面向半空中瞬时电磁信号的可解释去噪框架——DREMnet
机器学习
2025-03-31 v1
摘要
半空中瞬时电磁方法（SATEM）能够对大规模和难以到达的区域进行快速勘测。然而，获取的信号常受到复杂噪声的污染，这可能损害后续反演解释的准确性。传统的去噪技术主要依赖参数选择策略，在噪声环境下的现场数据处理效果不足。随着深度学习的出现，各种神经网络被用于 SATEM 信号去噪。然而，现有的深度学习方法通常使用单映射学习方法，难以有效分离信号与噪声。这些方法仅捕获部分信息，缺乏可解释性。为克服这些限制，我们提出一种可解释的解耦表示学习框架，称为 DREMnet，通过解耦数据中的内容和上下文因素，实现复杂环境下的稳健且可解释的去噪。为了克服 CNN 和 Transformer 架构的局限性，我们采用 RWKV 架构进行数据处理，引入 Contextual-WKV 机制，使单向 WKV 能够进行双向信号建模。我们提出的覆盖嵌入技术通过堆叠嵌入保留了卷积网络的强局部感知能力。实验结果表明，DREMnet 方法在测试数据集上优于现有技术，处理后的现场数据更准确地反映了理论信号，提高了对地下电导结构的识别。
引用
@article{arxiv.2503.22223,
title = {DREMnet: An Interpretable Denoising Framework for Semi-Airborne Transient Electromagnetic Signal},
author = {Shuang Wang and Ming Guo and Xuben Wang and Fei Deng and Lifeng Mao and Bin Wang and Wenlong Gao},
journal= {arXiv preprint arXiv:2503.22223},
year = {2025}
}