基于支持向量機(jī)的可控源電磁數(shù)據(jù)智能識別方法

李 廣，丁 迪，石福升，鄧居智，肖 曉，陳 輝，何柱石，桂團(tuán)福

1.江西省防震減災(zāi)與工程地質(zhì)災(zāi)害探測工程研究中心(東華理工大學(xué))，南昌 330013 2.有色金屬成礦預(yù)測與地質(zhì)環(huán)境監(jiān)測教育部重點(diǎn)實(shí)驗(yàn)室(中南大學(xué))，長沙 410083

0 引言

可控源電磁法(controlled-source electromagnetic method，CSEM)利用人工源電磁信號代替天然的交變電磁場作為場源，具有抗干擾能力強(qiáng)、勘探深度較大等優(yōu)點(diǎn)，近年來被廣泛應(yīng)用于頁巖氣勘探、金屬礦勘探以及工程物探等領(lǐng)域[1-2]。但隨著人文活動(dòng)范圍的持續(xù)擴(kuò)大，CSEM數(shù)據(jù)受人文噪聲的干擾越來越嚴(yán)重，因此對觀測到的數(shù)據(jù)進(jìn)行噪聲壓制變得越發(fā)重要[3-4]。

為改善勘探效果，國內(nèi)外學(xué)者提出了多種方法處理人文噪聲干擾。例如：基于時(shí)變雙邊濾波的海洋可控源電磁數(shù)據(jù)噪聲壓制方法[5]；基于有理函數(shù)濾波的可控源音頻大地電磁信號[6]及廣域電磁法(wide-field electromagnetic method，WFEM)信號處理方法[7]；基于小波變換(wavelet transform，WT)的瞬變電磁信號去噪方法[8]；基于經(jīng)驗(yàn)?zāi)B(tài)分解(empirical mode decomposition, EMD)的激電信號[9]及長偏移距瞬變電磁信號去噪方法[10]；基于字典學(xué)習(xí)的航空瞬變電磁數(shù)據(jù)[11]及廣域電磁數(shù)據(jù)去噪方法[3]；基于相關(guān)度的激電信號篩選法[9]及基于灰色判別準(zhǔn)則的廣域電磁數(shù)據(jù)篩選方法[7]等。其中，數(shù)據(jù)篩選方法通過一定的評價(jià)標(biāo)準(zhǔn)從觀測數(shù)據(jù)中挑選出質(zhì)量較高的數(shù)據(jù)，而不必改變信號原有的形態(tài)；因此既不會(huì)損傷有用信號，也不會(huì)引入新的噪聲，處理結(jié)果可信度高，在實(shí)際的數(shù)據(jù)處理中應(yīng)用最為廣泛。多數(shù)情況下，以上列舉方法均能夠顯著地提高數(shù)據(jù)質(zhì)量，但其也存在一定的局限性。例如：基于EMD的數(shù)據(jù)處理方法會(huì)因?yàn)镋MD的模態(tài)混疊效應(yīng)產(chǎn)生一定的誤差；基于相關(guān)度的數(shù)據(jù)挑選法需要人工設(shè)定閾值，難以實(shí)現(xiàn)自動(dòng)化的批量處理，且該方法要求操作人員具有一定的經(jīng)驗(yàn)，易造成主觀偏差。

近年來，隨著人工智能技術(shù)的飛速發(fā)展，機(jī)器學(xué)習(xí)算法在地球物理領(lǐng)域得到廣泛關(guān)注。支持向量機(jī)(support vector machine, SVM)是眾多機(jī)器學(xué)習(xí)算法中的典型代表，它是在統(tǒng)計(jì)學(xué)習(xí)理論的基礎(chǔ)上提出的一種模式識別方法，具有良好的泛化能力，特別適合于小樣本分類等應(yīng)用場合[12]?？煽卦措姶欧ㄋ褂玫男盘柺侵芷谛盘柣蛘咦冾l的多周期信號，每一個(gè)周期的時(shí)間序列均可以視為一個(gè)樣本，但有時(shí)為了節(jié)省成本，可控源電磁信號觀測時(shí)間較短，觀測的樣本數(shù)量較少，因此利用在小樣本情況下具有優(yōu)異表現(xiàn)的SVM算法對可控源電磁信號進(jìn)行挑選是極為恰當(dāng)?shù)摹榇?，本文嘗試將SVM引入CSEM數(shù)據(jù)篩選，代替?zhèn)鹘y(tǒng)的基于人工設(shè)定閾值的篩選法，以消除人工干預(yù)所帶來的主觀偏差，提高數(shù)據(jù)篩選的自動(dòng)化程度與精度。

