1.一种基于信号特征的判别损失卷积神经网络智能降噪方法,其特征在于,该方法包括:
对磁共振地下水探测仪采集的磁共振信号数据集X=[x1,x2,...,xn]进行分段处理,将数据集中各信号按照采样时间平均分成前后两段得到X=[(y1,n1),(y2,n2),...,(yn,nn)],整理得到前半段数据集Y=[y1,y2,...,yn]与后半段数据集N=[n1,n2,...,nn];
搭建模型:搭建卷积神经网络Net(θ)作为降噪网络,同时引入判别器Dis(φ)对降噪网络的损失函数J(θ,φ)进行约束,并初始化网络参数;
训练模型:采用前半段数据集Y内含噪信号yi以及后半段数据集N内噪声ni分别作为模型的输入和输出训练模型,依据判别器Dis(φ)确定损失函数,通过梯度下降法更新网络参数,减小模型的损失函数,优化模型,缩小降噪网络输出噪声Net(yi;θ)与实测噪声ni之间的偏差;
利用训练好的模型对新的实测数据进行降噪处理。
2.按照权利要求1所述的方法,其特征在于,所述卷积神经网络Net(θ)包括多个卷积层以及上采样层,多个卷积层输出到上采样层。
3.按照权利要求1所述的方法,其特征在于,所述判别器Dis(φ)包括多个不同卷积核的卷积层。
4.按照权利要求1所述的方法,其特征在于,训练模型的具体步骤为:a,将含噪信号yi输入搭建好的卷积神经网络中,经过卷积层和上采样层得到网络输出Net(yi;θ),通过如下公式计算第L层卷积层输出为:L L L‑1 L
a=σ(W*a +b)
L‑1 L L L
其中,a 和a分别表示为第L层卷积层的输入与输出特征,W ,b为第L层卷积层的卷积核和偏置,*代表卷积运算,σ表示激活函数;
当特征经过上采样层时,第L层上采样层输出为L L‑1
u=σ(upsample(u ))L‑1 L
其中,u 和u分别表示为第L层上采样层的输入与输出特征,upsample(·)为上采样函数;
b,将卷积神经网络输出与实际噪声分别输入到由不同卷积层搭建的判别器内,经过各层卷积操作后,得到网络输出为Dis(ni;φ)和Dis(Net(yi;θ);φ),第K层输出计算公式如下:
K K K‑1 K
c=Wd*c +bd
K‑1 K
其中,c 和c分别表示判别器第K层输入与输出特征,Wd,bd为判别器的卷积核和偏置;
c,应用判别器约束降噪网络的损失函数,确定模型的损失函数为:当输入判别器的是降噪结果时,输出Dis(Net(yi;θ);φ)数据分布被判别为假;而当判别器输入的是实际噪声时,输出Dis(ni;φ)的数据分布被判别为真,使卷积神经网络生成与实际噪声分布相同的数据;
d,整个网络在实测数据集上历经的每次训练中,先固定卷积神经网络Net(θ),利用梯度下降法,迭代更新判别器网络参数φ;之后固定判别器Dis(φ),迭代更新卷积神经降噪网络参数θ,循环交替上述两个步骤,公式如下:其中,N1为判别器网络的层数,N2为卷积神经降噪网络的层数,β为学习速率,通过上述公式循环迭代,优化损失函数,直到损失函数J(θ,φ)稳定。
5.按照权利要求1所述的方法,其特征在于,利用训练好的模型对新的实测数据进行降噪处理包括:
t
在训练数据集的采集地点重新采集数据,获得测试数据集Y ,输入到训练好的卷积神经网络Net(θ)中,得到预测的噪声输出为:其中, M为测试数据集中待处理信号的个数,卷积神经网络从含噪信号重构出噪声,则消除噪声后的有效信号为: