摘要： 針對海洋可控源電磁（MCSEM）信號在勘探中極易受各種噪聲干擾， 影響后期反演以及數(shù)據(jù)處理準(zhǔn)確性的問題， 提出一種注意力機(jī)制引導(dǎo)的卷積自編碼器海洋可控源電磁數(shù)據(jù)消噪方法. 首先基于自編碼器， 構(gòu)建基于卷積自編碼器的海洋可控源電磁數(shù)據(jù)消噪網(wǎng)絡(luò)， 然后根據(jù)數(shù)據(jù)中存在噪聲的特點(diǎn)對其進(jìn)行優(yōu)化， 加深網(wǎng)絡(luò)深度、 引入注意力機(jī)制， 使網(wǎng)絡(luò)能更關(guān)注數(shù)據(jù)中的有效信號特征， 增強(qiáng)特征提取能力， 構(gòu)建網(wǎng)絡(luò)模型， 實(shí)現(xiàn)對海洋可控源電磁數(shù)據(jù)噪聲的壓制. 實(shí)驗(yàn)結(jié)果表明， 在對海洋可控源電磁數(shù)據(jù)噪聲壓制中， 該方法比db8小波消噪方法和變分模態(tài)分解消噪方法信噪比更高、 均方誤差更低， 同時應(yīng)用到實(shí)測數(shù)據(jù)中仍能較完整地保留信號特征并增加偏移距的可解釋范圍， 證明了該方法在海洋可控源電磁數(shù)據(jù)噪聲壓制中的有效性.

關(guān)鍵詞： 海洋可控源電磁法； 深度學(xué)習(xí)； 卷積自編碼器； 注意力機(jī)制； 噪聲抑制

中圖分類號： TP391 文獻(xiàn)標(biāo)志碼： A 文章編號： 1671-5489（2023）04-0929-08

A Noise Suppression Method for MCSEM Data

LI Suyi1， ZHANG Xinyu1， YANG Qiang1， ZHANG Yi1， DIAO Shu2

（1. College of Instrumentation and Electrical Engineering， Jilin University， Changchun 130061， China；

2. School of Control Technology， Wuxi Institute of Technology， Wuxi 214121， Jiangsu Province， China）

Abstract： Aiming at" the problem that marine controlled-source electromagnetic （MCSEM） signals were prone to be interfered by various noises in exploration， which" affected the accuracy of later inversion and data processing， we proposed an attention mechanism-guided convolutional autoencoder marine controlled-source electromagnetic data denoising method. Firstly， based on" the" autoencoder， we constructed a noise suppression network based on convolutional autoencoder for marine controlled-source electromagnetic data. Secondly， we opimized it according to the characteristics of noise in the data， deepened the depth of the network， introduced attention mechanism to make the network pay more attention to the effective signal features in the data， enhanced the feature extraction ability， constructed the network model， and realized the noise suppression of marine" controlled-source electromagnetic data. The experimental results show that this method has higher signal-to-noise ratio and lower mean square error than the db8 wavelet noise suppression method and the variational mode decomposition noise suppression method. Meanwhile， it can still retain the signal features and increase the interpretable range of offset distance in the measured data， which proves the effectiveness of this method in the noise suppression of marine controlled-source electromagnetic data.

Keywords： marine controlled-source electromagnetic method; deep learning; convolutional autoencoder; attention mechanism; noise suppression

隨著全球經(jīng)濟(jì)的高速發(fā)展和陸地資源的逐漸減少， 世界各國開始將資源勘探目光轉(zhuǎn)向海洋［1］. 海洋可控源電磁法（marine controlled-source electromagnetic method， MCSEM）是利用海底巖石層與油氣層電阻率的不同， 對海底油氣資源進(jìn)行勘探的新興技術(shù)， 目前在海底資源勘探上已取得顯著效果， 提高了鉆井的成功率［2］. MCSEM法不僅可以探測海底油氣儲層， 還可以應(yīng)用于海底天然氣水合物勘探， 探明其所處的位置以及分布范圍， 從而減少鉆井時導(dǎo)致的資源浪費(fèi)及施工風(fēng)險［3］. MCSEM法雖然目前已被廣泛應(yīng)用， 但在環(huán)境復(fù)雜的海洋中， 接收到的電磁信號會受各種噪聲的干擾， 尤其在遠(yuǎn)偏移距處， 有效信號的能量水平遠(yuǎn)小于噪聲， 嚴(yán)重影響了后期的數(shù)據(jù)處理與分析［4-5］.