1 方法原理

可控源電磁數(shù)據(jù)中的人文噪聲主要包括隨機(jī)噪聲、沖擊類噪聲以及基線漂移干擾等。其中：隨機(jī)噪聲幅度較小，多數(shù)情況下，通過多個(gè)周期的數(shù)據(jù)疊加并取平均值可以較好地壓制隨機(jī)噪聲的影響；沖擊類噪聲包括脈沖噪聲、方波噪聲等，它們具有幅度大、能量強(qiáng)等特點(diǎn)，是一類對可控源信號的信噪比具有較大影響且現(xiàn)有方法難以去除的噪聲；基線漂移干擾是可控源電磁數(shù)據(jù)中極為常見的一種持續(xù)性低頻干擾，往往會(huì)造成視電阻率低頻部分嚴(yán)重畸變?，F(xiàn)有的文獻(xiàn)[1,3]表明，利用互補(bǔ)集合經(jīng)驗(yàn)?zāi)B(tài)分解(complementary ensemble empirical mode decomposition, CEEMD)可以較好地校正基線漂移。本文基于可控源電磁信號周期性的特征，結(jié)合CEEMD與SVM，提出了壓制可控源強(qiáng)噪聲的CEEMD-SVM方法，即在CEEMD處理之后，采用SVM識別出受到脈沖、方波等噪聲污染的片段并予以丟棄，達(dá)到消除噪聲的目的。

1.1 CEEMD

互補(bǔ)集合經(jīng)驗(yàn)?zāi)B(tài)分解由經(jīng)驗(yàn)?zāi)B(tài)分解和集合經(jīng)驗(yàn)?zāi)B(tài)分解(ensemble EMD，EEMD)改進(jìn)而來。集合經(jīng)驗(yàn)?zāi)B(tài)分解通過給待分解數(shù)據(jù)添加白噪聲的方式，較好地克服了經(jīng)驗(yàn)?zāi)B(tài)分解的模態(tài)混疊問題，但加入的白噪聲會(huì)對原始數(shù)據(jù)造成一定的污染。互補(bǔ)集合經(jīng)驗(yàn)?zāi)B(tài)分解則通過添加成對且互補(bǔ)的白噪聲，有效地消除了添加白噪聲的影響。EMD以及CEEMD等算法均被用于可控源電磁數(shù)據(jù)的基線漂移校正，限于篇幅，本文對CEEMD的原理部分不再贅述，詳情可以查閱文獻(xiàn)[3,13]。

1.2 支持向量機(jī)

支持向量機(jī)是由前蘇聯(lián)學(xué)者Vapnik最早提出的一種基于統(tǒng)計(jì)學(xué)習(xí)理論的新型學(xué)習(xí)機(jī)，它是一種二類分類模型，是定義在特征空間上的間隔最大的線性分類器[14-15]。SVM目前已被應(yīng)用于大地電磁信噪識別[16]、地震體波震相的自動(dòng)識別與拾取[17]、地震事件分類[18]和巖性識別[19]等領(lǐng)域。假定一個(gè)特征空間上的訓(xùn)練數(shù)據(jù)集Q={(x1,y1),(x2,y2),...，(xN,yN)}, 其中xi為第i個(gè)特征向量[12]，也稱為樣本，yi為xi的類標(biāo)記，xi∈Rn,yi∈{-1,1}，i=1,2,...,N。支持向量機(jī)的學(xué)習(xí)目標(biāo)是在特征空間中找到一個(gè)分離超平面，能將實(shí)例分成不同的類。分離超平面(w,b)對應(yīng)于方程[20-21]：

w·x+b=0。

(1)

式中：w為超平面的一個(gè)法向量；b為截距，用來確定超平面的具體位置。對于給定的訓(xùn)練數(shù)據(jù)集Q和超平面(w,b),定義超平面(w,b)關(guān)于樣本點(diǎn)(xi,yi)的函數(shù)間隔為

ξi=yi(w·xi+b)。

(2)

函數(shù)間隔ξ的取值并不影響最優(yōu)化問題的解，本文取ξ=1。一般地，將尋找最優(yōu)超平面的問題轉(zhuǎn)化為最優(yōu)化問題

且滿足

yi(w·xi+b)-1≥0,i=1,2,…,N。

(3)

這是一個(gè)凸二次規(guī)劃問題，如果求出約束最優(yōu)化問題式(3)的解w*,b*,那么就可以得到最大間隔分離超平面。應(yīng)用拉格朗日對偶性，通過求解對偶問題可得到原始問題的最優(yōu)解。構(gòu)建拉格朗日函數(shù)，對每一個(gè)不等式約束，引進(jìn)拉格朗日乘子αi≥0,i=1,2,...,N，定義拉格朗日函數(shù)為

(4)

式中，α=(α1,α2,…,αN)T為拉格朗日乘子向量。

根據(jù)拉格朗日對偶性，原始問題的對偶問題是極大極小值問題：

(5)

所以，為了得到對偶問題的解，需要先求L(w,b,α)對w,b的極小，再求對α的極大。

求解得：

(6)

(7)

將式(6) 及式(7)代入拉格朗日函數(shù)式(4),即得

(8)

且滿足

(9)

對線性可分的訓(xùn)練數(shù)據(jù)集，求得對偶性最優(yōu)化問題，其中，式(9)中的α解為α*=(α1*,α2*,…,αN*)T，可以由α*求得原始最優(yōu)化問題，對(w,b)的解w*,b*，有:

(10)

(11)

由此可知，分離超平面可以寫成

(12)

求得相應(yīng)的分離超平面后，再利用高質(zhì)量信號與低信噪比信號之間的參數(shù)差異，將高質(zhì)量信號分為正類，低信噪比信號分為負(fù)類，將二者分離，達(dá)到噪聲壓制的效果。

1.3 特征參數(shù)

特征參數(shù)指在信號篩選時(shí)，能夠評價(jià)信號質(zhì)量或者衡量受噪聲污染程度的指標(biāo)。本文采用了4個(gè)特征參數(shù)，包括觀測信號的最大值、樣本熵、相關(guān)度及分形盒維數(shù)。

1.3.1 最大值

可控源電磁信號為多周期的時(shí)間序列，當(dāng)沒有受到噪聲污染時(shí)，每一個(gè)樣本其幅度的最大值都是相同的。當(dāng)某一個(gè)樣本受到脈沖等強(qiáng)沖擊類噪聲污染時(shí)，其最大值明顯大于其他樣本，因此最大值可以用于識別受到脈沖等沖擊類噪聲污染的樣本。

1.3.2 樣本熵

樣本熵(sample entropy，Es)在定義上與近似熵十分接近。兩者均通過測量信號中生成新模式的可能性來比較時(shí)間序列的復(fù)雜性。與近似熵相比，樣本熵具有兩個(gè)優(yōu)點(diǎn)：一是樣本熵的計(jì)算可以脫離對數(shù)據(jù)長度的依賴，二是樣本熵比近似熵有更強(qiáng)的一致性。樣本熵的值越小，序列的相似程度越高；樣本熵的值越大，樣本的序列越復(fù)雜。目前，樣本熵已經(jīng)被應(yīng)用于大地電磁信噪辨識[22]以及生物醫(yī)學(xué)信號分析[23]等多個(gè)領(lǐng)域的研究中。其定義如下：

1)設(shè)原始數(shù)據(jù)為{xi}={x1,x2, ...,xn}，長度為n。預(yù)先給定嵌入維數(shù)m和相似容限r(nóng)，依據(jù)原始信號重構(gòu)一個(gè)m維向量X(i)=[xi,xi+1, ...,xi+m-1]。

2)定義x(i)與x(j)間的距離dij為兩者對應(yīng)元素差值絕對值的最大值，即

dij=d[x(i),x(j)]=
max[|x(i+k)-x(j+k)|] 。

(13)

(14)

(15)

6)理論上，原始序列的樣本熵定義為

(16)

當(dāng)n為有限數(shù)時(shí)，上式可表示為

ES(m,r,n)=lnBm(r)-lnBm+1(r)。

(17)

1.3.3 相關(guān)度

利用發(fā)送信號與觀測信號時(shí)間域波形的因果關(guān)系，引入相關(guān)度分析進(jìn)行激電信號的篩選[1]。但計(jì)算時(shí)間域波形的相關(guān)度時(shí)，時(shí)間序列的相位需要嚴(yán)格同步，操作起來多有不便。CSEM法使用的信號為周期信號，并且信號穩(wěn)定度很高，同一次發(fā)射的信號，只要數(shù)據(jù)長度相同，不管相位如何變化，其頻譜都是相同的。因此，本文通過轉(zhuǎn)換到頻率域進(jìn)行歸一化互相關(guān)度分析解決上述困難。對于采樣點(diǎn)長度為N的觀測信號頻譜序列Rλ及相同長度的發(fā)送信號頻譜序列Tλ，二者的歸一化互相關(guān)度(normalized cross-correlation,CNC)可利用Pearson相關(guān)系數(shù)[3,9]表示：

(18)

1.3.4 分形盒維數(shù)

本文采用的第4個(gè)參數(shù)是分形盒維數(shù)(fractal box dimension,DFB)。分形理論由美籍法國科學(xué)家Mandelbrot B創(chuàng)立[24]，該理論用分形維數(shù)來度量不規(guī)則程度，揭示自相似特性，是一種能夠刻畫非線性系統(tǒng)行為的數(shù)字特征的參數(shù)。其核心思想是以一定尺寸的柵格來覆蓋目標(biāo)并記錄所用柵格的數(shù)目，然后擬合出柵格尺寸與所用柵格數(shù)目之間的曲線，最后以擬合曲線的斜率表征目標(biāo)的不規(guī)則度[25]。目前，分形盒維數(shù)已被廣泛應(yīng)用于裂隙多孔介質(zhì)運(yùn)輸特性的評估[26]、微震及爆破事件的模式識別[27]和大地電磁信噪辨識[16,22]等領(lǐng)域。假設(shè)柵格的尺寸為ε，X是Rn的一個(gè)非空有界子集，M(X,ε)是實(shí)現(xiàn)目標(biāo)X全覆蓋所用的柵格數(shù)目，則目標(biāo)X的分形盒維數(shù)可表示為

(19)

1.4 數(shù)據(jù)處理流程

本文所提的可控源電磁數(shù)據(jù)處理方法流程如圖1所示。首先，導(dǎo)入觀測到的實(shí)測數(shù)據(jù)；其次，利用CEEMD去除實(shí)測數(shù)據(jù)中的基線漂移噪聲；隨后，對時(shí)間序列進(jìn)行分段(每一個(gè)時(shí)間序列片段即為一個(gè)樣本，其長度為一個(gè)周期的時(shí)間序列)，并計(jì)算每一個(gè)樣本的特征參數(shù)；最后，將樣本的特征參數(shù)作為SVM的輸入，利用SVM進(jìn)行分類，篩選出高質(zhì)量的時(shí)間序列。

圖1 數(shù)據(jù)處理流程圖

2 合成數(shù)據(jù)測試

2.1 樣本庫建立

樣本庫是SVM準(zhǔn)確識別高質(zhì)量信號的依據(jù)，良好的樣本庫應(yīng)該包含有各種類型的高質(zhì)量樣本以及低信噪比樣本。為使得樣本庫足夠完善，同時(shí)為了剖析不同CSEM信號與噪聲的特征，我們對不同類型的樣本進(jìn)行標(biāo)記、分類，制作成樣本庫。樣本庫中包含高質(zhì)量的CSEM信號以及受到方波噪聲、脈沖噪聲和基線漂移噪聲等最為典型噪聲污染的信號。每種類型各含有50個(gè)樣本，共計(jì)200個(gè)。

