取可控源电磁数据并对其进行分段，将每一个数据段作为一个样本以及标记样本的分类标签；所述分类标签表示样本为噪声数据段或高质量数据段；步骤2：构建时域卷积网络，并将样本及分类标签输入至所述时域卷积网络进行训练得到可控源电磁数据分类模型；步骤3：针对待去噪的可控源电磁数据，先分段再输入至所述可控源电磁数据分类模型得到每个数据段的分类结果；步骤4：基于步骤3中的分类结果将高质量数据段进行重组拼接。本发明专利技术引入时域卷积网络算法至可控源电磁数据去噪技术中，提高了去噪精度以及效果。提高了去噪精度以及效果。提高了去噪精度以及效果。

【技术实现步骤摘要】
一种基于时域卷积网络的可控源电磁数据去噪方法、系统、终端及可读存储介质


[0001]本专利技术属于地球物理信号处理
，具体涉及一种基于时域卷积网络 (Temporal Convolutional Network,TCN)的可控源电磁法(Controlled
‑
SourceElectromagnetic Method,CSEM)数据去噪方法、系统、终端及可读存储介质。

技术介绍

[0002]可控源电磁法以人工源代替天然场源，相对于天然场源电磁法，具有更高的抗干扰能力，目前已经在页岩气勘探、金属矿勘探以及工程物探等领域获得越来越广泛的应用。随着城市化比例的不断提高，人文噪声的分布越来越广，人工源电磁法在实际勘探过程中依然受到噪声的严重影响，对采集到的信号进行去噪处理仍然是一项重要的任务。
[0003]面对严峻的人文噪声污染，常用的做法是设置相关度的阈值并进行数据挑选。然而，人为设定阈值具有一定的主观性并且需要一定的经验才能取得较为理想的结果。由于人文噪声常常是持续性的，而传统的方法所采用的参数单一，只能反映单一的数据特征，因此传统方法常常无法有效准确鉴别人文噪声。
[0004]近年来，人工智能算法快速发展，引起了地球物理领域的关注。深度学习背景下的序列建模主要与循环神经网络架构有关，但是其架构存在常见缺陷，如梯度爆炸问题或缺乏内存保留的问题，而卷积操作很好地避免了上述问题。因而，卷积网络成为主流的架构之一。从而，如何利用卷积网络提高可控源电磁数据的去噪精度是值得进一步探讨和研究的。

