基于机器学习的分布式全波形激电信噪分离与反演成像方法
发布时间：2022-01-07 22:23
激发极化电法勘探（激电法）是一种针对地质体导电性和激电性差异进行探测的地球物理分支方法。近年来国内外先后研发了分布式全波形电法勘探仪器设备,激电数据采集效率得到迅速发展,但相应的数据处理解释方法依然有所滞后。本文的研究目的是针对分布式激电勘探产生的大规模数据,建立一套初步智能化的信噪分离与反演成像方法,提高激电勘探的数据质量和应用效果。为了提高分布式激电抗干扰数据处理的精度和效率,本文提出了基于降噪方法库与统计决策的抗干扰技术。首先实现了三维介质的激电全波形响应正演模拟,通过分析生成的激电全波形理论信号与不同类型噪声干扰特征,提取最能表征时间序列类型的八个时/频域统计分量。继而模拟生成激电信号库与噪声库,通过支持向量机（SVM）分类算法实现机器对时间序列中不同噪声干扰的判断识别。然后,通过学习总结信号处理领域的相关知识,优选并改进五种有针对性的信号处理技术,包括:经验模态分解、波形匹配、稳健估计、主成分分析和小波分析等,并集成为一个降噪方法库,供决策系统自动选择相应的信号处理技术,实现干扰压制。上述方法是一种基于统计分析与信号处理知识驱动的自动化抗干扰算法。为了克服激电反演成像中常规拟...
【文章来源】：中国地质科学院北京市
【文章页数】：166 页
【学位级别】：博士
【部分图文】：
法国IRIS全波形激电勘探数据处理软件所采用的信号处理技术Fig.1-1SignalprocessingtechnologyinIRISfullwaveformIPdataprocessingsoftware.
第一章绪论91.2.3机器学习算法应用现状机器学习是一类利用机器或计算机自动从海量数据中寻找规律、建立模式、做出预测的一系列方法集合（Bishop,2006）。图1-2为机器学习主要分支及常用算法。机器算法根据所处理的数据样本的属性，可分为监督学习和无监督学两种。监督学习针对有标签的数据，根据给定的输入-输出数据对，进行训练，寻找内在逻辑关系，主要用于样本数据的分类和回归。无监督学习针对无标签的数据，需要机器根据样本数据本身的分布特征进行处理，主要用于样本数据的聚类和降维。机器学习也可以根据算法的复杂程度分为两大类，一类源于特征提取和统计分析，常用算法包括：决策树、支持向量机（SVM）分类器、聚类分析、随机森林等。第二类源于模糊逻辑和万能逼近理论，常用算法包括：各种浅层人工神经网络、卷积神经网络、深度置信网络等，用于根据样本训练网络模型，获取输入数据与输出数据之间隐含的规则，再根据新数据，直接输出新的预测结果，是更高水平的数据驱动方法。图1-2机器学习分类及常用算法Fig.1-2Classificationandcommonalgorithmsofmachinelearning（图片引自：https://www.robinwieruch.de/machine-learning-javascript-web-developers）在地学领域，机器学习算法已经在遥感影像分类、成矿远景预测、测井岩性识别、地球化学异常分异等领域得到非常广泛的应用（Laryetal.,2016;Karpatneetal.,2018;Bergenetal.,2019）。在地球物理分支学科中的地震信号处理、数据重构、断层识别等方面的应用也越来越多（Jia&Ma,2017;Wangetal.,2018）。在电法勘探中，虽然目前还没有成熟的基于机器学习的商业软件推出，但学者们已经开展了一些理论研
中国地质科学院博士学位论文121.3研究内容及方案1.3.1整体研究框架本文的研究目的是针对分布式激电勘探产生的大规模数据，建立一套初步智能化的信噪分离与反演成像方法，提高激电勘探的数据质量和应用效果。整体研究框架如图1-3。首先实现三维主轴各向异性介质的激电全波形响应正演模拟，为生成激电理论信号样本和三维正反演模型样本打下基矗然后分析生成的激电全波形理论信号与不同类型噪声干扰的特征，提出基于降噪方法库与统计决策的抗干扰技术。继而对两种机器学习算法进行改进，提出了样本压缩神经网络算法和自适应聚类分析算法，分别应用于激电勘探数据反演和边界识别。最后，将本文提出的方法应用于我国西南某铅锌多金属矿区的实测激电数据，分析抗干扰和反演效果。图1-3论文总体研究方案Fig.1-3Theoverallresearchschemeofthethesis.
本文编号：3575378
【文章来源】：中国地质科学院北京市
【文章页数】：166 页
【学位级别】：博士
【部分图文】：
法国IRIS全波形激电勘探数据处理软件所采用的信号处理技术Fig.1-1SignalprocessingtechnologyinIRISfullwaveformIPdataprocessingsoftware.
第一章绪论91.2.3机器学习算法应用现状机器学习是一类利用机器或计算机自动从海量数据中寻找规律、建立模式、做出预测的一系列方法集合（Bishop,2006）。图1-2为机器学习主要分支及常用算法。机器算法根据所处理的数据样本的属性，可分为监督学习和无监督学两种。监督学习针对有标签的数据，根据给定的输入-输出数据对，进行训练，寻找内在逻辑关系，主要用于样本数据的分类和回归。无监督学习针对无标签的数据，需要机器根据样本数据本身的分布特征进行处理，主要用于样本数据的聚类和降维。机器学习也可以根据算法的复杂程度分为两大类，一类源于特征提取和统计分析，常用算法包括：决策树、支持向量机（SVM）分类器、聚类分析、随机森林等。第二类源于模糊逻辑和万能逼近理论，常用算法包括：各种浅层人工神经网络、卷积神经网络、深度置信网络等，用于根据样本训练网络模型，获取输入数据与输出数据之间隐含的规则，再根据新数据，直接输出新的预测结果，是更高水平的数据驱动方法。图1-2机器学习分类及常用算法Fig.1-2Classificationandcommonalgorithmsofmachinelearning（图片引自：https://www.robinwieruch.de/machine-learning-javascript-web-developers）在地学领域，机器学习算法已经在遥感影像分类、成矿远景预测、测井岩性识别、地球化学异常分异等领域得到非常广泛的应用（Laryetal.,2016;Karpatneetal.,2018;Bergenetal.,2019）。在地球物理分支学科中的地震信号处理、数据重构、断层识别等方面的应用也越来越多（Jia&Ma,2017;Wangetal.,2018）。在电法勘探中，虽然目前还没有成熟的基于机器学习的商业软件推出，但学者们已经开展了一些理论研
中国地质科学院博士学位论文121.3研究内容及方案1.3.1整体研究框架本文的研究目的是针对分布式激电勘探产生的大规模数据，建立一套初步智能化的信噪分离与反演成像方法，提高激电勘探的数据质量和应用效果。整体研究框架如图1-3。首先实现三维主轴各向异性介质的激电全波形响应正演模拟，为生成激电理论信号样本和三维正反演模型样本打下基矗然后分析生成的激电全波形理论信号与不同类型噪声干扰的特征，提出基于降噪方法库与统计决策的抗干扰技术。继而对两种机器学习算法进行改进，提出了样本压缩神经网络算法和自适应聚类分析算法，分别应用于激电勘探数据反演和边界识别。最后，将本文提出的方法应用于我国西南某铅锌多金属矿区的实测激电数据，分析抗干扰和反演效果。图1-3论文总体研究方案Fig.1-3Theoverallresearchschemeofthethesis.
本文编号：3575378
本文链接：https://www.wllwen.com/guanlilunwen/lindaojc/3575378.html