分別計(jì)算每個(gè)樣本的最大值、樣本熵、相關(guān)度以及分形盒維數(shù)，并用這些參數(shù)來替換樣本本身，用SVM對其進(jìn)行分類。如圖2所示，SVM將200個(gè)樣本準(zhǔn)確地分為2類，即高質(zhì)量信號樣本(類別標(biāo)簽1.0)和含噪聲樣本(類別標(biāo)簽2.0)。值得注意的是，如圖2a和c所示，所有高質(zhì)量信號樣本的最大值都小于含噪聲樣本且都具有很高的相關(guān)度值，說明高質(zhì)量樣本的相關(guān)度都很高。但高的相關(guān)度值并不總意味著高質(zhì)量，因?yàn)榇蠖鄶?shù)有尖峰的樣本和少量被方波噪聲和基線漂移干擾污染的樣本也具有非常高的相關(guān)度，這說明依靠相關(guān)度一個(gè)參數(shù)并不能準(zhǔn)確識別所有的高質(zhì)量信號樣本，結(jié)合最大值這一特征則能夠顯著改善識別效果。如圖2b和d所示，受方波噪聲和基線漂移干擾污染的大多數(shù)樣本的樣本熵與分形盒維數(shù)顯著大于高質(zhì)量信號樣本。因此，分形盒維數(shù)、樣本熵可以識別被方波噪聲或基線漂移噪聲污染的樣本，消除相關(guān)度可能無法準(zhǔn)確識別這些樣本所造成的誤差。

2.2 數(shù)據(jù)合成

如圖3所示：藍(lán)色信號為一組高質(zhì)量信號，為防止與其他信號重疊，便于直觀顯示，該信號整體向下平移了40 mV；黑色信號是添加有多種類型強(qiáng)噪聲的合成信號；綠色信號為CEEMD提取的基線漂移噪聲；紅色信號是去除基線漂移后獲得的信號。顯然經(jīng)過CEEMD處理后基線漂移現(xiàn)象得到明顯改善，但正弦波、方波和三角波等噪聲仍然嚴(yán)重影響數(shù)據(jù)質(zhì)量，因此須進(jìn)行下一步處理。

2.3 支持向量機(jī)智能識別挑選

對于去除基線漂移后的信號，首先根據(jù)信號的周期進(jìn)行分段，并分別計(jì)算每一個(gè)片段的最大值、樣本熵、相關(guān)度以及分形盒維數(shù)4個(gè)特征參數(shù)；然后將特征參數(shù)輸入到SVM中進(jìn)行信號的識別篩選。如圖4所示，藍(lán)色的點(diǎn)代表含噪片段，紅色的點(diǎn)代表高質(zhì)量片段。圖4a中，高質(zhì)量信號幅值分布相對穩(wěn)定，代表信號不含強(qiáng)噪聲，而含噪片段明顯分布離散；圖4b對應(yīng)每個(gè)片段的樣本熵，高質(zhì)量片段所得樣本熵幾乎處在同一水平線上，而含噪片段則相對更加離散；圖4c為相關(guān)度，可見高質(zhì)量片段樣本趨近于1，含噪片段樣本偏離1，表示高質(zhì)量信號相關(guān)度接近1；圖4d為分形盒維數(shù)，可見高質(zhì)量片段分形盒維數(shù)值趨于同一水平，且高于含噪片段。

如圖5所示，SVM識別出來的強(qiáng)干擾段每一個(gè)周期均受到了方波、脈沖等強(qiáng)噪聲的污染(圖5a)，經(jīng)過篩選，添加的噪聲被消除(圖5b)，未受到噪聲污染的數(shù)據(jù)被篩選出來，留下的高質(zhì)量段則不存在強(qiáng)噪聲(圖5c)。經(jīng)過人工復(fù)核，SVM信噪識別的準(zhǔn)確率為100%。需要提及的是，本例中的噪聲幅度均大于其余有效信號，利用常規(guī)的閾值篩選法設(shè)定精確的閾值，也能準(zhǔn)確地挑選出高質(zhì)量信號。然而，實(shí)際情況中，不同的觀測信號，其閾值并非固定不變，常規(guī)的閾值法需要操作人員通過多次試探才能找到最佳的閾值，因此，常規(guī)的閾值法無法實(shí)現(xiàn)自動(dòng)化的批量處理。此外，通過多次試探獲得最佳閾值的過程不僅耗時(shí)較長，還會(huì)因不同的操作人員設(shè)定不同的閾值得到不同的處理結(jié)果，造成主觀偏差。

a. 最大值分類效果；b. 樣本熵分類效果；c. 相關(guān)度分類效果；d. 分形盒維數(shù)分類效果。類別標(biāo)簽1.0表示高質(zhì)量信號樣本，2.0表示含噪聲樣本。

