基于人工神经网络的大地电磁时序分类研究

随着社会的发展，各类干扰日益加剧，高质量的大地电磁采集也变得愈加困难。为了提高数据质量，学者们针对不同类型的噪声提出了很多对应的去噪方法，由于大地电磁数据量都比较大，去噪前不可能对每条数据进行人工判读，急需一种高效率的噪声识别和分类方法。基于此，本文将人工神经网络应用于大地电磁时间序列分类中，为了选取最为合适的大地电磁时间序列分类网络模型，使用模拟方波、工频、脉冲噪声以及实测无噪声数据4类时间序列类型，分别对LSTM、FCN、ResNet、LSTM-FCN及LSTM-ResNet模型进行了噪声分类训练和实测数据分类对比试验。结果表明，FCN及LSTM-FCN在大地电磁时序分类中具有相对较好的效果。其中，FCN模型对实测数据分类准确率最高可达99.84%,每个epoch平均用时9.6 s, LSTM-FCN较FCN具有更高的分类精度，实测数据集最高分类准确率近乎100%,但是其每个epoch平均用时24.6 s,且较FCN也更易过拟合。总体来看，如果数据量较少使用LSTM-FCN可以获取更高的分类精度，数据量较大时需考虑时间成本，使用FCN则更为合适。最后，利用LSTM-FCN分类模型和...