用于衰减噪声 DAS 数据去噪的无监督 CP-UNet 框架
声音
2025-02-20 v1 机器学习
音频与语音处理
信号处理
光学
摘要
分布式声传感（DAS）技术利用光缆检测声信号，提供了经济高效且密集的监测能力。它具有诸多优势，包括抗极端条件、抗电磁干扰以及精确检测。然而，与检波器相比，DAS 通常表现出较低的信号噪声比（S/N），并且容易受到各种噪声的影响，例如随机噪声、杂乱噪声、水平噪声和长周期噪声。这种降低的 S/N 可能会对包含反演和解释的数据分析产生负面影响。虽然人工智能已经展现出卓越的去噪能力，但现有的大多数方法依赖于带有标签数据的监督学习，这对标签的质量提出了严格要求。为了解决这个问题，我们开发了一种基于 Context-Pyramid-UNet（CP-UNet）的无标签无监督学习（UL）网络模型，以抑制 DAS 数据中的杂乱噪声和随机噪声。CP-UNet 在编码和解码过程中利用上下文金字塔模块来提取特征并重建 DAS 数据。为了增强浅层和深层特征之间的连通性，我们在编码和解码部分都添加了连接模块（CM）。采用层归一化（LN）来替代常用的批归一化（BN），以加速模型的收敛并防止训练过程中的梯度爆炸。采用 Huber 损失作为我们的损失函数，其参数由实验确定。我们将该网络应用于二维合成数据和现场数据。与传统的去噪方法和最新的 UL 框架相比，我们提出的方法表现出更优的降噪性能。
引用
@article{arxiv.2502.13395,
title = {Unsupervised CP-UNet Framework for Denoising DAS Data with Decay Noise},
author = {Tianye Huang and Aopeng Li and Xiang Li and Jing Zhang and Sijing Xian and Qi Zhang and Mingkong Lu and Guodong Chen and Liangming Xiong and Xiangyun Hu},
journal= {arXiv preprint arXiv:2502.13395},
year = {2025}
}
备注
13 pages, 8 figures