CN112713907B - 一种基于字典学习的海洋csem降噪方法及系统 - Google Patents
一种基于字典学习的海洋csem降噪方法及系统 Download PDFInfo
- Publication number
- CN112713907B CN112713907B CN202011537201.7A CN202011537201A CN112713907B CN 112713907 B CN112713907 B CN 112713907B CN 202011537201 A CN202011537201 A CN 202011537201A CN 112713907 B CN112713907 B CN 112713907B
- Authority
- CN
- China
- Prior art keywords
- signal
- dictionary
- marine csem
- learning
- marine
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Expired - Fee Related
Links
- 230000009467 reduction Effects 0.000 title claims abstract description 75
- 238000000034 method Methods 0.000 title claims abstract description 49
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 41
- 239000011159 matrix material Substances 0.000 claims description 21
- 238000000354 decomposition reaction Methods 0.000 claims description 11
- 238000003860 storage Methods 0.000 claims description 6
- 238000012937 correction Methods 0.000 claims description 3
- 230000000694 effects Effects 0.000 abstract description 34
- 238000010586 diagram Methods 0.000 description 16
- 230000006870 function Effects 0.000 description 9
- 239000013598 vector Substances 0.000 description 9
- 238000004590 computer program Methods 0.000 description 7
- 239000013535 sea water Substances 0.000 description 7
- 230000033001 locomotion Effects 0.000 description 6
- 230000008569 process Effects 0.000 description 6
- 238000004088 simulation Methods 0.000 description 6
- 238000012545 processing Methods 0.000 description 5
- 238000011160 research Methods 0.000 description 5
- 238000011156 evaluation Methods 0.000 description 4
- 238000002474 experimental method Methods 0.000 description 4
- 238000012549 training Methods 0.000 description 4
- 238000004458 analytical method Methods 0.000 description 3
- 230000002238 attenuated effect Effects 0.000 description 3
- 230000008901 benefit Effects 0.000 description 3
- 230000005672 electromagnetic field Effects 0.000 description 3
- NMJORVOYSJLJGU-UHFFFAOYSA-N methane clathrate Chemical compound C.C.C.C.O.O.O.O.O.O.O.O.O.O.O.O.O.O.O.O.O.O.O.O.O.O.O NMJORVOYSJLJGU-UHFFFAOYSA-N 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 230000010355 oscillation Effects 0.000 description 3
- 230000004044 response Effects 0.000 description 3
- 239000011435 rock Substances 0.000 description 3
- OAICVXFJPJFONN-UHFFFAOYSA-N Phosphorus Chemical compound [P] OAICVXFJPJFONN-UHFFFAOYSA-N 0.000 description 2
- 230000003044 adaptive effect Effects 0.000 description 2
- 230000005540 biological transmission Effects 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 238000010276 construction Methods 0.000 description 2
- 238000001914 filtration Methods 0.000 description 2
- 239000007789 gas Substances 0.000 description 2
- 230000006698 induction Effects 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 238000011946 reduction process Methods 0.000 description 2
