【技术实现步骤摘要】
本专利技术属于位场数据处理，尤其涉及一种无监督深度学习的位场数据去噪方法。
技术介绍
1、位场数据被广泛应用于构造背景研究、自然灾害评价、矿产勘查等各种地质、地球物理和工程活动中。为了保证位场数据解译结果的准确性，在解译之前需要进行去噪工作。位场数据的去噪主要采用定向高通滤波器，并结合离散小波变换、曲波变换等数学方法。此外，也有多种拟合的方法：最小二乘拟合、多项式拟合等。上述方法存在着局限性。基于滤波思想的去噪方法通常会同时抹去数据中地质体产生的某些特征。滤波器宽度和其他参数的确定是主观的，获得的结果在很大程度上取决于主观经验。对于拟合类的方法，复杂的背景信号很难用数学趋势面很精确地表示，边界效应很严重。统计类方法需要通过移动窗口法将初始观测值表示为一组统计变量，移动窗口的大小对结果的影响是巨大的，移动窗口的尺寸设置需要依赖主观经验。
2、深度学习技术发展迅速，在各个领域得到了广泛的应用。它能够使计算机在没有人为干预的情况下，建立从输入到期望输出的映射关系。这样可以准确识别大量输入数据中的特征。现有的位场数据去噪深度学习网络...
【技术保护点】
1.一种无监督深度学习的位场数据去噪方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的无监督深度学习的位场数据去噪方法，其特征在于，所述步骤S1的具体操作为：
3.根据权利要求2所述的无监督深度学习的位场数据去噪方法，其特征在于，所述步骤S2的具体操作为：
4.根据权利要求3所述的无监督深度学习的位场数据去噪方法，其特征在于，所述去噪网络为带有自注意力机制的U-net网络，所述去噪网络结构包括典型噪声数据遮盖、遮盖部分数据恢复与马尔科夫链去噪三部分。
5.根据权利要求4所述的无监督深度学习的位场数据去噪方法，其特...
【技术特征摘要】
1.一种无监督深度学习的位场数据去噪方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的无监督深度学习的位场数据去噪方法，其特征在于，所述步骤s1的具体操作为：
3.根据权利要求2所述的无监督深度学习的位场数据去噪方法，其特征在于，所述步骤s2的具体操作为：
4...
【专利技术属性】
技术研发人员：孙伯轩，马国庆，杨长保，王泰涵，李丽丽，孟庆发，
申请(专利权)人：吉林大学，
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。