基于深度学习网络对半航空电磁法数据去噪方法及系统

本发明属于地球物理，具体涉及基于深度学习网络对半航空电磁法数据去噪方法及系统。

背景技术：

1、半航空瞬变电磁勘探法(satem)作为一种地面激发-空中接收的物探方法，可以快速准确实现大面积深部地下结构探测，适用于湖泊、沼泽和山区等地面物探工作无法开展的区域，在未来我国的资源勘查和工程施工领域有着不可估量的发展潜质，所以研究其数据处理方法非常重要。但是，半航空瞬变电磁探测系统还存在着晚期数据受噪声影响难以分离的问题。

2、半航空电法数据的传统去噪方法有很多。首先，从时间域和频率域分析得出运动噪声的主要能量集中在低频域，从而抑制运动噪声，但这种方法需要在时间和频率分辨率之间做权衡，选择合适的分析方法；通过反演运算利用主成分压制噪声，但这样会导致计算复杂度较高，对初始模型的依赖性较强；通过小波阈值法去除噪声，但可能存在对信号的突变不敏感的问题。

3、随着深度学习的兴起，采用字典学习算法去除时间域航空电磁数据中具有稀疏性质且噪声较为复杂的情况下的噪声信号，但是字典学习算法涉及迭代优化过程，因此在计算上较为复杂，并且字典学习在局部区域更有效，但在其他区域可能无法捕捉到信号的复杂性，尤其是对于时变信号。

技术实现思路

1、本发明旨在解决现有技术的不足，针对晚期数据的信噪分离提出了一种基于深度学习网络对半航空电磁法数据去噪方法及系统，利用transformer网络的优点，同时在其基础上进行改进，自注意力机制使transformer网络能够捕捉信号中的非局部关系，有助于处理tem数据中的长程依赖关系。

2、为实现上述目的，本发明提供了如下方案：基于深度学习网络对半航空电磁法数据去噪方法，包括以下步骤：

3、s1、构建数据采集模型，基于所述数据采集模型，采集训练数据；对所述训练数据进行划分，得到训练集和测试集；

4、s2、构建初始深度学习网络模型，采用所述训练集对所述初始深度学习网络模型进行训练优化，并基于测试集对所述初始深度学习网络模型进行测试，得到transformer网络模型，所述transformer网络模型用于对半航空电磁法数据进行去噪，得到去噪数据。

5、进一步优选地，所述数据采集模型包括：d型模型和h型模型；

6、所述d型模型为两层地电模型，电性特征为“高低”形式；

7、所述h型模型为三层地电模型，电性特征为“高低高”形式；

8、通过对所述d型模型和所述h型模型设定若干组层厚及电阻率组合，采集所述训练数据。

9、进一步优选地，所述transformer网络模型包括：encoder部分和decoder部分；

10、所述encoder部分和所述decoder部分均包含有6个block。

11、进一步优选地，所述encoder部分包括：一个multi-head attention层、一个feedforward层以及两个add&norm层；

12、所述decoder部分包括：两个multi-head attention层、一个feed forward层和三个add&norm层。

13、进一步优选地，

14、所述multi-head attention层由若干个self-attention组成；

15、所述self-attention的输出为：

16、

17、式中，q、k、v为矩阵，dk为矩阵q、k的向量维度；t表示转置。

18、进一步优选地，

19、所述feed forward层为一个两层的全连接层；第一层的激活函数为relu，第二层不使用激活函数；

20、所述feed forward层通过线性变换，先将输入的数据映射到高纬度的空间再映射到低纬度的空间，从而提取深层次的特征；

21、所述feed forward层的计算方法包括：

22、max(0，xw1+b1)w2+b2，

23、式中，x表示输入；w1表示第一层的权重；b1表示第一层的偏差；w2表示第二层的权重；b2表示第二层的偏差；max表示relu。

24、进一步优选地，

25、所述add&norm层包含add和norm两部分；add为一种残差连接，用于解决训练过程中梯度消失问题；norm用于对每一层的激活值进行归一化；

26、所述add部分的计算方法包括：

27、layernorm(x+multihead attention(x))，

28、所述norm部分的计算方法包括：

29、layernorm(x+feed forward(x))，

30、式中，x表示输入；multi head attention(x)和feed forward(x)表示输出。

31、本发明还提供了基于深度学习网络对半航空电磁法数据去噪系统，包括：第一构建模块以及第二构建模块；

32、所述第一构建模块用于构建数据采集模型，基于所述数据采集模型，采集训练数据；对所述训练数据进行划分，得到训练集和测试集；

33、所述第二构建模块用于构建初始深度学习网络模型，采用所述训练集对所述初始深度学习网络模型进行训练优化，并基于测试集对所述初始深度学习网络模型进行测试，得到transformer网络模型，所述transformer网络模型用于对半航空电磁法数据进行去噪，得到去噪数据。

34、与现有技术相比，本发明的有益效果为：

35、本发明通过设置不同的层厚及电阻率作为变量来提高数据集的泛化性，以此来提高网络训练的效果。相较于传统的时间域和频率域分析方法，由于transformer网络模型设计用于处理序列数据，它能够有效地捕捉半航空瞬变电磁法产生的时序信息，对时域信号的建模能力较强，有助于处理具有复杂时域特性的电磁数据。

36、相较于反演运算，小波阈值法等，transformer中的自注意力机制使得网络能够更好地关注时序数据中不同时间步之间的依赖关系，从而更有效地处理tem数据中的瞬变信号和复杂时域结构，有助于去除噪声。此外，相较于字典学习，transformer网络具有并行计算的特性，可以更有效地处理大规模的数据，提高训练速度。架构的灵活性使得它能够适应不同的数据特征和去噪需求，通过调整参数来实现适应性。

技术特征：

1.基于深度学习网络对半航空电磁法数据去噪方法，其特征在于，包括以下步骤：

2.根据权利要求1所述基于深度学习网络对半航空电磁法数据去噪方法，其特征在于，所述数据采集模型包括：d型模型和h型模型；

3.根据权利要求1所述基于深度学习网络对半航空电磁法数据去噪方法，其特征在于，所述transformer网络模型包括：encoder部分和decoder部分；

4.根据权利要求3所述基于深度学习网络对半航空电磁法数据去噪方法，其特征在于，所述encoder部分包括：一个multi-head attention层、一个feed forward层以及两个add&norm层；

5.根据权利要求4所述基于深度学习网络对半航空电磁法数据去噪方法，其特征在于，

6.根据权利要求4所述基于深度学习网络对半航空电磁法数据去噪方法，其特征在于，

7.根据权利要求4所述基于深度学习网络对半航空电磁法数据去噪方法，其特征在于，

8.基于深度学习网络对半航空电磁法数据去噪系统，所述系统用于实现权利要求1-7任一项所述的方法，其特征在于，包括：第一构建模块以及第二构建模块；

技术总结本发明公开了基于深度学习网络对半航空电磁法数据去噪方法及系统，属于地球物理技术领域。方法包括以下步骤：S1、构建数据采集模型，基于数据采集模型，采集训练数据；对训练数据进行划分，得到训练集和测试集；S2、构建初始深度学习网络模型，采用训练集对初始深度学习网络模型进行训练优化，并基于测试集对初始深度学习网络模型进行测试，得到Transformer网络模型，Transformer网络模型用于对半航空电磁法数据进行去噪，得到去噪数据。利用Transformer网络的优点，同时在其基础上进行改进，自注意力机制使Transformer网络能够捕捉信号中的非局部关系，有助于处理TEM数据中的长程依赖关系。技术研发人员：鲜明浩,张玉法,徐铮伟,廖勇,陈宁受保护的技术使用者：成都理工大学技术研发日：技术公布日：2024/7/29