目前， 關(guān)于MCSEM消噪方法的研究已取得許多成果. Myer等［6］通過使用短時窗并結(jié)合一階差分預(yù)白處理方法減少了低頻噪聲的干擾； Tu等［7］使用合成孔徑法有效壓制了噪聲； 李肅義等［8］設(shè)計(jì)了一種新型小波基消噪方法， 成功抑制了海水的擾動噪聲； 周文強(qiáng)等［9］提出了一種海洋可控源電磁法中大地天然電磁信號（MT）噪聲的評估方法， 可有效評估消噪方法的降噪效果； 劉寧等［10］提出了一種時變雙邊濾波方法， 該方法可較好地去除噪聲， 尤其在中、 遠(yuǎn)收發(fā)距處效果明顯； 張鵬飛［11］使用形態(tài)學(xué)濾波通過對結(jié)構(gòu)元素的調(diào)整壓制了尖峰脈沖噪聲.

噪聲的大小已成為影響MCSEM數(shù)據(jù)準(zhǔn)確性的重要因素， 當(dāng)數(shù)據(jù)受噪聲影響嚴(yán)重時人工將很難判別出有效信息. 因此， 為減少噪聲對MCSEM數(shù)據(jù)的影響， 本文提出一種注意力機(jī)制引導(dǎo)的卷積自編碼器MCSEM數(shù)據(jù)噪聲壓制方法. 首先， 根據(jù)海底地層特點(diǎn)建立海底層狀模型， 通過使用不同多樣的參數(shù)增加了模型的真實(shí)性， 并將仿真數(shù)據(jù)加入隨機(jī)噪聲建立含噪數(shù)據(jù)集； 其次， 將MCSEM數(shù)據(jù)分布轉(zhuǎn)換為正態(tài)分布， 引入兩個可訓(xùn)練參數(shù)實(shí)現(xiàn)歸一化處理， 加快網(wǎng)絡(luò)的運(yùn)行效率［12-13］； 再次， 利用編碼過程捕捉到的MCSEM數(shù)據(jù)特征與權(quán)重向量進(jìn)行對位相乘， 加入注意力機(jī)制， 增強(qiáng)網(wǎng)絡(luò)對MCSEM有效特征的提?。?4-15］； 然后建立注意力機(jī)制引導(dǎo)的卷積自編碼器MCSEM數(shù)據(jù)噪聲壓制網(wǎng)絡(luò)， 對仿真數(shù)據(jù)處理， 比較信噪比（signal noise ratio， SNR）以及均方誤差（mean square error， MSE）， 與db8小波消噪方法和變分模態(tài)分解（variational mode decomposition， VMD）消噪方法的噪聲壓制能力做對比； 最后， 將該方法應(yīng)用到實(shí)測數(shù)據(jù)中， 通過對比振幅隨偏移距的變化（magnitude versus offset， MVO）曲線證明了本文方法的有效性.

1 MCSEM噪聲分析及仿真模型建立

1.1 噪聲分析

由于海水具有較高的電導(dǎo)率和良好的導(dǎo)電性， 因此海洋可被視為一個低通濾波器， 可使MCSEM信號基本不受外界人文噪聲和場源噪聲的影響， 高頻電磁信號在海水中衰減極快很難到達(dá)接收機(jī)所在的海底位置［16］. 所以海水可屏蔽多種噪聲的干擾， 但在MCSEM實(shí)際勘探時仍會到隨機(jī)噪聲、 海水?dāng)_動噪聲以及空氣波噪聲等影響（表1）. 其中， 儀器系統(tǒng)本身和系統(tǒng)受隨機(jī)干擾是產(chǎn)生隨機(jī)噪聲的主要因素， 在遠(yuǎn)偏移距處MCSEM信號會變得微弱， 即使噪聲的量級很小也會淹沒數(shù)據(jù)的有效特征， 隨機(jī)噪聲是影響遠(yuǎn)偏移距處信號質(zhì)量的主要噪聲之一， 所以是本文的主要研究對象.

