基于IITD和PNN的广域电磁法数据信噪分离方法

矿产资源开发需求加速了广域电磁法(Wide Field Electromagnetic Method, WFEM)的发展与应用，但强电磁干扰严重降低了原始数据质量与探测效果.为此，本文提出基于改进固有时间尺度分解(Improved Inherent Time-scale Decomposition, IITD)和概率神经网络(Probabilistic Neural Network, PNN)的广域电磁法数据信噪分离方法.首先，通过改进固有时间尺度分解算法，提高信号分解精度，消除原始数据中存在的趋势噪声；然后，构建WFEM数据样本库，提取最大值、峰值因子、脉冲因子、裕度因子等多个时域特征，结合概率神经网络进行信噪辨识；最后，将识别为有效信号的部分按原采样顺序进行整合与重构，实现WEFM数据去噪；通过数值模拟与实测分析，结果表明，趋势噪声和异常波形均能被有效辨识及剔除，处理后的电场曲线形态趋于平滑稳定，原始数据质量得到提升.