基于支持向量机的可控源电磁数据智能识别方法

可控源电磁(CSEM)数据常常受到强人文噪声的污染,极大地影响了可控源电磁勘探的分辨率.为提高CSEM数据质量,本文提出一种基于支持向量机(SVM)的CSEM数据智能识别方法(CEEMD SVM方法),以代替传统的基于人工设定阈值的数据挑选方法.首先,通过互补集合经验模态分解(CEEMD)算法去除基线漂移噪声;然后,利用SVM对去除基线漂移后的数据进行智能识别,挑选出高质量信号.为验证该方法的有效性,首先进行了合成数据分析,然后将所提方法应用于广域电磁实测数据的处理.结果表明:SVM的平均识别准确率在92.00%以上;经过CEEMD SVM方法处理后,视电阻率由处理前的跳变形态变为连续光滑状态.

数学形态学和K-SVD字典学习在大地电磁数据去噪中的应用

为解决大地电磁(Magnetotelluric,MT)常规的时间域去噪方法对于1 Hz附近噪声压制的局限性问题,提出了一种基于数学形态滤波(Mathematical morphological filtering,MMF)和K-SVD(K-Singular value decomposition)字典学习的新型去噪方法,用于压制MT信号中低频数据1Hz附近的强人文噪声。首先,利用MMF分离出低频信号,对该低频信号进行保护以防止信号丢失;然后,使用K-SVD字典学习对剩余的含噪信号进行处理,通过从观测数据中自主学习获取噪声的特征结构,提取噪声轮廓,达到去除噪声的目的。利用一个合成数据集验证算法后,对两个实测数据进行处理,结果表明:该方法可以在几乎不损失有效信号的前提下,消除各种强人文噪声,信噪比大幅提升,数据质量得到很大改善,且去噪效果优于小波变换等传统方法。