论文部分内容阅读
大地电磁探测法以天然场作为源信号,被广泛用于地球深部探测。但是,天然的大地电磁信号微弱、不稳定且随机,因此容易受到人文噪声的影响。本文利用自组织竞争神经网络(Self-organizing competitive neural network,SCNN)结合小生境粒子群(Niche particle swarm optimization,NPSO)-正交匹配追踪(Orthogonal matching pursuit,OMP)稀疏分解的方法进行大地电磁高质量数据提取以及大尺度噪声分离,主要研究工作如下:(1)系统的分析了高质量大地电磁数据与受强人文噪声污染的大地电磁数据在时间域的特征。对采集的大地电磁时间序列进行合理的分段(每一段为一个样本),标记出高质量样本与低信噪比样本。然后计算每个样本的峰值、均方根值、方差、标准差、样本熵、模糊熵等特征参数。发现高质量样本与低信噪比样本有着明显不同的特征值。(2)利用自组织竞争神经网络算法代替人工判别,实现自动化的信噪辨识。人工判别需要工作人员具有较丰富的经验,不仅工作量大,且存在不同工作人员评判标准不一等问题。为此,研究了基于自组织竞争神经网络的自动判别方法。通过仿真实验和实测数据实验分析,验证了方法的有效性。(3)针对大地电磁数据中常出现的冲击类噪声,构建了与之匹配性好、适应性强的冗余字典,并结合正交匹配追踪算法进行强噪声提取。针对OMP算法效率低、耗时长的问题,利用NPSO算法对OMP分解过程进行优化。仿真实验以及实测数据处理结果表明,与常规的方法如小波、EMD等方法相比,NPSO-OMP法能更准确的分离出大尺度干扰,更好的保留有效信号。(4)将自组织竞争神经网络信噪辨识与NPSO-OMP稀疏分解结合,提出了稀疏度自适应的去噪方法。将自组织竞争神经网络识别出的高质量信号的最大均方根值作为稀疏分解的停止条件,代替人工设定停止条件,实现NPSO-OMP稀疏分解的自动停止。本文将SCNN与NPSO-OMP稀疏分解算法结合,提出了一套自动化的大地电磁强干扰分离方法。仿真实验以及实测数据处理结果表明,所提方法能够准确的识别出大地电磁强干扰片段,并有效分离出其中的强人文噪声,提高大地电磁数据质量。