1.2 MCSEM仿真模型建立

MCSEM發(fā)射信號的發(fā)射方式一般是周期性的脈沖電流連續(xù)激發(fā)方式， 如方波、 三角波、 正弦波等. 在實(shí)際MCSEM勘探過程中， 方波發(fā)射信號相比于其他信號更容易產(chǎn)生， 在相同峰值電流的情況下能量最高， 使海底接收機(jī)接收的有效信號能量占比提高， 并且具有頻帶寬的優(yōu)點(diǎn). 但其頻譜能量主要集中于各奇次諧波上， 隨著奇次諧波數(shù)的增大而減小， 且與其自身的諧波數(shù)成反比， 導(dǎo)致探測不同深度的地層效果并不理想. 為解決探測深度受影響的問題， 文獻(xiàn)［17］提出了一種雙對稱的方波， 具有相位可控、 寬頻帶的特點(diǎn)， 可滿足不同的探測深度需求. 因此， 在實(shí)際勘探中一般選擇該波形為發(fā)射信號的波形， 如圖1所示.

本文根據(jù)MCSEM實(shí)際勘探情況建立海底一維有油、 無油均勻?qū)訝罱橘|(zhì)模型， 如圖2所示. 設(shè)置如下勘探仿真參數(shù)： 發(fā)射系統(tǒng)在海底上方50 m處， 沿y軸方向移動， 測線長18 km， 船速為1 m/s； 接收機(jī)位于海底即測線正下方2 000 m處， 接收器采樣頻率為10 Hz； 發(fā)射波型是雙對稱方波， 發(fā)射頻率為0.08～0.4 Hz， 其中步長為0.01 Hz. 利用上述仿真參數(shù)， 結(jié)合Key［18］提出的一維海底均勻?qū)訝罱橘|(zhì)模型一維海洋可控源電磁正演程序， 計(jì)算不同參數(shù)下的電磁響應(yīng)以及電磁場振幅隨偏移距變化（MVO）曲線. 該方法是頻率域MCSEM數(shù)據(jù)最常用的解釋方法， 可顯示出含有高阻油氣層的電磁異常. 并且在此基礎(chǔ)上加入多種不同信噪比的隨機(jī)噪聲， 構(gòu)建理論含噪數(shù)據(jù)集.

2 注意力機(jī)制引導(dǎo)的卷積自編碼器MCSEM消噪網(wǎng)絡(luò)

2.1 深度卷積自編碼器消噪網(wǎng)絡(luò)

自編碼器是一種神經(jīng)網(wǎng)絡(luò)模型， 目標(biāo)經(jīng)過編碼過程得到一個向量， 然后將這個中間向量進(jìn)行解碼輸出， 使輸入樣本與輸出相差較?。?9］. 一維卷積神經(jīng)網(wǎng)絡(luò)（convolutional neural network， CNN）近年來被廣泛應(yīng)用于地球物理領(lǐng)域， 它由卷積層、 池化層、 全連接層等主要部分構(gòu)成， 其中卷積層是核心， 卷積層的工作原理是卷積核在輸入數(shù)據(jù)上逐步移動進(jìn)行卷積運(yùn)算， 所以改變卷積核會得到不同的分布特征［20］.

本文針對MCSEM一維含噪數(shù)據(jù)使用一維卷積核， 用卷積操作代替自編碼器的普通內(nèi)積操作后， 將含噪聲的MCSEM數(shù)據(jù)作為卷積自編碼器的輸入， 并將其設(shè)為x=（x1，x2，…，xn）， 得到卷積后的MCSEM特征映射c， 并通過最大池化層進(jìn)行降采樣， 用于保留數(shù)據(jù)的主要特征以及防止過擬合， 得到降維后的MCSEM特征映射h， 運(yùn)算過程為

c=σe（Wk*x+Bk），（1）

h=maxpooling（c），（2）其中： Wk和Bk分別是第k個卷積核的權(quán)重矩陣和偏差矩陣; *為卷積操作; σe為卷積操作的激活函數(shù)， 本文使用ReLU函數(shù)； maxpooling為最大池化操作. 池化操作會將MCSEM數(shù)據(jù)平整化， 通過全連接層得到隱藏層的一維特征向量， 從而學(xué)習(xí)到與MCSEM數(shù)據(jù)中有效信號相關(guān)的非線性組合特征. 再利用反卷積操作將隱藏特征重構(gòu)為消噪后的MCSEM輸出數(shù)據(jù).