- 230000009471 action Effects 0.000 description 1
- 239000000654 additive Substances 0.000 description 1
- 230000000996 additive effect Effects 0.000 description 1
- 230000004888 barrier function Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000007906 compression Methods 0.000 description 1
- 230000007423 decrease Effects 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 230000005358 geomagnetic field Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000010361 irregular oscillation Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000002156 mixing Methods 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000011056 performance test Methods 0.000 description 1
- 238000011158 quantitative evaluation Methods 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 230000008054 signal transmission Effects 0.000 description 1
- 238000001228 spectrum Methods 0.000 description 1
- 230000001629 suppression Effects 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 238000013519 translation Methods 0.000 description 1
Images
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04B—TRANSMISSION
- H04B1/00—Details of transmission systems, not covered by a single one of groups H04B3/00 - H04B13/00; Details of transmission systems not characterised by the medium used for transmission
- H04B1/06—Receivers
- H04B1/10—Means associated with receiver for limiting or suppressing noise or interference
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01V—GEOPHYSICS; GRAVITATIONAL MEASUREMENTS; DETECTING MASSES OR OBJECTS; TAGS
- G01V3/00—Electric or magnetic prospecting or detecting; Measuring magnetic field characteristics of the earth, e.g. declination, deviation
- G01V3/38—Processing data, e.g. for analysis, for interpretation, for correction
Landscapes
- Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Environmental & Geological Engineering (AREA)
- Geology (AREA)
- Remote Sensing (AREA)
- Physics & Mathematics (AREA)
- General Life Sciences & Earth Sciences (AREA)
- General Physics & Mathematics (AREA)
- Geophysics (AREA)
- Radar Systems Or Details Thereof (AREA)
Abstract
本公开公开的一种基于字典学习的海洋CSEM降噪方法及系统，包括：获取海洋CSEM信号；确定海洋CSEM信号的最小收发距位置；从海洋CSEM信号中，选取离最小收发距位置设定距离内的信号，作为样本进行学习，获得学习字典；根据获得的学习字典，通过正交匹配追踪算法对海洋CSEM信号进行稀疏重构，获得降噪后海洋CSEM信号。通过选取离最小收发距位置设定距离内的信号进行学习获得学习字典，提高了字典与信号的相关性，通过该学习字典对采集的海洋CSEM信号进行降噪时，能够有效降低海洋CSEM信号中的噪声，提高海洋CSEM信号的降噪效果。
Description
技术领域
本发明涉及海洋可控源电磁法信号处理技术领域，尤其涉及一种基于字典学习的海洋CSEM降噪方法及系统。
背景技术
本部分的陈述仅仅是提供了与本公开相关的背景技术信息，不必然构成在先技术。
海洋可控源电磁法(controlled source electromagnetic method,CSEM)是一种依据电阻率的不同来区分目标层与围岩的频率域主动源电磁法，广泛应用于海底油气与天然气水合物的勘探中。海洋CSEM工作原理如图1所示，作业时接收机按照一定规则分布在海底，发射机在作业船只的拖曳下在离海底25-100m的范围内沿一定轨迹前行并发射电磁信号。
海洋可控源电磁法对高导背景中的高阻层非常敏感，依靠电阻率的差异能够有效区分目的层与围岩。随着收发距的增加，信号幅值呈近似指数衰减。在中、远收发距时信号比较微弱，容易受到多种类型噪声的影响。现有研究表明，可以依据噪声的来源将噪声分为以下几类：
