(19)中华 人民共和国 国家知识产权局 (12)发明 专利 (10)授权公告 号 (45)授权公告日 (21)申请 号 202110320241.4 (22)申请日 2021.03.25 (65)同一申请的已公布的文献号 申请公布号 CN 113158553 A (43)申请公布日 2021.07.23 (73)专利权人 湖南师范大学 地址 410081 湖南省长 沙市岳麓区麓山路 36号 (72)发明人 李晋　刘业成　汪嘉琳　刘姗姗　 彭意群　马翻红　王磊　苏贵　 (74)专利代理 机构 长沙市融智专利事务所(普 通合伙) 43114 代理人 姚瑶 (51)Int.Cl. G06F 30/27(2020.01)G06N 3/04(2006.01) G06N 3/08(2006.01) G06F 119/10(2020.01) (56)对比文件 CN 112418394 A,2021.02.26 审查员 李换 (54)发明名称 一种基于CNN-LSTM的大地电磁信号噪声压 制方法及系统 (57)摘要 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LS TM预测模型； 选 取干扰数据段的 相邻无干扰数据段， 并输入至LS TM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。 权利要求书3页 说明书10页 附图9页 CN 113158553 B 2022.04.01 CN 113158553 B 1.一种基于 CNN‑LSTM的大地电磁信号噪声压制方法， 其特 征在于： 包括如下步骤： S1： 构建大地电磁信号的噪声样本库和纯 净信号样本库； S2： 利用噪声样本和纯 净信号样本训练卷积神经网络 CNN得到CNN信噪辨识模型； 其中， 所述CN N信噪辨识模型用于鉴别 信号段为干扰数据段还是 无干扰数据段； S3： 将待辨识的实测大地电磁信号输入至所述CNN信噪辨识模型识别出干扰数据段和 无干扰数据段； S4： 利用CNN信噪辨识模型辨识出的所述实测大地电磁信号中的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； S5： 再选取所述实测大地电磁信号中各个干扰数据段的相邻无干扰数据段， 分别输入 至所述LSTM预测模型进行 预测得到与对应干扰数据段长度相同的预测数据； S6： 将所述预测数据与所述无干扰数据段进行 数据重构得到去噪后的大地电磁信号； 所述LSTM预测模型的训练过程如下： S41： 将实测大地电磁信号中辨识出的无干扰数据段作为样本数据， 设其中一个样本V 表示为： V＝[v1,v2,...,vm]， vm表示所述样本V中的第m个数据； S42： 将每 个样本进行分段处 理得到训练输入数据和训练输出 数据； 其中， 所述样本V进行分段 得到数据V ′和数据V″， k为分段比例： V′＝[v1,v2,...,v(km)] V″＝[v(km+1),v(km+2),...,vm] 式中， v(km)、 v(km+1)、 vm表示所述样本V中的第km、 km+1、 m个元 素； S43： 设置网络训练中输入输出 数据之间的对应关系： 将第一组网络训练输入输出关系设置为： V ′1＝[v1,v2,...,v(km‑1)]作为训练输入， 对应 V′2＝[v2,v3,...,v(km)]作为训练输出； 第二组网络训练输入输出关系为： V ′2＝[v2,v3,..., v(km)]作为训练输入， 对应V ′3＝[v3,v4,...,v(km+1)]作为训练输出； 按照以上规则依次向后 移动一个时间步设置训练输入数据与输出数据， 并得到最后一组训练输入为V ′(m(1‑k)+1)＝ [v(m(1‑k)+1),v(m(1‑k)+2),...,v(m‑1)]， 训练输出为V ′(m(1‑k)+2)＝[v(m(1‑k)+2),v(m(1‑k)+3),...,vm]； S44： 定义LSTM 网络架构并按照步骤S43设置的输入输出数据之间的对应关系进行学习 得到预测模型。 2.根据权利要求1所述的方法， 其特 征在于： 步骤S4 4中进行网络训练之前还 包括： 对所述样本数据V进行 标准化处理， 其中， 标准 化公式如下： 式中， Xi为标准化处理之前的样本数据V中第 i个元素， 为标准化处理之前样本数据V 的均值， N 为标准化处理之前的样本数据V的长度， Vi为标准化处理之后的样本数据。 3.根据权利要求1所述的方法， 其特征在于： 步骤S2中所述卷积神经网络包括输入层、 3 层卷积层以及全连接层， 且所述3层卷积层中的卷积核大小和 神经元数目依次递减。 4.根据权利要求3所述的方法， 其特征在于： 所述卷积神经网络的训练参数选取如下： 最大迭代次数为400， 学习 率衰落因子为0.2， 学习 率衰落周期为5， 验证周期为6， 激活函数权　利　要　求　书 1/3 页 2 CN 113158553 B 2为ReLU。 5.根据权利要求1所述的方法， 其特征在于： 步骤S2中利用噪声样本和纯净信号样本训 练卷积神经网络得到 CNN信噪辨识模型的过程如下： S21： 将所述噪声样本库和纯 净信号样本库的样本转换为长度统一的样本； S22： 针对纯 净信号样本和噪声样本添加分类标签并输入至卷积神经网络进行训练； S23： 输入样本 至卷积层进行 特征提取， 输入数据矩阵I如下： 式中， I矩阵每一行表示 一个样本信号， 表示第n个样本中的第h个元 素； 卷积神经网络采用一维卷积核C如下： C＝[c1,c2,...,cj] 式中， cj为卷积核中第j个卷积元 素； 输入的样本经 过卷积运算得到特 征矩阵T如下： T＝I*C 式中， 为第n个样本特 征向量中的第(h ‑j+1)个元 素； 其中， 输入数据经过第一层卷积层之后得到特征矩阵T， 再将特征矩阵T作为输入数据 输入至下一卷积层， 循环操作经 过设置的所有卷积层之后得到特 征矩阵P； S27： 特征矩阵P输入至全连接层进行分类输出， 并采用损失函数用于判断训练模型真 实值与预测值的差距， 以所述差距为依据进行网络模型训练参数的优化。 6.根据权利要求1所述的方法， 其特征在于： 步骤S1中构造噪声样本库和纯净信号样本 库的过程均执 行如下步骤： S11： 选取受噪声干扰的大地电磁测点， 观察大地电磁测点所受噪声干扰类型， 并人为 提取典型噪声干扰数据， 再调整其参数来构建噪声样本； 以及人为构建不同幅值的模拟噪 声干扰加入噪声样本库； S12： 人为提取明显未受噪声干扰的大地电磁数据， 并将其均匀分段作为纯净信号样 本； 以及人为加入高斯白噪声作为模拟纯 净信号样本 。 7.根据权利要求1所述的方法， 其特征在于： 所述LSTM预测模型的网络架构由序列输入 层、 LSTM层、 全连接层和回归层构成， 所述序列输入层指定输入数据维度为50， LSTM层的隐 含单元个数为20 0， 所述全连接层特 征维数为5 0。 8.一种基于 权利要求1 ‑7任一项所述方法的系统， 其特 征在于： 包括如下：权　利　要　求　书 2/3 页 3 CN 113158553 B 3