為從含噪的MCSEM數(shù)據(jù)中提取到更多的有效數(shù)據(jù)特征， 將基于卷積自編碼器的MCSEM數(shù)據(jù)消噪網(wǎng)絡(luò)進(jìn)行多個堆疊與優(yōu)化即可構(gòu)建深度卷積自編碼器消噪網(wǎng)絡(luò). 本文構(gòu)建的深度卷積自編碼器消噪網(wǎng)絡(luò)由5個編碼器、 解碼器模塊組成， 其中， 編碼器由一個卷積層、 一個激活層ReLU（用于增強(qiáng)網(wǎng)絡(luò)的非線性映射）和一個最大池化層（為防止數(shù)據(jù)過擬合）組成， 可以對輸入的含噪MCSEM數(shù)據(jù)進(jìn)行特征提取. 解碼器模塊同理， 由一個上采樣層、 一個反卷積層和一個激活層ReLU組成， 對MCSEM數(shù)據(jù)進(jìn)行重構(gòu). 在編碼過程結(jié)束后， 為防止數(shù)據(jù)的過擬合增加一個Dropout操作.

2.2 注意力機(jī)制引導(dǎo)的卷積自編碼器消噪網(wǎng)絡(luò)的優(yōu)化

在深度卷積神經(jīng)網(wǎng)絡(luò)中， 當(dāng)增加網(wǎng)絡(luò)層數(shù)時， 學(xué)習(xí)效率、 收斂速率會下降， 訓(xùn)練時間延長， 并且由于輸入的MCSEM數(shù)據(jù)包含隨機(jī)噪聲， 在訓(xùn)練過程中會受隨機(jī)噪聲干擾的影響. 因此， 要對深度卷積自編碼器的MCSEM數(shù)據(jù)消噪網(wǎng)絡(luò)進(jìn)行優(yōu)化， 本文加入了批歸一化處理和注意力機(jī)制.

將隨機(jī)噪聲數(shù)據(jù)集與其對應(yīng)的理論數(shù)據(jù)集分別以7∶2∶1的比例隨機(jī)分為訓(xùn)練集、 驗(yàn)證集和測試集. 使用訓(xùn)練集數(shù)據(jù)進(jìn)行模型訓(xùn)練， 利用驗(yàn)證集進(jìn)行模型參數(shù)的微調(diào)， 通過測試集驗(yàn)證模型的泛化能力. 輸入的含噪MCSEM數(shù)據(jù)在經(jīng)過編碼過程中卷積層、 ReLU、 最大池化和批歸一化處理后提取出MCSEM數(shù)據(jù)特征； 為增加有效特征的權(quán)重， 引入注意力機(jī)制增加對有效特征信號的注意； 在解碼過程經(jīng)過上采樣層、 卷積層、 ReLU和批歸一化處理后， 對MCSEM數(shù)據(jù)進(jìn)行重構(gòu)， 輸出消噪后的MCSEM數(shù)據(jù)， 本文提出的注意力機(jī)制引導(dǎo)的卷積自編碼器消噪網(wǎng)絡(luò)如圖3所示.

3 MCSEM數(shù)據(jù)噪聲壓制實(shí)驗(yàn)

3.1 MCSEM模擬數(shù)據(jù)噪聲壓制實(shí)驗(yàn)

在本文構(gòu)建的理論含噪數(shù)據(jù)集中選取一組有高阻地層的MCSEM數(shù)據(jù)， 并且對上述數(shù)據(jù)進(jìn)行MVO處理， 為更清晰地看到噪聲對數(shù)據(jù)的影響， 本文選取被隨機(jī)噪聲影響嚴(yán)重的遠(yuǎn)偏移距處0～500 s數(shù)據(jù)， 如圖4所示. 圖4（A）為含噪時序數(shù)據(jù)與理論時序數(shù)據(jù)， 由圖4（A）可見， 噪聲已經(jīng)淹沒了信號的有效形態(tài); 圖4（B）為進(jìn)行計(jì)算得到0～1 500 m的MVO曲線， 由圖4（B）可見， 在遠(yuǎn)偏移距處噪聲已經(jīng)嚴(yán)重影響了MCSEM數(shù)據(jù)， 從而影響了后期反演以及數(shù)據(jù)處理的精度和準(zhǔn)確性.

利用本文構(gòu)建的注意力機(jī)制引導(dǎo)的卷積自編碼器消噪網(wǎng)絡(luò)進(jìn)行消噪實(shí)驗(yàn)， 為便于觀察將數(shù)據(jù)進(jìn)行放大， 迭代次數(shù)設(shè)為100， 學(xué)習(xí)率設(shè)為0.000 1， 圖5（A）為消噪前后的MCSEM數(shù)據(jù)， 圖5（B）為消噪后的MCSEM數(shù)據(jù)與原始MCSEM數(shù)據(jù)對比. 由圖5可見， 該網(wǎng)絡(luò)可有效壓制隨機(jī)噪聲， 并且消噪后的數(shù)據(jù)與理論數(shù)據(jù)形態(tài)基本相同.

將該方法應(yīng)用于計(jì)算得到的MVO曲線上， 并且與傳統(tǒng)消噪方法進(jìn)行對比， 結(jié)果如圖6所示， 其中（A）為本文方法的消噪效果， （B）是db8小波消噪效果， （C）是VMD消噪效果. 使用信噪比SNR和均方誤差MSE兩個指標(biāo)量化評價模型消噪效果. 信噪比SNR計(jì)算公式為SNR=20lg∑Nn=1s2（n）x（n）-s（n）2，（10）其中s（n）為含噪的MCSEM數(shù)據(jù)， x（n）為理論的MCSEM數(shù)據(jù). 均方根誤差MSE計(jì)算公式為

計(jì)算數(shù)據(jù)集中經(jīng)過注意力機(jī)制引導(dǎo)的卷積自編碼器消噪網(wǎng)絡(luò)消噪后MCSEM數(shù)據(jù)的平均信噪比SNR與均方誤差MSE， 本文方法將MCSEM模擬數(shù)據(jù)信噪比從19.45 dB提高到38.93 dB， 均方誤差從0.020 5減小到2.383 5×10-4. 然后分別對db8小波和VMD消噪方法消噪前后數(shù)據(jù)的SNR和MSE進(jìn)行計(jì)算， 結(jié)果列于表2. 其中， SNR越大， 消噪效果越好； MSE越小， 消噪效果越好. 由表2可見， 本文提出的注意力機(jī)制引導(dǎo)的卷積自編碼器消噪網(wǎng)絡(luò)消噪效果更佳.

3.2 實(shí)測MCSEM數(shù)據(jù)噪聲壓制實(shí)驗(yàn)

將注意力機(jī)制引導(dǎo)的卷積自編碼器消噪網(wǎng)絡(luò)應(yīng)用于吉林大學(xué)海洋電磁項(xiàng)目組出海所測得一個測點(diǎn)的實(shí)測數(shù)據(jù)， 進(jìn)一步驗(yàn)證本方法的有效性. 為與網(wǎng)絡(luò)相匹配， 將實(shí)測數(shù)據(jù)分段放入網(wǎng)絡(luò)中， 圖7（A）為經(jīng)過注意力機(jī)制引導(dǎo)的卷積自編碼器消噪網(wǎng)絡(luò)消噪后與原始數(shù)據(jù)對比. 由圖7（A）可見， 噪聲嚴(yán)重影響了數(shù)據(jù)的有效形態(tài)， 但在經(jīng)過本文提出的網(wǎng)絡(luò)消噪后， 大部分噪聲被抑制. 使用經(jīng)過db8小波和VMD消噪方法處理后的實(shí)測MCSEM數(shù)據(jù)繪制MVO曲線， 分別如圖7（B）和圖7（C）所示. 圖7（D）為3種消噪方法對比， 由圖7（D）可見， 經(jīng)注意力機(jī)制引導(dǎo)的卷積自編碼器消噪后的MCSEM數(shù)據(jù)的MVO曲線可解釋范圍變大， 受噪聲的影響降低， 且效果優(yōu)于其他兩種傳統(tǒng)消噪方法.

綜上所述， 針對MCSEM信號中的噪聲， 本文利用自編碼器與卷積神經(jīng)網(wǎng)絡(luò)構(gòu)建卷積自編碼器MCSEM數(shù)據(jù)消噪網(wǎng)絡(luò)， 將上述網(wǎng)絡(luò)進(jìn)行堆疊， 根據(jù)信號的特征對網(wǎng)絡(luò)進(jìn)行了優(yōu)化， 并引入注意力機(jī)制、 加深網(wǎng)絡(luò)深度增強(qiáng)網(wǎng)絡(luò)對有效信號的提取能力； 引入批歸一化層加快了網(wǎng)絡(luò)的學(xué)習(xí)效率、 防止數(shù)據(jù)過擬合， 并提升網(wǎng)絡(luò)的泛化能力， 構(gòu)建注意力機(jī)制引導(dǎo)的卷積自編碼器的MCSEM 數(shù)據(jù)消噪網(wǎng)絡(luò). 通過理論含噪數(shù)據(jù)測試， 本文方法消噪后的數(shù)據(jù)平均SNR由19.45 dB提高到38.93 dB， MSE從0.020 5減小到2.383 5×10-4， 并且與db8小波和VMD消噪方法進(jìn)行了比較， 通過三者的MVO曲線、 SNR與MSE的對比證明了本文算法可以更好地壓制隨機(jī)噪聲； 實(shí)測數(shù)據(jù)的對比測試結(jié)果表明， 注意力機(jī)制引導(dǎo)的卷積自編碼器的MCSEM數(shù)據(jù)消噪方法可更完整地保留信號特征， 驗(yàn)證了該方法的有效性， 可為后期數(shù)據(jù)處理與反演研究提供高精度數(shù)據(jù).

參考文獻(xiàn)

［1］JONNY H， ARIS S， MIKHAIL B， et al. CSEM Performance in Light of Well Results ［J］. The Leading Edge， 2010， 29（1）： 34-41.

［2］STEVEN C. Ten Years of Marine CSEM for Hydrocarbon Exploration ［J］. Geophysics， 2010， 75（5）： 67-81.

［3］LEE J Y， RYU B J， YUN T S， et al. Review on the Gas Hydrate Development and Production as a New Energy Resource ［J］. KSCE Journal of Civil Engineering， 2011， 15（4）： 689-696.

［4］CHEN K， WEI W B， DENG M， et al. A Seafloor Electromagnetic Receiver for Marinemagnetotellurics and Marine Controlled-Source Electromagnetic Sounding ［J］. Applied Geophysics， 2015， 12（3）： 317-326.

［5］OLEG V P， ALEXEY I G. On Processing of Controlled Source Electromagnetic （CSEM） Data ［J］. Geologica Acta， 2010， 8（1）： 31-49.

［6］MYER D， CONSTABLE S， KEY K. Broad-Band Waveforms and Robust Processing for Marine CSEM Surveys ［J］. Geophysical Journal International， 2011， 184（2）： 689-698.

［7］TU X， ZHDANOV M S. Robust Synthetic Aperture Imaging of Marine Controlled-Source Electromagnetic Data ［J］. IEEE Transactions on Geoscience and Remote Sensing， 2020， 58（8）： 5527-5539.

［8］李肅義， 趙彥超， 孫衛(wèi)斌， 等. 海洋可控源電磁數(shù)據(jù)的新型小波基消噪方法 ［J］. 儀器儀表學(xué)報(bào)， 2019， 40（2）： 67-74. （LI S Y， ZHAO Y C， SUN W B， et al. New Wavelet-Based Denoising Method for Marine Controlled Source Electromagnetic Data ［J］. Chinese Journal of Scientific Instrument， 2019， 40（2）： 67-74.）

［9］周文強(qiáng)， 周鵬， 戴永壽， 等. 海洋可控源電磁勘探中MT噪聲降噪效果評估方法研究 ［J］. 地球物理學(xué)進(jìn)展， 2019， 34（3）： 1268-1280. （ZHOU W Q， ZHOU P， DAI Y S， et al. Research on Evaluation Method of MT Noise Denoising Effect in Marine Controlled-Source Electromagnetic Exploration ［J］. Progress in Geophysics， 2019， 34（3）： 1268-1280.）

