【技术实现步骤摘要】
本申请涉及深度学习，具体公开了一种基于深度学习网络的电磁法信号处理方法及装置。
技术介绍
1、随着计算机技术的日益发展，人工智能技术已走向实际的工程应用。其中，以机器学习为代表的人工智能技术被广泛应用于信号处理。机器学习是基于统计类学习的方法，通过数据搜寻相关信息，从而学习特征规律，进而实现分类、回归及预测等功能，具备一定的泛化能力。深度学习是机器学习中一种基于对数据进行表征学习的方法，也是机器学习研究中的一个新领域，通常用于构建神经网络模型进行数据处理与分析，尤其适用于数据量大的情况下，应用效果优于机器学习等小样本数据处理。
2、电磁法数据逐渐由单分量发展至多分量，单频发展至多频，使得数据量呈倍数增长。同时，电磁噪声严重地影响了电磁法数据质量，正是因为噪声影响，困扰了电磁法研究者对数据分析的瓶颈。然而，现有的机器学习方法利用监督学习和无监督学习方法应用于电磁信号处理，分别从不同角度改善了数据质量，但仍然存在数据量小且噪声识别的困难。
3、因此，专利技术人鉴于现有机器学习方法的不足，提供了一种基于深度学习网络的电...
【技术保护点】
1.一种基于深度学习网络的电磁法信号处理方法，其特征在于：包括如下步骤：
2.根据权利要求1所述的一种基于深度学习网络的电磁法信号处理方法，其特征在于，在步骤S2中，所述深度学习网络模型利用卷积神经网络和门控循环单元网络相结合。
3.根据权利要求1或2所述的一种基于深度学习网络的电磁法信号处理方法，其特征在于，在步骤S2中，所述卷积门控循环单元包括卷积层、池化层、Dropout层、门控循环单元层、全连接层；所述特征提取与模型训练是将数据作为输入，利用卷积进行特征提取，通过池化压缩参数数量和降低数据维度，加入Dropout层按照一定概率随机选择网...
【技术特征摘要】
1.一种基于深度学习网络的电磁法信号处理方法，其特征在于：包括如下步骤：
2.根据权利要求1所述的一种基于深度学习网络的电磁法信号处理方法，其特征在于，在步骤s2中，所述深度学习网络模型利用卷积神经网络和门控循环单元网络相结合。
3.根据权利要求1或2所述的一种基于深度学习网络的电磁法信号处理方法，其特征在于，在步骤s2中，所述卷积门控循环单元包括卷积层、池化层、dropout层、门控循环单元层、全连接层；所述特征提取与模型训练是将数据作为输入，利用卷积进行特征提取，通过池化压缩参数数量和降低数据维度，加入dropout层按照一定概率随机选择网络中的神经元，利用门控循环单元层对降维后的数据进行处理，最终利用全连接层将数据转为一维结构，输出深度学习网络模型。
4.根据权利要求3所述的一种基于深度学习网络的电磁法信号处理方法，其特征在于，在步骤s2中，卷积层用作特征提取，将输入数据转化为抽象表示：
5.根据权利要求4所述的一种基于深度学习网络的电磁法信号处理方法，其特征在于，在步骤s2中，池化...
【专利技术属性】
技术研发人员：张贤，潘彬，谭笑，邓茂林，肖育怀，屈文静，顾诗云，
申请(专利权)人：湖南财政经济学院，
类型：发明
国别省市：
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。