一种电磁时间序列数据的去噪方法及系统技术方案

本发明专利技术涉及一种电磁时间序列数据处理的方法及系统。该方法包括：获取原始电磁时间序列数据，将所述电磁时间序列表征成一维时间序列；将所表征的一维时间序列构造成汉克尔矩阵，对矩阵进行SVD分解，根据奇异值占比率确定汉克尔矩阵的维数；再根据矩阵维数及多尺度样本熵将一维时间序列分解为不同分辨率的近似时间序列和细节时间序列；然后使用ICEEMDAN算法将叠加的细节时间序列自适应分解成多个模态分量，构造瞬时模态分量阈值识别模态分量中异常部分并截断处理。根据本发明专利技术提供的技术手段，对电磁时间序列数据处理能够达到良好的效果，能够有效获取地下信息及电性结构。能够有效获取地下信息及电性结构。能够有效获取地下信息及电性结构。

【技术实现步骤摘要】
一种电磁时间序列数据的去噪方法及系统


[0001]本专利技术属于电磁数据处理领域，具体涉及一种电磁时间序列数据的去噪方法及系统。

技术介绍

[0002]磁勘探技术已广泛应用于有色金属开发与利用、油气资源识别等领域中，大地电磁数据质量对电磁反演和地下电性信息获取至关重要，而数据处理技术是提高数据质量的重要手段。2020年初，中国海油、中石油、中石化均发声全力加大对勘探和开发的资本投入，另外我国对铜、铝、锂、钛、金等地下有色金属的勘探有着长期的需求，并有不断增长的趋势，然而实际上，天然的大地电磁信号是一种典型的非线性非平稳信号，频带非常宽且信号非常微弱，采集到的电磁数据不可避免地会受到强噪声的影响，数据质量降低，对深入研究地质构造信息造成很大影响，因此改善电磁数据质量至关重要。
[0003]随着人工智能的不断发展，现代技术对智能化的要求也飞速发展，高质量数据获取及信息传输也越来越复杂，而传统的多层次奇异值分解(SingularValue Decomposition，SVD)中汉克尔矩阵的固定维数已不能处理复杂问题，从而也导致传统技术中将固定维数的汉克尔矩阵应用于电磁时间序列数据处理时，将会一定程度影响数据去噪精度。

