买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

申请/专利权人：东华理工大学

摘要：本发明公开了一种地磁信号噪声压制方法及系统，方法包括：获取至少一个地磁数据去噪样本对；根据至少一个地磁数据样本对对预设的改进U‑Net的地磁数据去噪网络进行训练，得到地磁数据去噪模型；获取待去噪地磁数据，输入至地磁数据分类模型对待去噪地磁数据进行分类，得到至少一个含噪地磁数据段和至少一个高质量地磁数据段；将至少一个含噪地磁数据段输入至地磁数据去噪模型中，得到至少一个去噪地磁数据段，并将至少一个去噪地磁数据段和至少一个高质量地磁数据段按照时间顺序进行拼接，得到完整的去噪地磁信号。本发明显著提高了地磁数据去噪精度，解决了现有去噪方法需要人工干预、效率低下、易造成主观偏差的问题。

主权项：1.一种地磁信号噪声压制方法，其特征在于，包括：获取至少一个地磁数据及与至少一个地磁数据对应的分类标签，并根据至少一个地磁数据及与至少一个地磁数据对应的分类标签对预设的ResNet深度残差地磁数据分类网络进行训练，得到地磁数据分类模型，其中，所述ResNet深度残差地磁数据分类网络包括输入层、隐藏层以及输出层；所述ResNet深度残差地磁数据分类网络的输入层的数据大小为通道数乘以样本尺寸，即1×1440×1；所述ResNet深度残差地磁数据分类网络的隐藏层包括卷积层、BN层、最大池化层、恒等残差块以及卷积残差块，所述恒等残差块中包含两个一维卷积模块和一个恒等模块连接，所述恒等残差块的输入和输出具备相同的通道数，所述卷积残差块中包含两个一维卷积模块和一个一维逐点卷积模块，所述卷积残差块通过卷积核尺寸为1的卷积改变通道数，使所述卷积残差块的输入和输出具备相同的通道数；所述ResNet深度残差地磁数据分类网络的卷积层包括第一卷积层和第二卷积层，所述ResNet深度残差地磁数据分类网络的第一卷积层的计算步骤为：使用64个尺寸为4×1的卷积核对训练样本进行一维卷积，并使用Relu激活函数激活，输出ResNet深度残差地磁数据分类网络的第一卷积层的结果；所述ResNet深度残差地磁数据分类网络的第二卷积层的计算步骤为：使用64个尺寸为4×1的卷积核对训练样本进行一维卷积，并使用Relu激活函数激活，输出ResNet深度残差地磁数据分类网络的第二卷积层的结果；所述BN层的计算步骤为：使用批归一化方法处理ResNet深度残差地磁数据分类网络的第一卷积层的结果；所述最大池化层包括第一最大池化层、第二最大池化层、第三最大池化层和第四最大池化层，所述第一最大池化层的计算步骤为：使用尺寸为2×1、步长为1的最大值筛选；所述第二最大池化层、所述第三最大池化层、所述第四最大池化层的计算步骤均为：使用尺寸为3×1、步长为1的最大值筛选；所述恒等残差块包括第一恒等残差块、第二恒等残差块、第三恒等残差块、第四恒等残差块和第五恒等残差块；所述卷积残差块包括第一卷积残差块、第二卷积残差块和第三卷积残差块；所述第一恒等残差块的计算步骤为：使用64个尺寸为3×1的卷积核对第一最大池化层的结果进行一维卷积，并使用Relu激活函数激活，再次使用64个尺寸为3×1的卷积核对第一恒等残差块第一次卷积的激活值进行一维卷积，将第一最大池化层的输出和第一恒等残差块第二次未激活的一维卷积进行求和，并使用Relu激活函数激活，输出第一恒等残差块的结果；所述第二恒等残差块的计算步骤为：使用64个尺寸为3×1的卷积核对第一恒等残差块的结果进行一维卷积，并使用Relu激活函数激活，再使用64个尺寸为3×1的卷积核对第二恒等残差块第一次卷积的激活