【技术实现步骤摘要】
本专利技术涉及人工源电磁勘探数据处理，尤其涉及一种基于stl-fmd分解算法的人工源电磁勘探去噪方法、系统、终端及介质。
技术介绍
1、人工源电磁法(csem)，是一种场源可控、信号已知、抗干扰能力强的地球物理勘探方法，在能源与矿产资源勘探、地质调查及灾害防控等领域得到了广泛应用。在野外实际观测中，强电磁干扰始终是影响电磁勘探效果主要因素之一；同时由于噪声的复杂及不可控性，单一的去噪方法往往无法获得令人满意的效果。因此如何实现强电磁干扰的有效压制，始终是该领域的研究热点及难点。
2、在电磁勘探数据处理领域，经验模态分解(emd)可根据信号的局部时间尺度特征，将原始信号中的不同分量分离成一系列的本征模态函数(imf)，在时频域对其进行特征分析，进而实现信噪的识别与分离，该类方法也被认为是众多信号多成分分析中最有效的工具之一，广泛应用于强干扰、基线漂移等噪声的压制。但emd及其改进方法(eemd、lmd等)存在模式混叠、端点效应、过包络和欠包络、易受噪声影响等问题。变分模态分解算法(vmd)将模态分解转化为一个变分求解问题，有效弥补了emd等方法的不足；但算法参数中的模态分量个数k和惩罚因子α决定了分解性能，因此在没有任何先验知识的情况下使用vmd仍然仍存在较大的分解误差，从而降低了去噪效果。
技术实现思路
1、针对现有人工源电磁勘探去噪技术存在的不足，本专利技术提供了一种基于stl-fmd分解算法的人工源电磁勘探去噪方法、系统、终端及介质，利用stl(seasonal-t
2、第一方面，提供了一种基于stl-fmd分解算法的人工源电磁勘探去噪方法，包括如下步骤：
3、s1：获取原始参考站、含噪测站的观测信号并进行降采样处理，得到参考站与含噪测站第一观测信号；
4、s2：对含噪测站第一观测信号进行stl分解，并消除其中的趋势分量，得到含噪测站第二观测信号；
5、s3：利用高信噪比同步观测的参考站第一观测信号与含噪测站第二观测信号的信号方差比实现噪声识别定位，提取得到含噪测站的含噪观测信号；
6、s4：对含噪测站的含噪观测信号进行低通fmd分解，得到噪声信号；
7、s5：将含噪测站的含噪观测信号减去噪声信号，获得去噪之后的有效信号；
8、s6：将含噪测站第二观测信号中的含噪部分替换为有效信号，获得去噪后完整的时间域信号。
9、进一步地，步骤s1中降采样处理过程包括：
10、采用奈奎斯特采样定理对原始观测信号进行降采样，即保证fs≥2fmax，且降采样后的主频幅值曲线与原始主频幅值曲线误差<1％；其中，fs为采样频率，fmax为原始观测信号的最高频率。
11、进一步地，步骤s2具体包括：
12、s2.1、stl分解内循环，利用局部加权回归算法拟合周期分量，进而求解趋势分量；
13、s2.2、stl分解外循环，获取残差，并在每次循环中计算鲁棒权重，对局部加权回归算法权重进行更新，用于下一次内循环计算；
14、s2.3、当迭代结果满足收敛条件时，即完成分解，获得最终趋势分量tt；收敛条件定义为：
15、
16、其中，与表示连续迭代的趋势分量或周期分量；
17、s2.4、含噪测站第一观测信号xt中消除趋势分量tt，得到含噪测站第二观测信号记为xnt，即xnt＝xt-tt。
18、进一步地，stl分解内循环：假设第k次迭代结果中的趋势分量和周期分量分别表示为ttk、趋势分量初始值设置为0，即tt0＝0；分解过程如下：
19、s2.1.1、去趋势：用当前时刻的含噪测站第一观测信号xt减去上一次内循环后的趋势分量，得到去趋势后的序列，表示为xt-ttk；
20、s2.1.2、周期子序列平滑：将s2.1.1所得序列划分为多个子序列，对每个子序列进行局部加权回归算法平滑处理，并将平滑后的子序列进行组合还原，所得周期子序列记作
21、s2.1.3、周期子序列低通滤波：对于s2.1.2所得的周期子序列进行滑动平均处理，再进行一次局部加权回归算法平滑处理，得到序列；
22、s2.1.4、周期子序列去趋势：利用作为周期性分量
