1.一种结合弱监督学习的神经网络磁异常信号去噪方法,其特征在于,包括以下步骤:获取带噪声的磁异常信号;
基于短时傅里叶变换,将带噪声的磁异常信号转换为带噪声的频谱图;
基于U-Net++网络,对带噪声的频谱图进行去噪处理,得到去噪频谱图;
实时根据去噪频谱图,计算多尺度频谱损失、均方误差损失和弱监督损失,确定总损失;
若总损失低于预设的阈值,则基于逆短时傅里叶变换,将去噪频谱图转换回时域信号,得到去噪信号;否则,通过反向传播更新U-Net++网络的参数;
所述弱监督损失的计算方法包括:
从去噪频谱图中提取频率特征;
将频率特征输入至预设的弱监督模块中,输出去噪结果的质量评分;
根据去噪结果的质量评分与预设的目标值的差异,得到弱监督损失;
所述弱监督模块由卷积神经网络和全连接层组成;假设卷积神经网络由L层卷积层组成,经过第l层卷积后的频率特征表示为Fl(k),其卷积操作表示为:;
;
式中,Fl-1(k)为第l-1层的频率特征;为第l层的第i个卷积核,为对应的偏置项;为激活函数;*表示卷积运算;Cl-1为第l-1层的通道数;F(k)为去噪频谱图中的频率特征;M为时间帧总数;为去噪频谱图;m为窗函数的位置索引;k为频率索引;
经过若干层卷积后,将频率特征展平并输入到全连接层;假设全连接层的权重矩阵为Wf,偏置项为bf,全连接层的输出为:;
式中,为弱监督模块的预测值。
2.根据权利要求1所述的结合弱监督学习的神经网络磁异常信号去噪方法,其特征在于,所述短时傅里叶变换的公式为:;
式中,X表示短时傅里叶变换的结果;m为窗函数的位置索引;k为频率索引;x[n]为时间n的磁异常信号;为窗函数;N代表窗函数的长度;j为虚数单位。
3.根据权利要求1所述的结合弱监督学习的神经网络磁异常信号去噪方法,其特征在于,所述U-Net++网络的结构包括:编码器路径,通过下采样逐层提取高级语义;
解码器路径,通过上采样恢复空间分辨率;
跳跃连接,在同一深度下,通过横向连接将不同层级的特征逐步融合。
4.根据权利要求1所述的结合弱监督学习的神经网络磁异常信号去噪方法,其特征在于,所述多尺度频谱损失的计算方法为:将去噪频谱图和标准的干净频谱图分别进行多尺度缩放;然后计算各尺度下的频谱差异,并求取平均值,得到多尺度频谱损失。
5.根据权利要求1所述的结合弱监督学习的神经网络磁异常信号去噪方法,其特征在于,所述均方误差损失的计算方法为:计算去噪频谱图和标准的干净频谱图的均方差,得到均方误差损失。
6.根据权利要求1所述的结合弱监督学习的神经网络磁异常信号去噪方法,其特征在于,所述弱监督损失的计算公式为:;
式中,Lweak为弱监督损失;N代表窗函数的长度;为时间n的磁异常信号对应去噪结果的质量评分。
7.根据权利要求1所述的结合弱监督学习的神经网络磁异常信号去噪方法,其特征在于,反向传播更新U-Net++网络的参数的公式为:;
式中,为U-Net++网络的参数;Ltotal为总损失;Lspec为多尺度频谱损失;LMSE为均方误差损失;Lweak为弱监督损失;分别为多尺度频谱损失、均方误差损失和弱监督损失的超参数。
8.一种结合弱监督学习的神经网络磁异常信号去噪系统,用于实现权利要求1-7中任一项所述方法,其特征在于,包括:磁异常信号获取模块,用于获取带噪声的磁异常信号;
磁异常信号转换模块,用于基于短时傅里叶变换,将带噪声的磁异常信号转换为带噪声的频谱图;
频谱图去噪模块,用于基于U-Net++网络,对带噪声的频谱图进行去噪处理,得到去噪频谱图;
总损失确定模块,用于实时根据去噪频谱图,计算多尺度频谱损失、均方误差损失和弱监督损失,确定总损失;
去噪信号输出模块,用于基于逆短时傅里叶变换,将去噪频谱图转换回时域信号,得到去噪信号;
参数更新模块,用于通过反向传播更新U-Net++网络的参数。