(1)偶极子振荡噪声。在海底洋流及其他因素作用下，接收电极臂产生非规则振荡，微小振荡所产生噪声强度即与目标层信号强度相当。
(2)海水运动噪声。海面上波浪及海水中洋流在运动过程中切割地磁场磁感线形成感应电磁场。其频率与波浪或洋流密切相关，通常频率较低。
(3)天然电磁场噪声。天然电磁场的变化会对接收机中的信号产生影响，如海底大地电磁信号等。
(4)随机噪声。此类噪声既包括仪器内部噪声，也包括由外界随机干扰所导致的噪声。
(5)空气波。电磁波传播过程中途径空气-海水界面产生的噪声，在浅水海域对有效信号造成较大干扰。虽存在空气波是否噪声的争议，仍有部分学者将其作为噪声消除。
目前数据降噪集中在传统滤波、时间域滤波及变换域降噪等方面，相关研究的噪声设定为随机噪声或高斯白噪声。海洋可控源电磁法工作时，受到多种因素的影响，目前的降噪方法仅将噪声限定为高斯白噪声或仅针对单一类型的噪声具有一定的局限性。
发明内容
本公开为了解决上述问题，提出了一种基于字典学习的海洋CSEM降噪方法及系统，通过选取离最小收发距位置设定距离内的信号进行学习获得学习字典，提高了字典与信号的相关性，通过该学习字典对采集的海洋CSEM信号进行降噪时，能够有效降低海洋CSEM信号中的噪声，提高海洋CSEM信号的降噪效果。
为实现上述目的，本公开采用如下技术方案：
第一方面，提出了一种基于字典学习的海洋CSEM降噪方法，包括：
获取海洋CSEM信号；
确定海洋CSEM信号的最小收发距位置；
从海洋CSEM信号中，选取离最小收发距位置设定距离内的信号，作为样本进行学习，获得学习字典；
根据获得的学习字典，通过正交匹配追踪算法对海洋CSEM信号进行稀疏重构，获得降噪后海洋CSEM信号。
第二方面，提出了一种基于字典学习的海洋CSEM降噪系统，包括：
信号采集模块，用于获取海洋CSEM信号；
最小收发距位置确定模块，用于确定海洋CSEM信号的最小收发距位置；
学习字典获取模块，用于从海洋CSEM信号中，选取离最小收发距位置设定距离内的信号，作为样本进行学习，获得学习字典；
降噪后信号获取模块，用于根据获得的学习字典，通过正交匹配追踪算法对海洋CSEM信号进行稀疏重构，获得降噪后海洋CSEM信号。
第三方面，提出了一种电子设备，包括存储器和处理器以及存储在存储器上并在处理器上运行的计算机指令，所述计算机指令被处理器运行时，完成一种基于字典学习的海洋CSEM降噪方法所述的步骤。
第四方面，提出了一种计算机可读存储介质，用于存储计算机指令，所述计算机指令被处理器执行时，完成一种基于字典学习的海洋CSEM降噪方法所述的步骤。
与现有技术相比，本公开的有益效果为：
1、本公开通过选取离最小收发距位置设定距离内的信号进行学习获得学习字典，提高了海洋CSEM信号与学习字典的相关性，从而通过该学习字典对海洋CSEM信号进行稀疏编码并降噪重构时，能够获得更优的稀疏表达效果，能够有效降低海洋CSEM信号中的噪声，提高了海洋CSEM信号的降噪效果，且不受噪声类型的影响。
本发明附加方面的优点将在下面的描述中部分给出，部分将从下面的描述中变得明显，或通过本发明的实践了解到。
附图说明
构成本申请的一部分的说明书附图用来提供对本申请的进一步理解，本申请的示意性实施例及其说明用于解释本申请，并不构成对本申请的不当限定。
图1为海洋CSEM工作原理图；
图2为本公开实施例1公开的海洋CSEM降噪字典学习流程图；
图3为本公开实施例1中构建的模型与响应图；
图4为本公开实施例1中提到的噪声与含噪声的海洋CSEM信号图；
图5为本公开实施例1中实验获得的不同字典下的重构误差曲线图；
图6为本公开实施例1中实验获得的不同字典下的降噪结果图；
图7为本公开实施例1中提到的R2站点五分量时间序列图；
图8为本公开实施例1获得的实际信号特征及收敛图；
图9为本公开实施例1获得的三种字典下0.5Hz MVT图；
图10为本公开实施例1获得的三种字典下1.5Hz MVT图。
具体实施方式：
下面结合附图与实施例对本公开作进一步说明。
应该指出，以下详细说明都是例示性的，旨在对本申请提供进一步的说明。除非另有指明，本文使用的所有技术和科学术语具有与本申请所属技术领域的普通技术人员通常理解的相同含义。
需要注意的是，这里所使用的术语仅是为了描述具体实施方式，而非意图限制根据本申请的示例性实施方式。如在这里所使用的，除非上下文另外明确指出，否则单数形式也意图包括复数形式，此外，还应当理解的是，当在本说明书中使用术语“包含”和/或“包括”时，其指明存在特征、步骤、操作、器件、组件和/或它们的组合。
在本公开中，术语如“上”、“下”、“左”、“右”、“前”、“后”、“竖直”、“水平”、“侧”、“底”等指示的方位或位置关系为基于附图所示的方位或位置关系，只是为了便于叙述本公开各部件或元件结构关系而确定的关系词，并非特指本公开中任一部件或元件，不能理解为对本公开的限制。
本公开中，术语如“固接”、“相连”、“连接”等应做广义理解，表示可以是固定连接，也可以是一体地连接或可拆卸连接；可以是直接相连，也可以通过中间媒介间接相连。对于本领域的相关科研或技术人员，可以根据具体情况确定上述术语在本公开中的具体含义，不能理解为对本公开的限制。
实施例1
海洋可控源电磁法(controlled source electromagnetic method,CSEM)是一种依据地层电阻率差异来探测海底地层状况的频率域电磁勘探方法，广泛应用于海底油气评价与天然气水合物勘探之中。海洋CSEM信号幅值随收发距的增加近似指数衰减，中远收发距时信号较弱，极易受到噪声的影响，降噪是海洋CSEM应用中十分重要的一环。本实施例从信号特征出发，提出压缩感知框架下一种基于字典学习的海洋CSEM降噪方法，在压缩感知框架下，信号的降噪效果与所选取的字典直接相关，所选字典与信号相关性越强，信号的降噪效果越好，而通过字典学习算法对样本集的学习而得的学习字典通常具有更好的相关性。首先，选取离最小收发距位置设定距离内的信号或纯净信号段组成样本集。之后，采用字典学习K-SVD算法对样本集进行学习得到学习字典。最后，依据所得学习字典通过正交匹配追踪(orthogonal matching pursuit,OMP)算法将海洋CSEM信号进行稀疏表达与降噪重构。并进行数值模拟实验，并通过与其他传统降噪方法的对比，验证了一种基于字典学习的海洋CSEM降噪方法的有效性。最后将该降噪方法应用于琼东南盆地的现场数据，结果表明该方法能够有效降低信号中噪声的影响。
本实施例采用字典学习算法进一步推进压缩感知框架下海洋可控源电磁数据的降噪研究。理论上，通过对信号特征进行学习所得的学习字典相较于其他给定字典具有更好的相关性，能够取得更佳的降噪效果。
一种基于字典学习的海洋CSEM降噪方法，包括：
获取海洋CSEM信号；
