1.一种基于卷积神经网络的磁共振地下水探测噪声抑制方法,其特征在于,包括以下步骤:M×N
a、仿真核磁共振地下水探测仪采集的磁共振信号X(n)∈R ,其中N为信号长度,M为信M×N M号个数,混入不同的常见类型叠加环境噪声N(n)∈R ,得到加噪的磁共振信号Y(n)∈R×N,形成训练数据集;
b、设计CNN网络结构,确定各隐藏层组成,初始化网络模型的参数;
c、利用反向传播算法,输入训练数据集采用梯度下降法优化CNN网络参数使损失函数最小化,构建去噪网络模型;
所述步骤b中构建CNN网络结构,具体步骤包括:b1、CNN网络结构包括每一层的卷积运算Conv,对输入的含噪核磁共振信号进行滤波,并选取修正线性单元ReLU作为激活函数对卷积运算结果进行激活,每个卷积层输出作为下一层输入,通过批量归一化层BN加速网络参数优化,缩短训练时间,设置CNN网络结构的层数L和每层隐藏层的类型及参数,定义卷积核的大小K,填充大小P,步幅S;
b2、初始化网络参数θ={W,b}、学习速率β及停止迭代阈值ε,其中W、b分别表示各隐藏层与输出层的线性关系系数矩阵和偏倚向量;
所述步骤c包括:
c1、含噪的磁共振信号Y(n)和环境噪声N(n)分别为CNN网络结构的输入和输出,作为训练数据集,构造去噪残差网络模型x=y‑R(y;θ),其中,R表示搭建的CNN网络,θ={W,b}为网络参数,通过反向传播算法的梯度下降法来更新,y为含噪的磁共振信号数据,R(y;θ)为y经网络前向传播算法后输出的环境噪声数据,x为作差得到的干净核磁信号;
1
其中,前向传播算法将一组含噪数据yi作为CNN网络的输入张量a ,进行前向传播算法,L经过不同种类隐藏层得到输出,计算到第L层输出a;
反向传播算法,先确定网络损失函数l(θ),通过梯度下降法来更新各层网络参数θ={W,b};
所述步骤c由前向传播算法计算出各层输出包括:
1 1
21)、对于输入张量a 作各层卷积运算及非线性激活操作后,得到各层输出张量a ,
2 L
a ,…,a:
2 L 1 1
a=ReLU(W*a+b)
3 L 2 2
a=ReLU(W*a+b)
L L L‑1 L‑1
a=ReLU(W*a +b ),
其中ReLU(x)=max(0,x)表示激活函数,*表示卷积操作,为互相关操作;
22)、在卷积运算和激活操作之间,网络内自动进行批量归一化层BN算法:设网络隐藏层中某层的输入为{c1,c2,…,cn},计算输入均值再计算输入方差 经过归一化操作 得到BN算法输出di=γBci+βB,其中γB、βB为两个需要学习的参数;
所述步骤c反向传播算法,包括:
31)、输入的含噪核磁共振信号数据y经过搭建的CNN网络前向传播输出R(y;θ),经过残差网络结构得到去噪核磁共振信号x=y‑R(y;θ);
32)、建立损失函数 l(θ)越小,说明预测的噪声输出与实际噪声越接近;
33)、利用反向传播算法,从后向前,逐层求损失函数对每层神经元参数的偏导数,迭代更新所有参数:n=1,2,…,L+1,θ={W,b}、β为学习速率,通过上述公式循环迭代,当所有层W、b的变化值小于停止迭代阈值ε时,停止梯度下降法,输出各隐藏层及输出层的参数W、b。
2.按照权利要求1所述的方法,其特征在于,所述步骤a中的构建训练数据集的具体步骤为:a1,按照表达式 构建仿真的磁共振信号,其中t=(0:N‑1)/fs,1
fs为采样率,E0是初始振幅, 是弛豫时间,fL是Larmor频率,是初始相位,得到X1(n)∈R×N M×N,重复m次,得到信号个数为M,采集数据长度为N的核磁共振信号数据集X(n)∈R ;
a2,使用MATLAB中randn函数和三角函数构造不同类别的噪声,包括随机噪声、工频噪M×N声和尖峰噪声,叠加后得到模拟环境噪声N(n)∈R ;
a3,分别改变信号的幅值、频率、弛豫时间、以及相位,构造多组的核磁共振信号数据集X(n)、和环境噪声N(n),得到含噪的磁共振信号Y(n),其中,Y(n)=X(n)+N(n)。