技术实现思路

[0005]本专利技术的目的是针对可控源电磁数据的去噪问题，提供一种基于时域卷积网络的可控源电磁数据去噪方法、系统、终端及可读存储介质，所述方法引入结合了残差网络和卷积神经网络优点的时域卷积网络，利用时域卷积网络实现可控源电磁数据的去噪，提高了去噪精度和效果，有效解决传统方法损失高质量片段及人工挑选数据结果不一致以及产生主观偏差等问题。
[0006]一方面，本专利技术提供一种基于时域卷积网络的可控源电磁数据去噪方法，其包括以下步骤：
[0007]步骤1：获取可控源电磁数据并对其进行分段，将每一个数据段作为一个样本以及标记样本的分类标签；
[0008]所述分类标签表示样本为噪声数据段或高质量数据段；
[0009]步骤2：构建时域卷积网络，并将样本及分类标签输入至所述时域卷积网络进行训练得到可控源电磁数据分类模型；
[0010]步骤3：针对待去噪的可控源电磁数据，先分段再输入至所述可控源电磁数据分类模型得到每个数据段的分类结果；
[0011]步骤4：基于步骤3中的分类结果将高质量数据段进行重组拼接。
[0012]时域卷积网络结合了残差网络和传统卷积神经网络的优点，是用于序列建模任务的卷积神经网络的变体。其卷积操作由因果卷积和扩张卷积构成，因果卷积获取历史信息，扩张卷积扩大卷积核感受野。相比于传统的卷积网络，时域卷积网络没有池化层，但是其输入输出的序列长度却是一致的。这也使得它具有了灵活的感受野大小、非常长的有效历史长度等特点。
[0013]基于时域卷积网络的独特优势，本专利技术将其引入用于解决可控源电磁数据去噪问题，从而提高了去噪精度。
[0014]可选地，所述时域卷积网络包括输入层、隐藏层以及输出层，其中，所述隐藏层由若干个残差块构成，每个残差块包含一维因果扩张卷积和一维卷积。
[0015]譬如本专利技术具体应用时使用3
×
1一维卷积替代传统时域卷积网络残差链接中的一维逐点卷积，既能有效控制通道数，也可以进一步提取数据特征，达到快速收敛的目的。
[0016]可选地，所述若干个残差块中卷积核的数目依次递减。
[0017]其中，传统时域卷积网络深度逐步增大，参数量庞大，网络收敛速度缓慢。而本专利技术将网络卷积核数目逐步降低，即减小网络深度，降低模型的参数量，可以防止过拟合；同时在利用网络进行特征筛选时，还可以加快网络收敛速度。
[0018]可选地，步骤1中获取可控源电磁数据后，按照平移增广法构建样本；
[0019]其中，一个样本对应时间序列表示为：
[0020][0021]式中，i表示样本序号，m是获取的可控源电磁数据的数据长度，n为样本长度，q为小于n的正整数，x
(i
‑
1)*q+1
为可控源电磁数据中第(i
‑
1)*q+1个数据点。
[0022]应当理解，增广处理一方面增加了样本数量，弥补训练样本的匮乏，二方面提升了样本的多样性；为了能够突出并学习数据的相位特征，样本之间存在部分重叠。本专利技术通过数据增广能够使得模型的泛化能力更加突出，分类效果更好。这是因为模型分类的依据是现有的样本训练而来的权重，而数据增广丰富了样本的多样性，即所得权重综合考虑多方因素。
[0023]可选地，设定每个样本的分类标签时，按照如下标准进行分类标记：
[0024]若样本中有效信号幅值小于1mV时，将噪声幅值大于或等于有效信号幅值的样本设定为噪声数据段；
[0025]若样本中有效信号幅值大于或等于1mV时，将噪声幅值大于或等于1mV 的样本定义为噪声数据段；
[0026]反之，其他为高质量数据段。
[0027]可选地，每个样本对应的时间为一个周期或者整数倍周期。其中，周期性分段，可以更有效降低噪声数据段直接删除的影响。
[0028]第二方面，本专利技术提供一种基于上述方法的系统，其包括：
[0029]样本构建模块，用于获取可控源电磁数据并对其进行分段，将每一个数据段作为一个样本；
[0030]分类标签标记模块，用于标记每个样本的分类标签；
[0031]可控源电磁数据分类模型构建模块，用于构建时域卷积网络，并将样本及分类标
签输入至所述时域卷积网络进行训练得到可控源电磁数据分类模型；
[0032]分类模块，用于将待去噪的可控源电磁数据的数据段输入至所述可控源电磁数据分类模型得到每个数据段的分类结果；
[0033]重组模块，用于基于分类结果将高质量数据段进行重组拼接。
[0034]第三方面，本专利技术提供一种终端，其包括：
[0035]一个或多个处理器；
[0036]存储了一个或多个计算机程序的存储器；
[0037]所述处理器调用计算机程序以执行：
[0038]一种基于时域卷积网络的可控源电磁数据去噪方法的步骤。
[0039]第四方面，本专利技术提供一种可读存储介质，其存储了计算机程序，所述计算机程序被处理器调用以执行：
[0040]一种基于时域卷积网络的可控源电磁数据去噪方法的步骤。
[0041]有益效果
[0042]1.本专利技术引入时域卷积网络算法，充分利用时域卷积网络算法的独特优势，提高了可控源电磁数据去噪精度，在保证数据质量的前提下保留高质量数据段，避免传统相关度阈值法带来的误差。
[0043]2本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于时域卷积网络的可控源电磁数据去噪方法，其特征在于：包括以下步骤：步骤1：获取可控源电磁数据并对其进行分段，将每一个数据段作为一个样本以及标记样本的分类标签；所述分类标签表示样本为噪声数据段或高质量数据段；步骤2：构建时域卷积网络，并将样本及分类标签输入至所述时域卷积网络进行训练得到可控源电磁数据分类模型；步骤3：针对待去噪的可控源电磁数据，先分段再输入至所述可控源电磁数据分类模型得到每个数据段的分类结果；步骤4：基于步骤3中的分类结果将高质量数据段进行重组拼接。2.根据权利要求1所述的方法，其特征在于：所述时域卷积网络包括输入层、隐藏层以及输出层，其中，所述隐藏层由若干个残差块构成，每个残差块包含一维因果扩张卷积和一维卷积。3.根据权利要求2所述的方法，其特征在于：所述若干个残差块中卷积核的数目依次递减。4.根据权利要求1所述的方法，其特征在于：步骤1中获取可控源电磁数据后，按照平移增广法构建样本；其中，一个样本对应时间序列表示为：式中，i表示样本序号，m是获取的可控源电磁数据的数据长度，n为样本长度，q为小于n的正整数，x
(i
‑
1)*q+1
为可控源电磁数据中第(i
‑
1)*q+1个数据点。5.根据权利要求1所述的方法，其特征在于：设定每个样本的分类标签时，按照如...

【专利技术属性】
技术研发人员：李广，何柱石，邓居智，张良，李红星，刘晓琼，石福升，伍守立，
申请(专利权)人：东华理工大学，
类型：发明
国别省市：