确定海洋CSEM信号的最小收发距位置；
从海洋CSEM信号中，选取离最小收发距位置设定距离内的信号，作为样本进行学习，获得学习字典；
根据获得的学习字典，通过正交匹配追踪算法对海洋CSEM信号进行稀疏重构，获得降噪后海洋CSEM信号。
进一步的，将海洋CSEM信号形成MVT曲线，通过MVT曲线确定信号收发距最小位置处。
进一步的，根据移动发射站的移动速度和设定的离最小收发距位置的距离，计算获得信号的截取时间，根据信号的截取时间，从海洋CSEM信号中截取信号，进行字典学习。
进一步的，对于采集的海洋CSEM信号进行方位校正，通过方位校正后的信号形成MVT曲线。
进一步的，通过K-SVD算法对样本进行学习。
进一步的，在字典学习中，以误差最小为标准，通过对误差矩阵的奇异值分解，选择最小误差分解项作为字典原子的更新项与相应的稀疏系数。
进一步的，将海洋CSEM信号进行稀疏表示，根据获得的学习字典，通过正交匹配追踪算法对海洋CSEM信号进行稀疏编码，将稀疏编码后信号进行重构，获得降噪后海洋CSEM信号。
一种基于字典学习的海洋CSEM降噪方法，流程如图2所示，将字典学习算法应用于海洋CSEM降噪流程之中的重点就是样本集的选取与构建，在数值模拟实验中常截取固定长度的信号作为样本数据。在海洋CSEM作业中，多采用固定接收站移动发射站的方式作业，随着收发距的增加，海洋CSEM信号幅值呈近似指数衰减。在收发距较小的阶段，海洋CSEM有效信号幅值较大且受噪声影响较小，因而选用离最小收发距位置设定距离内的信号为训练样本，进行字典学习。
将构建的训练样本带入K-SVD字典学习流程，在初始字典给定DST字典时，不断通过稀疏分解与迭代计算更新字典原子。将目标信号在学习字典下进行稀疏分解与重构，设定重构精度与最大迭代次数，完成降噪过程。其中迭代精度或最大迭代次数由数值模拟实验确定。目标信号为采集的海洋CSEM信号。
K-SVD字典学习流程如下：
(一)稀疏编码
假定有限长的一维离散信号
可看作RN空间中Nx1维的列向量，元素为x(n)，n＝1,2,…N。由数理知识可知，RN空间的任何信号都可以用Nx1维的列向量
的线性组合表示，这样一组非相关的向量组成RN空间下的一个基。如果基向量规范正交，则以基向量为列向量形成一个正交基，表现为NxN的矩阵，则该空间的任意信号均可表示为
其中
为信号在该基函数矩阵之下的投影。
与
是同一信号在不同基函数下的表达，如果在
中仅需K个元素就可很好地近似表示信号，则表示信号
在基函数
下是K稀疏的。此时
其中ε表示误差。此时求解
稀疏表示的问题转化为
式中||·||0为求零范数操作，表示向量中非零稀疏的个数。式(3)为一个NP-hard问题，为方便求解，常将其转化为
其中||·||2为求解2范数操作，表示向量元素绝对值平方和的正平方根。式(4)可通过匹配追踪算法求解。本实施例采用正交匹配追踪算法进行求解，其基本流程为：
(1)初始化r0＝y,Λ0＝φ,t＝1；
(2)找出索引λt，使得
(3)令Λt＝Λt-1∪{λt}；
(4)计算{Φλ:λ∈Λt}张成空间的正交投影Pt；
(5)计算新的近似xt和残差rt:xt＝Pty,rt＝y-xt
(6)t＝t+1，如果t<K，返回(2)
(7)获得估计
在索引ΛK位置的非零元，且在该位置的测量向量逼近为：
海洋CSEM发射信号一般采用方波或组合双极性方波，发射信号在频率域稀疏，而噪声频谱杂乱无章，一般认为无法稀疏表示。海洋CSEM数据的降噪问题转化为求得在特定字典下含噪声信号的稀疏表达问题。传统的采用DST字典与DST-Wavelet级联字典开展海洋可控源电磁数据的降噪研究，取得了一定的降噪效果。但给定的字典只能在一定程度上提供信号的稀疏表达，而一个好的稀疏表示方法应该更加灵活、更加简洁和自适应，能够根据信号的特点自适应地选择合适的基函数，并完成信号分解得到简洁的表示结果。因此本实施例引入字典学习算法，针对某信号特征构建自适应稀疏域矩阵，完成对信号的稀疏表示。
(二)字典学习
字典学习的目的是通过机器学习的方式得到针对信号特征的自适应字典，使得该字典更加符合信号的固有特征，同时使同类观测信号在该字典下能够取得最优的稀疏表达，经典的字典学习算法以最小的重构误差和最大的稀疏度为原则，尽可能精确地逼近并重构原始信号。
目前最常用的稀疏表示算法为K-SVD算法，K-SVD于2006年首次提出，源于机器学习算法中K聚类分析，以误差最小为标准，通过对误差矩阵的奇异值分解(SVD)，选择最小误差分解项作为字典原子的更新项与相应的稀疏系数。由于K-SVD算法避免了矩阵的求逆运算，因而运算复杂度低，且收敛速度快，成为当前最常用的字典学习算法。K-SVD目标函数为：
其中
为训练所得字典，
为原始信号矩阵，
为稀疏表达矩阵，T0为给出的目标稀疏度，||·||F表示Frobenius范数。假定字典
固定，那么上述问题转变为求解固定字典下信号的稀疏表达问题，则惩罚项转化为：
则方程(5)可转化为N个可由OMP算法独立求解的问题。
假定系数矩阵
与字典
均固定，取字典中第k个原子记做
系数矩阵中与之相关的第k行记做
其中T表示转置，则惩罚项可表示为：
其中
项表示除第k项外的误差矩阵。若直接对误差矩阵使用奇异值分解算法，则导致第k项系数不再稀疏。
定义ωk作为指向样本集中使用元素
的索引，则
定义
为N×|ωk|大小的矩阵，其中坐标为(ωk(i),i)元素值为1，其他元素值为0，则
将原系数矩阵进行压缩，同理
运算将误差矩阵
进行压缩。原问题转变为：
对
直接运用SVD算法
则求得结果
即为字典
中更新项。
K-SVD算法步骤为：
(1)初始化：设定归一化初始字典矩阵D0∈Rn×K，J＝1；
(2)稀疏编码：通过正交匹配追踪算法对每一个
求解该字典下的稀疏表示
即求解
(3)字典更新：对于
的每k(k＝1,2,…K)列逐步更新，具体为：
①用
标定待更新原子；
②计算误差矩阵
③选定误差矩阵中用ωk标定的原子组成新的误差矩阵
④对新的误差矩阵
使用奇异值分解
选择字典更新项
作为矩阵
的第一列，并更新相应的系数
(4)J＝J+1。
目前字典学习算法尚未应用到海洋CSEM数据噪声压制之中，因而本实施例首次提出将字典学习算法引入海洋CSEM数据降噪之中。
对本实施例提出的一种基于字典学习的海洋CSEM降噪方法进行仿真测试。
(一)模拟信号构建
背景模型如图3中(a)所示，其以海平面为坐标原点，垂直向下方向为z轴正方向。原点以上为空气层，电阻率1013ohm-m，向上延伸至无穷远。原点以下为深度1000m的海水层，电阻率0.3ohm-m，海水层以下为电阻率为1ohm-m的围岩层。经典模型如图3中(b)所示，与背景模型的主要区别为在深度为2000m的位置有厚度100m，电阻率100ohm-m高阻层来模拟储集层。