圖3 CEEMD校正基線漂移效果

為定量評估本方法的去噪效果，對7個(gè)主頻進(jìn)行了誤差分析，表1為圖6中信號去噪前后的誤差統(tǒng)計(jì)。由表1的統(tǒng)計(jì)數(shù)據(jù)可知：加入噪聲后信號的幅值與真實(shí)值的誤差最高達(dá)到35.98%，其他頻點(diǎn)誤差大小也在1.12%～11.94%之間；經(jīng)過CEEMD去噪處理之后最大誤差絕對值達(dá)到7.51%，其他頻點(diǎn)誤差絕對值在0.12%～4.83%之間；再經(jīng)過SVM識別篩選后，除0.75 Hz一個(gè)頻點(diǎn)外，其余頻點(diǎn)誤差均小于1.00 %。合成數(shù)據(jù)處理結(jié)果充分說明了本文所提方法的可靠性與有效性。

分別對原始信號、加噪信號和處理后的信號進(jìn)行快速傅里葉變換，得到的頻譜見圖6。由圖6分析可知，加入噪聲后大部分的頻點(diǎn)受到了污染，低頻部分受污染情況尤為突出。經(jīng)過所提方法處理后，頻譜曲線被校正，其形態(tài)與原始信號的頻譜差異較小。

圖4 最大值(a)、樣本熵(b)、相關(guān)度(c), 以及分形盒維數(shù)(d)區(qū)分效果

圖5 合成信號SVM處理前后的時(shí)域圖對比

表1 去噪前后有效頻點(diǎn)幅度誤差統(tǒng)計(jì)

a. 原始信號; b. 加噪后; c. 處理后。

3 實(shí)際案例分析

3.1 時(shí)間域

在四川省會(huì)東縣城郊進(jìn)行廣域電磁法勘探時(shí)，由于觀測點(diǎn)距離縣城較近，采集到的數(shù)據(jù)受到了強(qiáng)烈的人文噪聲污染。為提高數(shù)據(jù)質(zhì)量，應(yīng)用本文提出的CEEMD-SVM方法對觀測數(shù)據(jù)進(jìn)行處理。

如圖7所示：該測點(diǎn)采集的信號在前30 s受到了嚴(yán)重的人文噪聲污染，75 s和85 s前后的信號也受到了嚴(yán)重的干擾，60 s和95 s附近還有零星的強(qiáng)干擾(圖7a)；SVM準(zhǔn)確識別出了所有的強(qiáng)噪聲片段，僅有55 s處個(gè)別噪聲較弱的片段沒有被識別出來(圖7b、c)；相關(guān)度法的識別效果明顯不如SVM，60 s和95 s附近的強(qiáng)干擾片段(圖7b中已識別)以及55 s處的弱干擾片段均沒有被識別出來(圖7d)。

如圖8所示，與人工標(biāo)記的實(shí)際分類結(jié)果相比可知，SVM的識別準(zhǔn)確率達(dá)到94.79%。盡管有少數(shù)噪聲幅度較弱的樣本沒有被識別出來，但由于噪聲幅度弱，且高質(zhì)量樣本數(shù)據(jù)占比很高，這些含有弱噪聲的樣本對最終的結(jié)果影響不大。經(jīng)過對四川會(huì)

a. 初始信號; b. SVM識別出的強(qiáng)干擾段; c. SVM識別出的高質(zhì)量段；d. 相關(guān)度法識別出的高質(zhì)量段。

類別標(biāo)簽1.0表示分類結(jié)果為高質(zhì)量信號樣本，2.0表示分類結(jié)果為含噪樣本；藍(lán)色圈為人工標(biāo)記的實(shí)際分類結(jié)果，紅色星號為SVM預(yù)測的分類結(jié)果。

圖8 實(shí)測點(diǎn)L1-3時(shí)間序列SVM分類與人工標(biāo)記結(jié)果對比

Fig.8 Comparison of SVM classification and manual labeling results for real site L1-3

東縣工區(qū)多個(gè)數(shù)據(jù)進(jìn)行處理，我們發(fā)現(xiàn)SVM的平均識別準(zhǔn)確率在92.00%以上。如圖7d所示，將相關(guān)度的閾值設(shè)定為0.91時(shí)，使用常規(guī)的數(shù)據(jù)篩選法也得到了良好的結(jié)果，篩選精度為92.71%。然而，得到0.91這一精確的閾值，需要經(jīng)過多次嘗試，且不論設(shè)定閾值多少，其精度均無法超過本文提出的CEEMD-SVM方法，從而說明了CEEMD-SVM方法的優(yōu)越性。

