基于深度学习的天电信号识别用于死频带AMT数据处理
信号处理
2022-09-29 v1 机器学习
摘要
在音频大地电磁（AMT）测深数据处理中，某些时间范围内天电信号（sferic）的缺失通常导致AMT死频带能量不足，可能造成电阻率估计不可靠。我们提出一种深度卷积神经网络（CNN）从长时间范围内冗余记录的数据中自动识别天电信号，并用其补偿电阻率估计。我们使用来自中国大陆不同地区、具有不同信噪比的现场时间序列数据训练CNN。为解决因天电标签数量有限导致的潜在过拟合问题，我们提出一种训练策略：在优化CNN模型参数的同时随机生成训练样本（含随机数据增强）。我们持续训练过程与数据生成直至训练损失收敛。此外，我们使用加权二元交叉熵损失函数解决样本不平衡问题以更好优化网络，使用多个合理指标评估网络性能，并进行消融实验以最优选择模型超参数。大量现场数据应用表明，我们训练的CNN能从含噪时间序列中稳健识别天电信号用于后续阻抗估计。后续处理结果显示，我们的方法能显著提升信噪比（S/N），有效解决死频带能量不足问题。相较于无天电补偿的传统处理方法，我们的方法能生成更平滑且更合理的视电阻率-相位曲线与去极化相位张量，纠正高频视电阻率突降与相位反转异常行为的估计误差，最终更好还原真实浅地表电阻率结构。
引用
@article{arxiv.2209.13647,
title = {Deep learning based sferics recognition for AMT data processing in the dead band},
author = {Enhua Jiang and Rujun Chen and Xinming Wu and Jianxin Liu and Debin Zhu and Weiqiang Liu},
journal= {arXiv preprint arXiv:2209.13647},
year = {2022}
}