值进行一维卷积，将第一恒等残差块的输出和第二恒等残差块第二次未激活的一维卷积进行求和，并使用Relu激活函数激活，输出第二恒等残差块的结果；所述第三恒等残差块的计算步骤为：使用128个尺寸为3×1的卷积核对第一卷积残差块的结果进行一维卷积，并使用Relu激活函数激活，再使用128个尺寸为3×1的卷积核对第三恒等残差块第一次卷积的激活值进行一维卷积，将第一卷积残差块的输出和第三恒等残差块第二次未激活的一维卷积进行求和，并使用Relu激活函数激活，输出第三恒等残差块的结果；所述第四恒等残差块的计算步骤为：使用256个尺寸为3×1的卷积核对第二卷积残差块的结果进行一维卷积，并使用Relu激活函数激活；第二，再使用256个尺寸为3×1的卷积核对第四恒等残差块第一次卷积的激活值进行一维卷积，将第二卷积残差块的输出和第四恒等残差块第二次未激活的一维卷积进行求和，并使用Relu激活函数激活，输出第四恒等残差块的结果；所述第五恒等残差块的计算步骤为：使用512个尺寸为3×1的卷积核对第三卷积残差块的结果进行一维卷积，并使用Relu激活函数激活；再使用512个尺寸为3×1的卷积核对第五恒等残差块第一次卷积的激活值进行一维卷积，将第三卷积残差块的输出和第五恒等残差块第二次未激活的一维卷积进行求和，并使用Relu激活函数激活，输出第五恒等残差块的结果；所述第一卷积残差块的计算步骤为：使用128个尺寸为3×1的卷积核对第二最大池化层的结果分别进行步长为2的一维卷积和一维逐点卷积，一维卷积使用Relu激活函数激活，逐点卷积不激活，再使用128个尺寸为3×1的卷积核对第一卷积残差块第一次卷积的激活值进行一维卷积，将第一卷积残差块逐点卷积的结果和第一卷积残差块第二次未激活的一维卷积进行求和，并使用Relu激活函数激活，输出第一卷积残差块的结果；所述第二卷积残差块的计算步骤为：使用256个尺寸为3×1的卷积核对第三最大池化层的结果分别进行步长为2的一维卷积和一维逐点卷积，一维卷积使用Relu激活函数激活，逐点卷积不激活，再使用256个尺寸为3×1的卷积核对第二卷积残差块第一次卷积的激活值进行一维卷积，将第二卷积残差块逐点卷积的结果和第二卷积残差块第二次未激活的一维卷积进行求和，并使用Relu激活函数激活，输出第二卷积残差块的结果；所述第三卷积残差块的计算步骤为：使用512个尺寸为3×1的卷积核对第四最大池化层的结果分别进行步长为2的一维卷积和一维逐点卷积，一维卷积使用Relu激活函数激活，逐点卷积不激活，再使用512个尺寸为3×1的卷积核对第三卷积残差块第一次卷积的激活值进行一维卷积，将第三卷积残差块逐点卷积的结果和第三卷积残差块第二次未激活的一维卷积进行求和，并使用Relu激活函数激活，输出第三卷积残差块的结果；获取至少一个地磁数据样本对，所述至少一个地磁数据样本对包括至少一个无噪地磁数据段以及与所述至少一个无噪地磁数据段对应的加噪地磁数据段；根据所述至少一个地磁数据样本对对预设的改进U-Net的地磁数据去噪网络进行训练，得到地磁数据去噪模型，所述地磁数据去噪网络包括DnCNN去噪卷积神经网络、多特征提取模块以及U-net网络，所述U-net网络包括输入层、隐藏层和输出层；所述U-net网络的输入层将加噪地磁数据段与经过多特征提取模块的输出结果进行横向合并，所述U-net网络的输入层的数据大小为通道数乘以输入样本尺寸，即5×1440×1；所述U-net网络的隐藏层包括卷积层、平均池化层、反卷积层、跳跃连接层；所述U-net网络的卷积层包括第一卷积层、第二卷积层、第三卷积层、第四卷积层、第五卷积层、第六卷积层、第七卷积层、第八卷积层、第九卷