采用上述模型，在发射频率为0.1Hz时响应信号的幅值-距离(Magnitude valueoffset，MVO)曲线如图3中(c)所示。图中1号曲线表示背景模型下信号MVO曲线，2号曲线表示经典模型下信号MVO曲线。本实施例采用MVO曲线作为降噪效果的评价标准。
设定轮船航行速度为1m/s，则随距离变化的信号可转化为幅值随时间变化的时间序列。信号采样频率为1Hz，则将频率为0.1Hz的正弦信号经过上述信号的调幅，以模拟接收机内部接收到的实际信号。已知空气波与大地电磁的幅值随海水深度的增加而衰减，本实施例采用的研究对象平均深度超过1000m，因而忽略这两种因素的影响。假设所有噪声均为加性噪声，在正演模拟信号中添加四种噪声，分别为：
(1)随机噪声，设定幅值1×10-15V/(Am2)的整数倍，平均值为0，如图4中(a)所示。
(2)仪器内部噪声，由电极、电子放大器等内部器件的噪声，设定为幅值达到有效信号幅值的1％的信号，如图4中(b)所示。
(3)第三类为脉冲噪声，幅值为1×10-13V/(Am2)的30个脉冲噪声，随机分布在各个位置，用以模拟偶极子的振荡，如图4中(c)所示。
(4)第四类噪声为频率分别为0.01Hz、0.02Hz、0.03Hz与0.04Hz的正弦信号，随机添加在模拟信号之中，用以模拟海水运动所造成的噪声，如图4中(d)所示。
海洋CSEM中，除了使用幅值-距离曲线(magnitude value offset,MVO)曲线外，也常使用幅值-时间(magnitude value time，MVT)曲线作为评价噪声影响或降噪效果的标准。图4中(e)为添加四类噪声后的含噪声信号与海洋CSEM原始信号的MVT曲线对比图，对比中不难发现，在15,000s之后，噪声的影响逐渐明显，表现为尖刺脉冲,在22,000s之后，信号基本淹没在噪声之中。
为进一步探讨噪声对于信号的影响，将四类噪声分别添加到不含噪声信号后，做归一化影响分析图，即将含噪声信号幅值除以对应位置原始信号的幅值，所得结果如图4中(f)所示。其中type1至type4分别表示四类噪声的影响，最后all added曲线表示所有噪声相加后总的影响。在10,000s到15,000s之间，已经出现明显的噪声影响。15,000s至20,000s之间有非常明显的尖刺状起伏。20,000s至25,000s段，除了更加明显的尖刺脉冲噪声外，有一段信号明显大于周围信号，这是由于添加的海运运动噪声导致含噪声信号幅值增大。25,000s之后，信号基本淹没在噪声之中。
将含噪声信号做窗口大小为60s的短时傅里叶变换，所得频谱图如图4中(f)所示，在信号初始阶段，信号迅速衰减，与MVT曲线所展示内容相符。在10,000s、15,000s与22,000s附近有明显的矩形块，其表示本实施例所添加的四个频率的海水运动噪声。整个频谱图，均出现条状竖线，由脉冲噪声所造成，且25,000s之后，信号已经不明显，即信号淹没于噪声之中。
已知信号为正弦信号的调幅信号，因而选用DST字典、DST-Wavelet级联字典与学习字典分别展开重构信号收敛性实验。其中，DST-Wavelet级联字典中小波部分选择常用于海洋CSEM数据降噪的Symlet字典。
已知接收信号的幅值随时间的增加近似指数衰减，因而分近区(500-600s)、中区(1000-1100s)和远区(10000-10100s)分别截取三段原始信号如图5中(a)、(b)、(c)所示，为计算方便，假设每段信号含有100个采样点。
图5中(d)为近区信号三种字典下重构误差曲线，三种字典均表现出较好的收敛性。其中，学习字典的收敛性最好，经过几次迭代基本完成收敛。图5中(e)、(f)分别为中、远区信号在三种字典下的重构误差曲线，曲线形态与图5中(a)相似。在近、中、远三段信号中，三种字典均表现出较好的收敛性能，学习字典下收敛性能最优，说明学习字典能够有效提取信号特征，为目标信号提供最优的稀疏表达。
选用前文所构建的含噪声信号，展开压缩感知算法在传统字典与学习字典下的降噪实验。作为对比，引入传统的短时傅里叶变换降噪与小波变换降噪。设置带通频率0.05-0.2Hz，阻带截止频率0.01Hz与0.2Hz，通带波纹不大于2dB，阻带衰减大于40dB。小波变换选用Sym4小波函数，将目标信号分为4层，并依据极大极小原则选取每层的阈值。
此外，正交匹配追踪算法的迭代终止条件有两种，一种是迭代达到最大迭代次数；另一种是重构误差小于指定误差。海洋CSEM信号幅值随时间近似指数衰减，而噪声的幅值基本上不变，因而信噪比随距离的增加不断减小。在信号比较大的位置设定较小的误差阈值重构能够很好的还原有效信号，但是在信噪比较低的部分易受噪声的影响。结合前文收敛性能试验，设定三种字典下最大迭代次数为10。采用60s时窗截取信号，对每一段信号采用短时傅里叶变换降噪、小波变化降噪与使用三种字典下的压缩感知重构降噪，所得结果如图6所示。
图6中(a)是短时傅里叶变换降噪之后的MVT曲线图，对比含噪声曲线不难发现，取得了一定的降噪效果，但是效果不明显。图6中(b)为小波变换降噪后的MVT曲线图，对比含噪声信号MVT曲线图，小波变换对尖刺脉冲的降噪效果有限。图6中(c)为采用经典DST字典下的降噪信号MVT曲线与不含噪声信号MVT对比图。图6中(d)为DST-Wavelet级联字典下经降噪信号的MVT曲线与不含噪声曲线的对比图。整体而言，两条曲线重合效果较好，较好地压制了尖峰脉冲信号。但是在20,000s至25,000s之间有一段重构信号幅值明显高于不含噪声信号。此处恰好为所添加的海水运动噪声的第四部分，在DST-Wavelet字典被误作为有效信号恢复。此时信号幅值较低，而噪声幅值较大，部分噪声被误认为有效信号而重构。图6中(e)为采用K-SVD算法训练得到的学习字典的下的降噪信号MVT曲线与不含噪声信号MVT曲线对比图。对比前文给出的含噪声信号MVT图，整体上降噪效果较好，且尖峰脉冲噪声信号得到一定程度的压制，但是其影响并未完全消除。
综上，三种字典下的重构信号降噪效果优于短时傅里叶变换与小波变换。一种基于字典学习的海洋CSEM降噪方法效果最好，不仅有效降低了噪声水平，而且一定程度上抑制了尖峰脉冲噪声的影响。
采用数值模拟数据进行降噪效果分析的优势在于已知不含任何噪声时的信号，可以利用其作为评价标准将各种算法的降噪效果转化为定量计算。常用的评价标准有信噪比(signal noise ratio,SNR)、均平方误差(mean square error,MSE)和平均绝对值差(meanabsolute error,MAE)等。鉴于海洋CSEM信号的幅值随收发距呈近似指数衰减，选用SNR与MAE作为降噪效果定量评价标准，其公式分别为：
