-
公开(公告)号：CN113158553B
公开(公告)日：2022-04-01
申请号：CN202110320241.4
申请日：2021-03-25
Applicant: 湖南师范大学
IPC: G06F30/27 , G06N3/04 , G06N3/08 , G06F119/10
Abstract: 本发明公开了一种基于CNN‑LSTM的大地电磁信号噪声压制方法及系统，该方法包括：构建大地电磁信号的噪声样本库和纯净信号样本库；利用样本信号训练卷积神经网络(CNN)得到CNN信噪辨识模型；将实测大地电磁信号输入至CNN信噪辨识模型识别出干扰数据段和无干扰数据段；再利用无干扰数据段训练长短时记忆神经网络(LSTM)得到LSTM预测模型；选取干扰数据段的相邻无干扰数据段，并输入至LSTM预测模型进行循环预测得到预测数据；最后将预测数据与无干扰数据段进行数据重构得到去噪后的大地电磁信号。本发明可以辨识出干扰数据和无干扰数据，有效避免有用信息丢失，同时使用LSTM模型预测能够压制大尺度噪声干扰。
-
公开(公告)号：CN113687433A
公开(公告)日：2021-11-23
申请号：CN202111078503.7
申请日：2021-09-15
Applicant: 湖南师范大学
IPC: G01V3/38
Abstract: 本发明公开了一种基于Bi‑LSTM的大地电磁信号去噪方法及系统，本发明构造了海量符合大地电磁微弱信号和含有强干扰特性的噪声轮廓，将二者相加得到含噪信号；将含噪信号按比例划分为相应的训练集和测试集，并定义网络对应的输入和输出，优选利用NPSO选出最优的双向长短期记忆神经网络的相关参数，再将训练集送入神经网络进行训练得到预测模型；利用预测模型对实测的大地电磁数据进行预测得到噪声轮廓；最后用实测的大地电磁数据减去预测的噪声轮廓得到有用的大地电磁信号。本发明通过上述方法可以有效准确地完成噪声轮廓的预测，从而剔除含噪信号中的噪声，保留更多有用的大地电磁信号。
-
公开(公告)号：CN110673222B
公开(公告)日：2020-07-24
申请号：CN201910940193.1
申请日：2019-09-30
Applicant: 湖南师范大学
Abstract: 本发明公开了一种基于原子训练的大地电磁信号噪声压制方法及系统，该方法包括：首先，将大地电磁信号进行分段并构建训练矩阵，然后，基于初始字典对分段好的大地电磁信号进行原子训练，得到每段大地电磁信号对应的原子字典，原子字典中的原子与该段大地电磁信号密切相关，最后，将训练好的字典原子用于正交匹配追踪算法，对每段大地电磁信号进行稀疏表示，并对稀疏表示的信号进行重构，从而得到去噪后的大地电磁信号。通过上述方法可以获得高质量的大地电磁信号，能有效地剔除大地电磁信号中的强干扰，而保留低频缓变化信息，从而提高大地电磁信号噪声压制精度。
-
公开(公告)号：CN113568058B
公开(公告)日：2022-06-03
申请号：CN202110821783.X
申请日：2021-07-20
Applicant: 湖南师范大学
Abstract: 本发明公开了一种基于多分辨率奇异值分解的大地电磁信噪分离方法及系统。该方法包括：获取实测大地电磁数据并分段；针对每一段大地电磁信号分别构造Hankel矩阵，并使用奇异值分解一层得到不同分辨率的近似信号和细节信号，利用不同分辨率的近似信号标准差和细节信号标准差的差值将大地电磁数据分为有用信号段或强干扰数据段；再利用多分辨率奇异值分解（MRSVD）算法分解每个强干扰数据段的近似信号得到大尺度噪声轮廓，并将强干扰数据段的信号减去对应的所述大尺度噪声轮廓得到有用信号段；将有用信号段和去噪后的数据段进行重构得到大地电磁有用信号。本发明所述方法引入MRSVD算法进行分解，分解误差小，能精细地保留更多的低频有用信号。
-
公开(公告)号：CN113642484B
公开(公告)日：2022-06-28
申请号：CN202110946805.5
申请日：2021-08-18
Applicant: 湖南师范大学
Abstract: 本发明公开了一种基于BP神经网络的大地电磁信号噪声压制方法及系统，该方法包括：分别构建噪声轮廓样本、纯净信号样本、带噪数据样本，再将带噪数据样本和纯净信号样本输入至第一个BP神经网络中训练得到BP信噪辨识模型。以及将带噪数据样本、噪声轮廓样本输入第二个BP神经网络，训练得到BP去噪模型。最后，将实测大地电磁数据均匀分段首先输入BP信噪辨识模型中，保留辨识为无干扰的数据段，并将干扰数据段输入至BP去噪模型中输出噪声轮廓，干扰数据减去对应的噪声轮廓得到干扰数据去噪后的数据。最终将保留的无干扰数据与去噪后的数据进行拼接重构得到去噪后的大地电磁信号。
-
Patent Agency Ranking
公开(公告)号：CN113568058A