积层、第十卷积层、第十一卷积层、第十二卷积层、第十三卷积层、第十四卷积层、第十五卷积层；所述U-net网络的第一卷积层、所述U-net网络的第二卷积层、所述第十三卷积层、所述第十四卷积层均是64个尺寸为3×1的卷积核和Relu激活函数，输出的数据大小为64×1440×1；所述第三卷积层、所述第四卷积层均是128个尺寸为3×1的卷积核和Relu激活函数，输出的数据大小为128×720×1；所述第五卷积层、所述第六卷积层、所述第七卷积层、所述第八卷积层、所述第九卷积层、所述第十卷积层、所述第十一卷积层、所述第十二卷积层均是256个尺寸为3×1的卷积核和Relu激活函数，输出的数据大小为256×360×1；所述第十五卷积层是1个尺寸为1×1的卷积核，输出的数据大小为1×1440×1；所述平均池化层包括第一平均池化层和第二平均池化层；所述第一平均池化层是一个卷积核为2×1、步长为2、填充为0的平均值筛选，输出的数据大小为64×720×1；所述第二平均池化层是一个卷积核为2×1、步长为2、填充为0的平均值筛选，输出的数据大小为128×360×1；所述反卷积层包括第一反卷积层和第二反卷积层；所述第一反卷积层是256个尺寸为2×1的卷积核、步长为2的一对多的映射关系，输出的数据大小为256×720×1；所述第二反卷积层是128个尺寸为2×1的卷积核、步长为2的一对多的映射关系，输出的数据大小为128×1440×1；所述跳跃连接层包括第一跳跃连接层和第二跳跃连接层；所述第一跳跃连接层将所述第五卷积层、所述第六卷积层、所述第七卷积层、所述第八卷积层、所述第九卷积层、所述第十卷积层、所述第十一卷积层、所述第十二卷积层的输出和所述第一反卷积层的输出进行横向拼接，输出的数据大小为384×720×1；所述第二跳跃连接层将所述第三卷积层、所述第四卷积层的输出和所述第二反卷积层的输出进行横向拼接，输出的数据大小为192×1440×1；所述U-net网络的输出层由1个尺寸为1×1的卷积核改变通道数，输出的数据大小为1×1440×1；所述多特征提取模块包括至少一个卷积层以及与所述至少一个卷积层并行连接的池化层，所述至少一个卷积层的卷积路径包括用于提取局部时空特征的1×3卷积路径、用于提取中等范围的时空特征的1×5卷积路径以及用于提取更宽范围的时空特征的1×7卷积路径；所述池化层的池化路径包括用于融合局部范围的时空特征的1×3最大值池化路径其中，所述根据所述至少一个地磁数据样本对对预设的改进U-Net的地磁数据去噪网络进行训练包括：将数据大小为1×1440×1的某一加噪地磁数据段经过DnCNN去噪卷积神经网络处理，并将处理得到数据大小为1×1440×1的去噪地磁数据输入至多特征提取模块，得到数据大小为4×1440×1的第一输出结果，再将第一输出结果与所述某一加噪地磁数据段横向拼接，得到拼接后数据大小为5×1440×1的第二输出结果输入至U-net网络，所述U-net网络输出预测去噪地磁数据段；根据所述预测去噪地磁数据段与所述某一加噪地磁数据段对应的某一无噪地磁数据段分别对所述DnCNN去噪卷积神经网络、所述U-net网络的网络参数进行调整，得到地磁数据去噪模型；获取待去噪地磁数据，并输入至地磁数据分类模型对待去噪地磁数据进行分类，得到至少一个含噪地磁数据段和至少一个高质量地磁数据段；将至少一个含噪地磁数据段输入至地磁数据去噪模型中，得到至少一个去噪地磁数据段，并将至少一个去噪地磁数据段和至少一个高质量地磁数据段按照时间顺序进行拼接，得到完整的去噪地磁信号。

全文数据：

权利要求：

百度查询： 东华理工大学 一种地磁信号噪声压制方法及系统