由于模拟信号数据量较大，且中远距离受噪声影响明显，因而选取13,000s-13,200s与19,000s-19,200s数据做目标信号，则各种算法降噪效果的定量计算结果列于表1中。
表1各种算法下降噪结果对比表
依据SNR与MAE的定义可知，SNR数值越大，MAE数值越小，则降噪效果越好。结果可得，一种基于字典学习的海洋CSEM降噪方法降噪效果最明显，充分说明了学习字典能够通过学习算法掌握信号的本质特征，为信号稀疏表示进而降噪提供更优表达。
综上，压缩感知框架下学习字典降噪效果最佳。在数值模拟实验中证明了学习字典算法作为海洋可控源电磁法数据降噪算法的优越性。
通过一种基于字典学习的海洋CSEM降噪方法对实例进行分析。
实际数据来自琼东南海域。作业时发射机拖放至距离海底50m的高度，从接收机阵列一端5,000m外的位置开始激发，至另一端5,000m的位置结束。拖曳作业时船速以2节的速度(61.7m/min)沿作业直线匀速拖曳行进。发射频率采用0.5Hz与1.5Hz组合频率的双极性方波信号，该信号主要能量集中在0.5Hz与1.5Hz，且具有较宽的频带范围与可控的相位。通过监测系统及时调整船只的航行参数，将发射源相对于观测剖面的水平偏移距保持在200m以内，发射单元距海底距离保持在100m以内。
在琼东南海域，沿NW-SE方向布设4,500m的勘探线，其中包含10个接收站点(R1-R10)，站点间距500m，选择第二个站点数据展开研究。R2站点中记录的5个分量分别为Ex、Ey、Ez、Hx与Hy，如图7所示。
如图7所示，13:00至13:30时间段为收发距较小时间段，接收机中信号有明显的响应，其他时间段有效信号幅值较低，在时间序列中显示不明显。从信号中提取频率为0.5Hz与1.5Hz成分，分别表示为MVT图，结果如图8所示。
图8中(a)为0.5Hz下MVT图，纵坐标采用对数坐标，能够比时间序列图显示更多的信息。其中不难发现，受噪声影响比较小的时间段位于12:00至14:00之间。图8中(b)为1.5Hz频率MVT图，与(a)类似，在12:00至14:00时间段内受噪声影响较小。因而选择该时间段内数据组成训练样本集，并通过K-SVD算法训练字典，记为DL。从时间序列图上截取两段信号进行重构实验，截取位置如图中圆圈所示。图8中(c)与(d)分别为截取后的时间序列信号，其中(c)中所示信号收发距较大，受到噪声一定程度的影响。(d)中信号收发距较近，受噪声影响程度较小。图8中(e)为DST字典、DST-Wavelet级联字典与DL字典下(c)信号收敛实验结果，其中DST字典与DST-Wavelet级联字典收敛性能相似，优于学习字典DL。此阶段信号受噪声影响比较严重，DST字典与DST-Wavelet字典将部分噪声进行恢复，因而收敛误差反而较小。图8中(f)为三种字典下(d)所示信号的收敛结果，其中DST字典与DST-Wavelet级联字典收敛性能相似，学习字典开始阶段收敛较快，之后速度变慢，但是收敛效果优于(c)所示信号。
对R2站点Ey分量在DST字典、DST-Wavelet级联字典与学习字典下分别进行降噪操作，所得结果提取0.5Hz MVT曲线与1.5Hz MVT曲线分别如图9与图10所示。
图9中(a)(b)分别为DST字典与DST-Wavelet级联字典下0.5Hz MVT曲线，其降噪效果不明显，表现为原始含噪声信号与降噪后信号幅值点混合在一起。图9中(c)为学习字典下的降噪结果图，相较于前两种给定字典，学习字典取得相对明显的降噪效果，表现为10:30至12:00时间段内降噪后信号点明显位于原始信号点之下。
图10中(a)(b)(c)分别为DST字典、DST-Wavelet级联字典与学习字典降噪后1.5HzMVT曲线。相较于0.5Hz MVT图，1.5Hz MVT图中三种字典均表现出较好的降噪效果，其中DST字典与DST-Wavelet级联字典，降噪效果相似。学习字典降噪效果最佳，表现为14:00至15:30时间段，降噪后信号噪声水平明显低于原始信号。
综上，字典学习能够通过对数据集的学习得到针对信号的自适应字典，使得字典更符合信号的固有特征，使同类信号在该字典下取得更优的降噪效果。
本公开通过通过选取离最小收发距位置设定距离内的信号进行学习获得学习字典，提高了海洋CSEM信号与学习字典的相关性，从而通过该学习字典对海洋CSEM信号进行稀疏编码并降噪重构时，能够获得更优的稀疏表达效果，能够有效降低海洋CSEM信号中的噪声，提高了海洋CSEM信号的降噪效果。
实施例2
在该实施例中，公开了一种基于字典学习的海洋CSEM降噪系统，包括：
信号采集模块，用于获取海洋CSEM信号；
最小收发距位置确定模块，用于确定海洋CSEM信号的最小收发距位置；
学习字典获取模块，用于从海洋CSEM信号中，选取离最小收发距位置设定距离内的信号，作为样本进行学习，获得学习字典；
降噪后信号获取模块，用于根据获得的学习字典，通过正交匹配追踪算法对海洋CSEM信号进行稀疏重构，获得降噪后海洋CSEM信号。
实施例3
在该实施例中，公开了一种电子设备，包括存储器和处理器以及存储在存储器上并在处理器上运行的计算机指令，所述计算机指令被处理器运行时，完成实施例1公开的一种基于字典学习的海洋CSEM降噪方法所述的步骤。
实施例4
在该实施例中，公开了一种计算机可读存储介质，用于存储计算机指令，所述计算机指令被处理器执行时，完成实施例1公开的一种基于字典学习的海洋CSEM降噪方法所述的步骤。
以上仅为本申请的优选实施例而已，并不用于限制本申请，对于本领域的技术人员来说，本申请可以有各种更改和变化。凡在本申请的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本申请的保护范围之内。
本领域内的技术人员应明白，本申请的实施例可提供为方法、系统、或计算机程序产品。因此，本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本申请是参照根据本申请实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
最后应当说明的是：以上实施例仅用以说明本发明的技术方案而非对其限制，尽管参照上述实施例对本发明进行了详细的说明，所属领域的普通技术人员应当理解：依然可以对本发明的具体实施方式进行修改或者等同替换，而未脱离本发明精神和范围的任何修改或者等同替换，其均应涵盖在本发明的权利要求保护范围之内。
Claims (8)
1.一种基于字典学习的海洋CSEM降噪方法，其特征在于，包括：
获取海洋CSEM信号；其中，所述CSEM信号表示海洋可控源电磁法信号；
确定海洋CSEM信号的最小收发距位置；
从海洋CSEM信号中，选取离最小收发距位置设定距离内的信号作为样本进行学习，获得学习字典；
