论文部分内容阅读
大地电磁测深法(MT)利用天然电磁场作为场源,信号弱、频带宽,实测数据常常包含人文干扰,如何降低和分离大地电磁观测数据中的干扰是MT数据处理的关键.阶跃噪声作为一种常见的随机干扰,传统的时频分析和去噪方法难以达到理想的去噪效果.因此,开发针对阶跃噪声去噪方法具有实际意义.循环神经网络(RNN)作为一种针对序列数据特殊的神经网络,它具有与传统网络不同的循环结构,能够灵活地使用相邻数据的信息并确定输入与标签之间的对应关系,具备较强的时间域噪声去噪潜力.选用RNN中的长短时记忆循环神经网络(LSTM)对大地电磁数据序列去噪进行了探索性分析.首先分析了包含高斯随机信号与阶跃噪声的合成时间序列噪声分离效果,网络结构采用以LSTM网络为核心的解码器与编码器,训练算法采用对大型数据处理能力以及计算效率较为理想的Adam算法.训练完成后对含阶跃噪声的实测MT序列进行测试,测试原始数据为缅甸北部一个干扰极低的AMT测点低频段数据(采样频率为150Hz).测试方法为在Hx道数据中人工加入阶跃噪声,将实测AMT序列与阶跃噪声合成序列生成数据集,利用一个测点的数据作为训练集,另外一个测点的数据作为验证集,含阶跃噪声的实测信号作为网络输入,模型的期望输出为阶跃噪声的时间序列,通过含噪声合成序列与训练阶跃序列求差实现去噪分析.