公开(公告)日：2021-10-29
申请号：CN202110821783.X
申请日：2021-07-20
Applicant: 湖南师范大学
Abstract: 本发明公开了一种基于多分辨率奇异值分解的大地电磁信噪分离方法及系统。该方法包括：获取实测大地电磁数据并分段；针对每一段大地电磁信号分别构造Hankel矩阵，并使用奇异值分解一层得到不同分辨率的近似信号和细节信号，利用不同分辨率的近似信号标准差和细节信号标准差的差值将大地电磁数据分为有用信号段或强干扰数据段；再利用多分辨率奇异值分解（MRSVD）算法分解每个强干扰数据段的近似信号得到大尺度噪声轮廓，并将强干扰数据段的信号减去对应的所述大尺度噪声轮廓得到有用信号段；将有用信号段和去噪后的数据段进行重构得到大地电磁有用信号。本发明所述方法引入MRSVD算法进行分解，分解误差小，能精细地保留更多的低频有用信号。
-
公开(公告)号：CN113158553A
公开(公告)日：2021-07-23
申请号：CN202110320241.4
申请日：2021-03-25
Applicant: 湖南师范大学
IPC: G06F30/27 , G06N3/04 , G06N3/08 , G06F119/10
Abstract: 本发明公开了一种基于CNN‑LSTM的大地电磁信号噪声压制方法及系统，该方法包括：构建大地电磁信号的噪声样本库和纯净信号样本库；利用样本信号训练卷积神经网络(CNN)得到CNN信噪辨识模型；将实测大地电磁信号输入至CNN信噪辨识模型识别出干扰数据段和无干扰数据段；再利用无干扰数据段训练长短时记忆神经网络(LSTM)得到LSTM预测模型；选取干扰数据段的相邻无干扰数据段，并输入至LSTM预测模型进行循环预测得到预测数据；最后将预测数据与无干扰数据段进行数据重构得到去噪后的大地电磁信号。本发明可以辨识出干扰数据和无干扰数据，有效避免有用信息丢失，同时使用LSTM模型预测能够压制大尺度噪声干扰。
-
公开(公告)号：CN113687433B
公开(公告)日：2022-07-12
申请号：CN202111078503.7
申请日：2021-09-15
Applicant: 湖南师范大学
IPC: G01V3/38
Abstract: 本发明公开了一种基于Bi‑LSTM的大地电磁信号去噪方法及系统，本发明构造了海量符合大地电磁微弱信号和含有强干扰特性的噪声轮廓，将二者相加得到含噪信号；将含噪信号按比例划分为相应的训练集和测试集，并定义网络对应的输入和输出，优选利用NPSO选出最优的双向长短期记忆神经网络的相关参数，再将训练集送入神经网络进行训练得到预测模型；利用预测模型对实测的大地电磁数据进行预测得到噪声轮廓；最后用实测的大地电磁数据减去预测的噪声轮廓得到有用的大地电磁信号。本发明通过上述方法可以有效准确地完成噪声轮廓的预测，从而剔除含噪信号中的噪声，保留更多有用的大地电磁信号。
-
公开(公告)号：CN113642484A
公开(公告)日：2021-11-12
申请号：CN202110946805.5
申请日：2021-08-18
Applicant: 湖南师范大学
Abstract: 本发明公开了一种基于BP神经网络的大地电磁信号噪声压制方法及系统，该方法包括：分别构建噪声轮廓样本、纯净信号样本、带噪数据样本，再将带噪数据样本和纯净信号样本输入至第一个BP神经网络中训练得到BP信噪辨识模型。以及将带噪数据样本、噪声轮廓样本输入第二个BP神经网络，训练得到BP去噪模型。最后，将实测大地电磁数据均匀分段首先输入BP信噪辨识模型中，保留辨识为无干扰的数据段，并将干扰数据段输入至BP去噪模型中输出噪声轮廓，干扰数据减去对应的噪声轮廓得到干扰数据去噪后的数据。最终将保留的无干扰数据与去噪后的数据进行拼接重构得到去噪后的大地电磁信号。
-
公开(公告)号：CN112882115A
公开(公告)日：2021-06-01
申请号：CN202110479283.2
申请日：2021-04-30
Applicant: 湖南师范大学
Abstract: 本发明公开了一种基于GWO优化小波阈值的大地电磁信号去噪方法及系统，所述方法包括如下步骤：步骤1：将待去噪的大地电磁信号进行分段，并对每段信号均进行小波层变换，得到最大尺度低频小波系数和各个尺度高频小波系数；步骤2：基于GWO算法获取各个尺度下最优阈值作为最优分层阈值；其中，将各个尺度下的阈值作为GWO算法中灰狼的位置参数；步骤3：以每段信号为单元，利用对应的所述最优分层阈值进行去噪得到去噪后的大地电磁信号。其中，进一步将维纳滤波器与基追踪重构算法相结合提高信号的重构效果，进而提升大地电磁信号的降噪效果，并利用最优分层阈值解决传统通用阈值的技术缺陷问题。
-
-
-
-
-
-
-
-
-
Search Results
11
records
(took 0.023 seconds)