其中，从海洋CSEM信号中，选取离最小收发距位置设定距离内的信号作为样本进行学习，获得学习字典，包括：根据移动发射站的移动速度和设定的离最小收发距位置的距离，计算获得信号的截取时间，根据信号的截取时间，从海洋CSEM信号中截取信号，进行字典学习；
将待降噪的目标海洋CSEM信号进行稀疏表示，根据获得的学习字典，通过正交匹配追踪算法对海洋CSEM信号进行稀疏编码，将稀疏编码后信号进行重构，获得降噪后海洋CSEM信号。
2.如权利要求1所述的一种基于字典学习的海洋CSEM降噪方法，其特征在于，将海洋CSEM信号形成MVT曲线，通过MVT曲线确定信号收发距最小位置处；所述 MVT曲线表示幅值-时间曲线。
3.如权利要求1所述的一种基于字典学习的海洋CSEM降噪方法，其特征在于，对于采集的海洋CSEM信号进行方位校正，通过方位校正后的信号形成MVT曲线。
4.如权利要求1所述的一种基于字典学习的海洋CSEM降噪方法，其特征在于，通过K-SVD算法对样本进行学习。
5.如权利要求1所述的一种基于字典学习的海洋CSEM降噪方法，其特征在于，字典学习中，以误差最小为标准，通过对误差矩阵的奇异值分解，选择最小误差分解项作为字典原子的更新项与相应的稀疏系数。
6.一种基于字典学习的海洋CSEM降噪系统，其特征在于，包括：
信号采集模块，用于获取海洋CSEM信号；其中，所述CSEM信号表示海洋可控源电磁法信号；
最小收发距位置确定模块，用于确定海洋CSEM信号的最小收发距位置；
学习字典获取模块，用于从海洋CSEM信号中，选取离最小收发距位置设定距离内的信号，作为样本进行学习，获得学习字典；
其中，从海洋CSEM信号中，选取离最小收发距位置设定距离内的信号作为样本进行学习，获得学习字典，包括：根据移动发射站的移动速度和设定的离最小收发距位置的距离，计算获得信号的截取时间，根据信号的截取时间，从海洋CSEM信号中截取信号，进行字典学习；
降噪后信号获取模块，用于将待降噪的目标海洋CSEM信号进行稀疏表示，根据获得的学习字典，通过正交匹配追踪算法对海洋CSEM信号进行稀疏编码，将稀疏编码后信号进行稀疏重构，获得降噪后海洋CSEM信号。
7.一种电子设备，其特征在于，包括存储器和处理器以及存储在存储器上并在处理器上运行的计算机指令，所述计算机指令被处理器运行时，完成权利要求1-5任一项所述的一种基于字典学习的海洋CSEM降噪方法的步骤。
8.一种计算机可读存储介质，其特征在于，用于存储计算机指令，所述计算机指令被处理器执行时，完成权利要求1-5任一项所述的一种基于字典学习的海洋CSEM降噪方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011537201.7A CN112713907B (zh) | 2020-12-23 | 2020-12-23 | 一种基于字典学习的海洋csem降噪方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011537201.7A CN112713907B (zh) | 2020-12-23 | 2020-12-23 | 一种基于字典学习的海洋csem降噪方法及系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN112713907A CN112713907A (zh) | 2021-04-27 |
| CN112713907B true CN112713907B (zh) | 2022-03-15 |
Family
ID=75545361
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202011537201.7A Expired - Fee Related CN112713907B (zh) | 2020-12-23 | 2020-12-23 | 一种基于字典学习的海洋csem降噪方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112713907B (zh) |
Families Citing this family (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114861720B (zh) * | 2022-04-29 | 2024-09-24 | 中南大学 | 基于联合稀疏模型的海洋可控源电磁数据降噪方法及系统 |
| CN115407162B (zh) * | 2022-08-31 | 2024-01-23 | 国网山东省电力公司郯城县供电公司 | 一种基于稀疏表示的小电流接地故障选线方法及系统 |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US8396310B1 (en) * | 2009-09-30 | 2013-03-12 | Rockwell Collins, Inc. | Basis learning for sparse image representation and classification and low data rate compression |
| CN108491868A (zh) * | 2018-03-12 | 2018-09-04 | 广东工业大学 | 一种基于k-means聚类和字典学习的图像处理方法及装置 |
| CN109375178A (zh) * | 2018-10-29 | 2019-02-22 | 中国电子科技集团公司第十四研究所 | 一种基于稀疏重构的机会阵机载雷达非均匀杂波检测方法 |
| CN110673222A (zh) * | 2019-09-30 | 2020-01-10 | 湖南师范大学 | 一种基于原子训练的大地电磁信号噪声压制方法及系统 |
Family Cites Families (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2006106508A2 (en) * | 2005-04-04 | 2006-10-12 | Technion Research & Development Foundation Ltd. | System and method for designing of dictionaries for sparse representation |
| CN108830167A (zh) * | 2018-04-19 | 2018-11-16 | 哈尔滨工程大学 | 一种基于k-svd字典学习的海水温度场数据重构方法 |