23、s2.1.5、原始序列去周期性：将作为去周期分量之后的序列；
24、s2.1.6、趋势平滑：对s2.1.5所得序列，进行局部加权回归算法平滑处理，得到趋势分量ttk+1；
25、stl分解外循环：根据s2.1.6所得趋势分量ttk+1，计算残差进一步的，利用残差计算其鲁棒权重ρt，计算公式如下：
26、其中
27、式中，rt表示该轮循环的迭代残差，即b(·)表示双平方权重函数；median表示中位数，||表示取数据的绝对值；
28、获得鲁棒权重ρt后，在内循环中对局部加权回归算法权重进行更新，即局部加权回归算法权重乘以ρt，完成内循环下次迭代。
29、进一步地，步骤s3具体包括：
30、s3.1、高信噪比同步观测的参考站第一观测信号与含噪测站第二观测信号的信号方差比通过如下公式计算：
31、
32、式中，rovi为第i个窗口对应的信号方差比，var表示信号方差，er表示参考站第一观测信号，el表示含噪测站第二观测信号，(ti,ti+1)表示第i个窗口对应的数据段，win_nums为窗口数；
33、s3.2、利用基于密度的聚类算法(dbscan)对s3.1所获得的信号方差比进行聚类分析，完成噪声的识别定位，提取得到含噪观测信号xt。
34、进一步地，步骤s4具体包括：
35、s4.1、参数初始化：设置初始化fmd参数，分解模数mode_nums、滤波器长度l、最大迭代次数max_iternums、低通滤波器截止频率fc；
36、s4.2、fir滤波器设计：设计m个汉宁窗低通滤波器组，m＝5～10，初始化迭代次数j＝1；
37、s4.3、含噪观测信号xt滤波分解：采用s4.2设计的低通滤波器对含噪观测信号xt进行滤波，获得第j次迭代的m个模态分量其表达式如下：
38、
39、式中，表示第j次迭代中第m个模态分量，表示第j次迭代中第m个低通滤波器的滤波系数(m＝1,2,…m)，“*”表示卷积运算；
40、s4.4、滤波器系数更新：利用含噪观测信号xt、模态分量与估计信号周期实现滤波器系数更新，并设置j本文档来自技高网...
【技术保护点】
1.一种基于STL-FMD分解算法的人工源电磁勘探去噪方法，其特征在于，包括如下步骤：
2.根据权利要求1所述的基于STL-FMD分解算法的人工源电磁勘探去噪方法，其特征在于，步骤S1中降采样处理过程包括：
3.根据权利要求1所述的基于STL-FMD分解算法的人工源电磁勘探去噪方法，其特征在于，步骤S2具体包括：
4.根据权利要求3所述的基于STL-FMD分解算法的人工源电磁勘探去噪方法，其特征在于，
5.根据权利要求1所述的基于STL-FMD分解算法的人工源电磁勘探去噪方法，其特征在于，步骤S3具体包括：
6.根据权利要求1所述的基于STL-FMD分解算法的人工源电磁勘探去噪方法，其特征在于，步骤S4具体包括：
7.根据权利要求6所述的基于STL-FMD分解算法的人工源电磁勘探去噪方法，其特征在于，步骤S4.6中任意两个模态分量相关系数计算如下：
8.一种基于STL-FMD分解算法的人工源电磁勘探去噪系统，其特征在于，包括如下步骤：
9.一种电子终端，其特征在于，包括：
...
【技术特征摘要】
1.一种基于stl-fmd分解算法的人工源电磁勘探去噪方法，其特征在于，包括如下步骤：
2.根据权利要求1所述的基于stl-fmd分解算法的人工源电磁勘探去噪方法，其特征在于，步骤s1中降采样处理过程包括：
3.根据权利要求1所述的基于stl-fmd分解算法的人工源电磁勘探去噪方法，其特征在于，步骤s2具体包括：
4.根据权利要求3所述的基于stl-fmd分解算法的人工源电磁勘探去噪方法，其特征在于，
5.根据权利要求1所述的基于stl-fmd分解算法的人工源电磁勘探去噪方法，其特征在于，步骤s3具体包括：
6.根据权利...
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。