技术实现思路

[0004]本专利技术的目的是针对电磁数据质量不高，现有方法对时间序列处理精确度存在不足的问题，提供一种电磁时间序列数据的去噪方法及系统，所述方法为获取原始电磁时间序列数据并将其表征成一维时间序列；将所表征的一维时间序列构造成汉克尔矩阵，对矩阵进行SVD分解，其中，根据奇异值占比率确定汉克尔矩阵的维数，实现自适应确定汉克尔矩阵的维数，提升电磁数据质量。再者，引入处理非线性、非平稳信号的改进的自适应白噪声的完备总体经验模态分解(ImprovedComplete EnsembleEmpirical Mode Decomposition with AdaptiveNoise，ICEEMDAN)算法，有效提高电磁时间序列数据的去噪效果。
[0005]一方面，本专利技术提供一种电磁时间序列数据的去噪方法，其包括以下步骤：步骤S101：获取原始电磁时间序列数据，将所述原始电磁时间序列数据表征成一维时间序列；步骤S102：根据奇异值占比率自适应确定所述的一维时间序列对应的汉克尔矩阵的维数；步骤S103：基于步骤S102确定的维数将所述一维时间序列进行SVD分解得到近似时间序列和细节时间序列；步骤S104：将所述细节时间序列对应叠加，采用ICEEMDAN将叠加的细节时间序列自适应分解成多个模态分量，并基于设定瞬时模态分量阈值识别有无脉冲序列，将有脉冲
序列的部分进行截断处理，无干扰的部分保留；步骤S105：拼接步骤S104中处理后以及无干扰的电磁时间序列。
[0006]进一步可选，步骤S102中根据奇异值占比率自适应确定所述一维时间序列对应的汉克尔矩阵的维数的过程为：步骤S1021：设定汉克尔矩阵P的维数n，利用所述一维时间序列构造汉克尔矩阵P，对所述汉克尔矩阵P进行SVD分解处理得到奇异值矩阵；步骤S1022：计算所述奇异值矩阵中每个奇异值对应的奇异值占比率；步骤S1023：判断当前得到的奇异值占比率中是否存在奇异值占比率小于或等于预设阈值，若存在，当前确定的维数是步骤S102确定的最终维数；否则，返回步骤S1021，维数n+1。
[0007]进一步可选地，步骤S103是基于步骤S102确定的维数将所述一维时间序列采用多层次SVD分解得到不同分辨率的近似时间序列和细节时间序列时，具体过程如下：S1031：基于步骤S102确定的维数将所述一维时间序列采用SVD分解得到奇异值矩阵；S1032：确定所述奇异值矩阵中的主奇异值，其余为细节奇异值；再利用SVD的逆运算重构得到近似时间序列和细节时间序列，其中，所述主奇异值为近似奇异值；S1033：针对所述近似时间序列返回执行步骤S1031，达到最佳分解层数时停止循环，其中，将所述近似时间序列作为步骤S1031中的所述一维时间序列进行SVD分解。
[0008]其中，主奇异值为近似奇异值，利用SVD的逆运算重构得到近似时间序列；针对每个细节奇异值，分别利用SVD的逆运算重构得到对应的细节时间序列。
[0009]进一步可选地，步骤S1032中根据多尺度样本熵确定所述奇异值矩阵中的主奇异值，具体为：获取所述奇异值矩阵中每个奇异值对应的多尺度样本熵；将每个奇异值对应的多尺度样本熵输入基于多尺度样本熵构建的支持向量机模型中得到每个奇异值对应是主奇异值或细节奇异值的分类结果；其中，所述基于多尺度样本熵构建的支持向量机模型是以多尺度样本熵为模型特征，主奇异值、细节奇异值为分类目标，通过样本数据进行训练得到。进一步可选地，步骤S104中所述瞬时模态分量阈值表示为：式中，N为模态分量的长度，为第i阶模态分量的总体序列水平，定义为：式中，为第i阶模态分量中第j个采样点的值，其在整个时间域内进
行取值；为第i阶模态分量的绝对中值偏差，表示求一组序列从大到小排列的中间值，为常数。
[0010]进一步可选地，步骤S104中基于设定瞬时模态分量阈值识别有无脉冲序列，并将有脉冲序列的部分采用汤姆逊函数进行截断处理的过程表示为：其中，为截断处理之后、截断处理之前第i阶模态分量中第j个采样点的值，表示为瞬时模态分量阈值；所述汤姆逊函数表示为：。
[0011]为第i阶模态分量的总体序列水平，定义为：式中，为第i阶模态分量的绝对中值偏差，表示求一组序列从大到小排列的中间值，为常数进一步可选地，所述奇异值占比率表示为：式中，为奇异值矩阵中第i个奇异值，为第i个奇异值对应的奇异值占比率。
[0012]第二方面，本专利技术提供一种基于上述电磁时间序列数据处理的方法的系统，其包括：原始电磁时间序列数据处理模块，用于获取原始电磁时间序列数据，将所述原始电磁时间序列数据表征成一维时间序列；维数确定模块，用于根据奇异值占比率自适应确定所述的一维时间序列对应的汉克尔矩阵的维数；分解模块，用于基于确定的维数将所述一维时间序列进行SVD分解得到近似时间
序列和细节时间序列；细节时间序列处理模块，用于将所述细节时间序列对应叠加 ，采用ICEEMDAN将叠加的细节时间序列自适应分解成多个模态分量，并基于设定瞬时模态分量阈值识别有无脉冲序列，将有脉冲序列的部分采用汤姆逊函数进行截断处理，无干扰的部分保留；拼接模块，用于拼接处理后以及无干扰的电磁时间序列。
[0013]第三方面，本专利技术提供一种电子终端，其包括一个或多个处理器以及存储了一个或多个计算机程序的存储器，所述处理器调用计算机程序以实现：一种电磁时间序列数据处理的方法的步骤。
[0014]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实现：一种电磁时间序列数据处理的方法的步骤。
[0015]有益效果1.本专利技术提供了一种电磁时间序列数据处理的方法及系统，其中，通过奇异值占比率选择合适的汉克尔矩阵，再进行SVD分解，将时间序列中存在的凸起部分采用ICEEMD本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种电磁时间序列数据的去噪方法，其特征在于：包括以下步骤：步骤S101：获取原始电磁时间序列数据，将所述原始电磁时间序列数据表征成一维时间序列；步骤S102：根据奇异值占比率自适应确定所述的一维时间序列对应的汉克尔矩阵的维数；步骤S103：基于步骤S102确定的维数将所述一维时间序列进行SVD分解得到近似时间序列和细节时间序列；步骤S104：将所述细节时间序列对应叠加，采用ICEEMDAN将叠加的细节时间序列自适应分解成多个模态分量，并基于设定瞬时模态分量阈值识别有无脉冲序列，将有脉冲序列的部分进行截断处理，无干扰的部分保留；步骤S105：拼接步骤S104中处理后以及无干扰的电磁时间序列。2.根据权利要求1所述的方法，其特征在于：步骤S102中根据奇异值占比率自适应确定所述一维时间序列对应的汉克尔矩阵的维数的过程为：步骤S1021：设定汉克尔矩阵P的维数n，利用所述一维时间序列构造汉克尔矩阵P，对矩所述汉克尔矩阵P进行SVD分解处理得到奇异值矩阵；步骤S1022：计算所述奇异值矩阵中每个奇异值对应的奇异值占比率；步骤S1023：判断当前得到的奇异值占比率中是否存在奇异值占比率小于或等于预设阈值，若存在，当前确定的维数是步骤S102确定的最终维数；否则，返回步骤S1021，维数n+1。3.根据权利要求1所述的方法，其特征在于：步骤S103是基于步骤S102确定的维数将所述一维时间序列采用多层次SVD分解得到不同分辨率的近似时间序列和细节时间序列时，具体过程如下：S1031：基于步骤S102确定的维数将所述一维时间序列采用SVD分解得到奇异值矩阵；S1032：确定所述奇异值矩阵中的主奇异值，其余为细节奇异值；再利用SVD的逆运算重构得到近似时间序列和细节时间序列，其中，所述主奇异值为近似奇异值；S1033：针对所述近似时间序列返回执行步骤S1031，达到最佳分解层数时停止循环，其中，将所述近似时间序列作为步骤S1031中的所述一维时间序列进行SVD分解。4.根据权利要求3述的方法，其特征在于：步骤S1032中根据多尺度样本熵确定所述奇异值矩阵中的主奇异值，具体为：获取所述奇异值矩阵中每个奇异值对应的多尺度样本熵；将每个奇异值对应的多尺度样本熵输入基于多尺度样本熵构建的支持向量机模型中得到每个奇异值对应是主奇异值或细节奇异值的分类结果；其中，所述基于多尺度样本熵构建的支持向量机模型是以多尺度...

【专利技术属性】
技术研发人员：李晋，马翻红，李年春，罗宇成，刘业成，苏贵，张贤，
申请(专利权)人：湖南师范大学，
类型：发明
国别省市：