| WO2020069143A1 (en) * | 2018-09-30 | 2020-04-02 | Conocophillips Company | Machine learning based signal recovery |
| CN111458745B (zh) * | 2020-04-24 | 2022-04-19 | 中国地震局地震研究所 | 一种面向预警的地震信号稀疏去噪方法 |
-
2020
- 2020-12-23 CN CN202011537201.7A patent/CN112713907B/zh not_active Expired - Fee Related
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US8396310B1 (en) * | 2009-09-30 | 2013-03-12 | Rockwell Collins, Inc. | Basis learning for sparse image representation and classification and low data rate compression |
| CN108491868A (zh) * | 2018-03-12 | 2018-09-04 | 广东工业大学 | 一种基于k-means聚类和字典学习的图像处理方法及装置 |
| CN109375178A (zh) * | 2018-10-29 | 2019-02-22 | 中国电子科技集团公司第十四研究所 | 一种基于稀疏重构的机会阵机载雷达非均匀杂波检测方法 |
| CN110673222A (zh) * | 2019-09-30 | 2020-01-10 | 湖南师范大学 | 一种基于原子训练的大地电磁信号噪声压制方法及系统 |
Non-Patent Citations (2)
| Title |
|---|
| Pengfei Zhang ; Ming Deng ; Jianen Jing ; Kai Chen.Marine controlled-source electromagnetic method data de-noising based on compressive sensing.《Journal of Applied Geophysics》.Elsevier B.V,2020,第177卷摘要、说明书第3页第2-10段、第4页第9段、附图1-8. * |
| 基于K-SVD的字典学习算法及应用研究;刘敏;《中国优秀博硕士学位论文全文数据库(硕士) 信息科技辑》;中国学术期刊（光盘版）电子杂志社;20170315(第3期);正文第20-22页 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN112713907A (zh) | 2021-04-27 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN108680966B (zh) | 海洋可控源电磁勘探噪声降噪效果评估方法 | |
| CN104820993B (zh) | 一种联合粒子滤波和跟踪置前检测的水下弱目标跟踪方法 | |
| CN105116442B (zh) | 岩性油气藏弱反射地震信号的重构方法 | |
| CN108490494A (zh) | 基于谱减法及小波分析的海洋磁测噪声抑制方法 | |
| CN112713907B (zh) | 一种基于字典学习的海洋csem降噪方法及系统 | |
| CN107132579B (zh) | 一种保地层结构的地震波衰减补偿方法 | |
| CN109581516B (zh) | 曲波域统计量自适应阈值探地雷达数据去噪方法及系统 | |
| CN110133643A (zh) | 植物根系探测方法及装置 | |
| CN110554428A (zh) | 一种基于变分模态分解的地震波低频能量变化率提取方法 | |
| CN105182429A (zh) | 一种海洋可控源电磁数据海水扰动噪声校正方法 | |
| CN109085547B (zh) | 一种表层穿透雷达回波信号的去噪方法和相关装置 | |
| CN113887398A (zh) | 一种基于变分模态分解和奇异谱分析的gpr信号去噪方法 | |
| US10705241B2 (en) | Determining sea water resistivity | |
| CN108983158A (zh) | 一种基于Hankel矩阵奇异值分解的探地雷达噪声抑制方法 | |
| CN112907458B (zh) | 用于地震勘探的f-xy域改进非局部均值去噪方法及设备 | |
| CN107589453B (zh) | 一种信息熵滤波器与地震资料随机噪声衰减方法 | |
| CN108280416A (zh) | 一种小波跨尺度相关滤波的宽带水声信号处理方法 | |
| CN117574062A (zh) | 基于vmd-dnn模型的小回线瞬变电磁信号去噪方法 | |
| CN102509268B (zh) | 基于免疫克隆选择的非下采样轮廓波域图像去噪方法 | |
| CN107390261B (zh) | 基于线性Bregman算法的表面多次波和子波估计方法及系统 | |
| CN109885906A (zh) | 一种基于粒子群优化的磁共振测深信号稀疏消噪方法 | |
| Zhang et al. | Rebar Clutter Suppression Method Based on Range Migration Compensation and Low-Rank and Sparse Decomposition | |
| CN115113163A (zh) | 一种探地雷达多分辨率低秩稀疏分解杂波抑制方法 | |
| CN111856590B (zh) | 海洋大地电磁探测的海浪磁干扰压制方法 | |
| Li et al. | Ground Penetrating Radar Microwave Denoising Based on Improved K-SVD Dictionary Learning Method |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant | ||
| CF01 | Termination of patent right due to non-payment of annual fee | ||
| CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20220315 |