3.2 視電阻率

為進(jìn)一步評價(jià)信號處理結(jié)果的可靠性，對處理前后的CSEM數(shù)據(jù)進(jìn)行了廣域電磁視電阻率計(jì)算[28]，并與基于相關(guān)度的挑選法[9,29]進(jìn)行對比，結(jié)果如圖9所示。其中：圖9a和f所示測點(diǎn)的視電阻率曲線出現(xiàn)嚴(yán)重畸變，視電阻率隨頻率的變化而劇烈波動(dòng)；圖9b和e所示測點(diǎn)視電阻率也有較明顯的畸變，應(yīng)用本文提出的CEEMD-SVM方法處理后，視電阻率曲線均得到顯著改善，連續(xù)性大為提高；圖9c和d所示測點(diǎn)的信號未受強(qiáng)噪音污染，處理前后的視電阻率曲線無明顯變化，也就是說，CEEMD-SVM法既適用于有噪聲的數(shù)據(jù)，也適用于無噪聲的數(shù)據(jù)，因?yàn)樗鼧O大地提高了含噪信號的質(zhì)量，并且不降低無噪信號的質(zhì)量?；谙嚓P(guān)度的挑選法也能夠顯著的提高數(shù)據(jù)質(zhì)量，且多數(shù)情況下其結(jié)果與本文所提方法的結(jié)果一致性較好，從而說明CEEMD-SVM法處理結(jié)果可信度高。但由圖9b和f所示測點(diǎn)處理結(jié)果可知，在視電阻率曲線的低頻段部分，CEEMD-SVM法優(yōu)于相關(guān)度挑選法;這是因?yàn)榛谌斯ぴO(shè)定閾值的相關(guān)度挑選法僅考慮了發(fā)送信號與觀測信號之間的相關(guān)度，依靠單一的參數(shù)得到的結(jié)果其可靠性顯然具有較大的提升空間。此外，相關(guān)度挑選法需要操作人員有一定的經(jīng)驗(yàn)，否則可能造成一定的主觀偏差。

圖9 四川會(huì)東縣L1測線6個(gè)觀測點(diǎn)處理前后的視電阻率曲線

4 結(jié)論與建議

1)本文基于可控源電磁信號周期性的特征，結(jié)合CEEMD與SVM，提出了壓制可控源強(qiáng)噪聲的CEEMD-SVM方法。其能夠從受到強(qiáng)人文噪聲污染的數(shù)據(jù)中準(zhǔn)確地挑選出高質(zhì)量的信號，有利于實(shí)測數(shù)據(jù)的批量化、自動(dòng)化處理，減少了傳統(tǒng)的基于人工設(shè)定閾值所帶來的主觀誤差，降低了數(shù)據(jù)處理操作的復(fù)雜性與工作量。

2) CEEMD-SVM方法考慮了最大值、樣本熵、相關(guān)度以及分形盒維數(shù)等4個(gè)參數(shù)，與傳統(tǒng)的基于單一的相關(guān)度挑選方法相比，結(jié)果的可靠性更高。

3) CEEMD-SVM方法不會(huì)對高質(zhì)量數(shù)據(jù)造成影響，其既適用于含噪數(shù)據(jù)，也適用于無噪數(shù)據(jù)，適用性較好。

4)可控源電磁法面對的人文噪聲紛繁復(fù)雜，通常單一的信號處理方法都存在一定的局限性。當(dāng)樣本受到持續(xù)性的強(qiáng)沖擊噪聲污染時(shí)，數(shù)據(jù)篩選類的方法可能難以獲得滿意的結(jié)果。此外，在處理實(shí)測數(shù)據(jù)時(shí)，少數(shù)噪聲較弱的樣本沒有識別出來，本文所提的CEEMD-SVM方法其識別精度并不能達(dá)到100%，識別精度仍有一定的提升空間。此外CEEMD-SVM方法僅識別出了受到強(qiáng)噪聲污染的時(shí)間序列片段，沒有識別出噪聲的類型。根據(jù)噪聲的特點(diǎn)，采取合適的信噪分離措施，如字典學(xué)習(xí)或者深度學(xué)習(xí)去噪等，可以保留更多周期的時(shí)間序列，并進(jìn)一步提升數(shù)據(jù)質(zhì)量，這是值得進(jìn)一步研究的重要方向。