摘要
探地雷达是一种无损、经济、快速的地球物理勘探仪器，在地质勘探、土壤结构分析和石油勘探等领域发挥着重要作用。但是在探地雷达数据采集过程中，存在着各种干扰因素，影响数据采集的准确性。因此，探地雷达信号去噪问题一直备受关注。由于探地雷达噪声信号通常会表现出和目标信号同频混叠的复杂特性，传统算法对复杂地质结构中采集的探底雷达数据处理效果并不理想，降噪难度较大。为了有效提升探地雷达信号降噪水平，引入深度神经网络对探地雷达信号进行高效智能的降噪，并取得了比传统方法更优的处理结果。 (1)针对复杂探地数据噪声压制问题，提出了一种用于探地雷达信号的改进卷积自编码器去噪网络(ModifiedConvolutionalautoencoderdenoisingnetwork,MCDAE),并引入高斯噪声数据集和随机噪声数据集对模型去噪效果进行评价。MCDAE网络编码器和解码器总共由13层网络结构组成，编码器对探地雷达数据进行数据特征提取，解码器和编码器相对称，负责将压缩的数据特征重构为相应的探地雷达信号。为验证提出算法的有效性，将训练好的网络模型对探地雷达实测数据进行处理分析，并将其与经典传统算法和深度学习算法的去噪结果进行对比分析。实验结果表明MCDAE网络模型有效的压制了噪声信号，较好地重构出了去噪信号。 (2)针对MCDAE网络模型对低强度噪声去除不完全的问题，提出了一种融合注意力机制的多任务编码器网络模型(Multitaskingencodernetworkmodel,MtNet)。在编码解码分别加入了通道和空间注意力机制，利用通道和空间的复合注意力机制优化特征提取方式，提高特征的表征能力。中间分离映射阶段采用Transformer模型，通过Transformer模型学习编码器提取的复合波形特征与分离的探地雷达信号和噪声信号时间序列特征之间的映射关系，最后通过损失函数来进一步优化模型，使其更适合探地雷达噪声的抑制。为验证提出算法的有效性，将训练好的网络模型对探地雷达实测数据进行处理分析，并与将其与几种经典传统算法和深度学习去噪算法进行比较分析。结果表明，融合注意力机制的多任务编码器模型可以有效地压制探地雷达数据中的复杂随机噪声，同时对探地雷达信号具有良好的恢复能力。 (3)从转换域的角度出发,提出时频域学习神经网络(Time-frequencydomainlearn-ingneuralnetwork,TefNet)。利用转换域的思想，实现探地雷达信号时频域去噪研究。针对探地雷达噪声数据产生的高强度干扰，构建TefNet网络。首先将原始探地雷达数据利用短时傅里叶变换将其转换至时频域，将探地信号的时频域特征输入网络，然后利用卷积结合多尺度残差块(MRDB)的串联结构，得到时频域的数据表征和数据流动，并计算含噪探地雷达数据和噪声数据的映射，最后通过短时傅里叶逆变换将输出数据转换得到时域去噪信号。将训练好的网络模型对探地雷达数据进行去噪分析，结果表明，TefNet可以有效的去除探地雷达数据采集过程中产生的噪声，并且对原始信号重构能力较强。
NETL