基于卷积神经网络的地下水磁共振数据随机噪声压制方法

摘要

磁共振探测(magnetic resonance sounding,MRS)是一种直接探测地下水的地球物理方法,具有定量、准确和高效等优点,广泛应用于水资源调查等领域.MRS信号的质量对于磁共振数据的解释具有重要作用.本文针对强环境干扰情况下MRS信号的随机噪声压制问题展开研究.基于卷积神经网络(convolutional neural networks,CNN)框架,采用监督学习的训练方式,得到含噪信号的时频谱与原始无噪声信号的时频谱间的非线性映射关系,进而实现磁共振信号噪声的压制.仿真结果表明,CNN方法对含噪MRS信号的信噪比提升可达15dB以上.并对比分析了CNN方法与时频峰值滤波(time-frequency peak filtering,TFPF)方法的噪声压制效果,证明了该方法的有效性和优越性.最后,使用该方法对野外实测数据的噪声压制,进一步证明了本方法的有效性和实用性.