时间域航空电磁(AEM)勘探在测量过程中受各种噪声干扰,导致测量数据失真,影响了反演结果精度。传统的去噪方法大多针对数据本身进行加工,没有对数据的特征进行深入分析,所以去噪效果不理想。本文提出一种基于字典学习的航空电磁数据去...时间域航空电磁(AEM)勘探在测量过程中受各种噪声干扰,导致测量数据失真,影响了反演结果精度。传统的去噪方法大多针对数据本身进行加工,没有对数据的特征进行深入分析,所以去噪效果不理想。本文提出一种基于字典学习的航空电磁数据去噪方法。该方法是通过字典学习对含噪信号进行特征分析和提取,然后对信号进行重构。在字典学习过程中,把随机噪声作为残差过滤掉,达到去噪效果。为了验证所提去噪方法的有效性,我们将固定字典过完备离散余弦变换(Overcomplete discrete cosine transform,简称ODCT)、最优方向法(Method of optimal directions,简称MOD)字典学习算法和K-奇异值分解(K-singular value decomposition,简称K-SVD)字典学习算法用于时间域航空电磁单点衰减曲线和测线剖面上不同时间道数据去噪,结果表明三种字典学习方法对航空电磁数据去噪效果有明显差异,以K-SVD字典学习方法效果最佳。展开更多
基金financially supported the Strategic Priority Research Program of the Chinese Academy of Sciences (No. XDA14020102)the National Natural Science Foundation of China (Nos. 41774125,41530320 and 41804098)the Key National Research Project of China (Nos. 2016YFC0303100,2017YFC0601900)。
文摘时间域航空电磁(AEM)勘探在测量过程中受各种噪声干扰,导致测量数据失真,影响了反演结果精度。传统的去噪方法大多针对数据本身进行加工,没有对数据的特征进行深入分析,所以去噪效果不理想。本文提出一种基于字典学习的航空电磁数据去噪方法。该方法是通过字典学习对含噪信号进行特征分析和提取,然后对信号进行重构。在字典学习过程中,把随机噪声作为残差过滤掉,达到去噪效果。为了验证所提去噪方法的有效性,我们将固定字典过完备离散余弦变换(Overcomplete discrete cosine transform,简称ODCT)、最优方向法(Method of optimal directions,简称MOD)字典学习算法和K-奇异值分解(K-singular value decomposition,简称K-SVD)字典学习算法用于时间域航空电磁单点衰减曲线和测线剖面上不同时间道数据去噪,结果表明三种字典学习方法对航空电磁数据去噪效果有明显差异,以K-SVD字典学习方法效果最佳。