排序方式： 共有2条查询结果，搜索用时 9 毫秒
1
1.
随着社会的发展,各类干扰日益加剧,高质量的大地电磁采集也变得愈加困难。为了提高数据质量,学者们针对不同类型的噪声提出了很多对应的去噪方法,由于大地电磁数据量都比较大,去噪前不可能对每条数据进行人工判读,急需一种高效率的噪声识别和分类方法。基于此,本文将人工神经网络应用于大地电磁时间序列分类中,为了选取最为合适的大地电磁时间序列分类网络模型,使用模拟方波、工频、脉冲噪声以及实测无噪声数据4类时间序列类型,分别对LSTM、FCN、ResNet、LSTM-FCN及LSTM-ResNet模型进行了噪声分类训练和实测数据分类对比试验。结果表明,FCN及LSTM-FCN在大地电磁时序分类中具有相对较好的效果。其中,FCN模型对实测数据分类准确率最高可达99.84%,每个epoch平均用时9.6 s, LSTM-FCN较FCN具有更高的分类精度,实测数据集最高分类准确率近乎100%,但是其每个epoch平均用时24.6 s,且较FCN也更易过拟合。总体来看,如果数据量较少使用LSTM-FCN可以获取更高的分类精度,数据量较大时需考虑时间成本,使用FCN则更为合适。最后,利用LSTM-FCN分类模型和... 相似文献
2.
去噪是大地电磁数据处理的重要一环。为了丰富和发展大地电磁时间序列去噪方法,将循环神经网络中的LSTM网络引入大地电磁时间序列方波噪声处理中,将实测无人文干扰的大地电磁时间序列叠加模拟方波噪声作为网络输入,将无噪原始时间序列作为网络的目标输出,训练了1 500次epoch后,网络从仿真含噪信号提取的时间序列与原始时间序列的归一化互相关系数高达0.971 8,说明网络很好地学习了无噪大地电磁时间序列的特征。通过实测含方波噪声信号的去噪试验,表明了本文方法可以有效压制方波噪声干扰,改善阻抗估计质量,为深度学习在大地电磁时间序列处理的应用提供了新思路。 相似文献
1