［10］劉寧， 劉財(cái)， 劉洋. 基于時變雙邊濾波的海洋可控源電磁數(shù)據(jù)噪聲壓制方法研究 ［J］. 世界地質(zhì)， 2015， 34（1）： 232-239. （LIU N， LIU C， LIU Y. Marine Controlled-Source Electromagnetic Data De-noising Method Based on Time-Varying Bilateral Filtering ［J］. Global Geology， 2015， 34（1）： 232-239.）

［11］張鵬飛. 基于特征學(xué)習(xí)的海洋可控源電磁法數(shù)據(jù)降噪研究與應(yīng)用 ［D］. 北京： 中國地質(zhì)大學(xué)， 2020. （ZHANG P F. The Study of Marine Controlled Source Electromagnetic Method De-noising Based on Feature Learning ［D］. Beijing：" China University of Geosciences， 2020.）

［12］戴忠東， 任敏華. 基于表觀的歸一化坐標(biāo)系分類視線估計(jì)方法 [J]. 計(jì)算機(jī)工程， 2022， 48（2）： 230-236. （DAI Z D， REN M H. Gaze Estimation Method Using Normalized Coordinate System Classification Based on Apparent [J]. Computer Engineering， 2022， 48（2）： 230-236.）

［13］史玉華， 張闖， 遲兆鑫. 基于多元特征的立體圖像質(zhì)量評價方法 [J]. 計(jì)算機(jī)工程， 2021， 47（12）： 256-265. （SHI Y H， ZHANG C， CHI Z X. Method for Stereoscopic Image Quality Assessment Based on Multiple Features [J] . Computer Engineering， 2021， 47（12）： 256-265.）

［14］王進(jìn)， 徐巍， 丁一， 等. 基于圖嵌入和區(qū)域注意力的多標(biāo)簽文本分類 [J]. 江蘇大學(xué)學(xué)報(bào)（自然科學(xué)版），" 2022，" 43（3）： 310-318. （WANG J， XU W， DING Y， et al. Multi-label Text Classification Based on Graph Embedding and Region Attention [J]. Journal of Jiangsu University （Natural Science Edition）， 2022， 43（3）： 310-318.）

［15］王彬， 李小曼， 趙作鵬. 基于改進(jìn)Faster RCNN的駕駛員手持通話檢測 [J]." 江蘇大學(xué)學(xué)報(bào)（自然科學(xué)版）， 2023， 44（3）： 318-323. （WANG B， LI X M， ZHAO Z P. Hand-Held Call Detection of Driver Based on Improved Faster RCNN [J]. Journal of Jiangsu University （Natural Science Edition）， 2023， 44（3）： 318-323.）

［16］崔揚(yáng)， 劉洋， 殷長春， 等. 單船拖曳可控源電磁數(shù)據(jù)自適應(yīng)分頻匹配濾波消噪方法 [J]." 地球物理學(xué)報(bào)， 2023， 66（4）： 1732-1742. （CUI Y， LIU Y， YIN C C， et al. Denoising Single-Ship Towed MCSEM Data with Adaptive Frequency-Division Matching Filter [J]. Chinese Journal of Geophysics， 2023， 66（4）： 1732-1742.）

［17］MITTER R， SCHAUG T. Shaping Optimal Transmitter Waveforms for Marine CSEM Surveys ［J］. Geophysics， 2008， 73（3）： 97-104.

［18］KEY K. 1D Inversion of Multicomponent， Multifrequency Marine CSEM Data： Methodology and Synthetic Studies for Resolving Thin Resistive Layers ［J］. Geophysics， 2009， 74（2）： 9-20.

［19］WANG J L， HOU B， JIAO L C， et al. POL-SAR Image Classification Based on Modified Stacked Autoencoder Network and Data Distribution ［J］. IEEE Transactions on Geoscience amp; Remote Sensing， 2020， 58（3）： 1678-1695.

［20］WU Z H， PAN S R， CHEN F W， et al. A Comprehensive Survey on Graph Neural Networks ［J］. IEEE Transactions on Neural Networks amp; Learning Systems， 2021， 32（1）： 4-24.

（責(zé)任編輯： 韓 嘯）

收稿日期： 2022-09-01.

第一作者簡介： 李肅義（1972—）， 女， 漢族， 博士， 教授， 從事海洋電磁數(shù)據(jù)處理的研究， E-mail： lsy@jlu.edu.cn. 通信作者簡介： 刁 庶（1986—）， 女， 漢族， 博士， 講師， 從事磁共振探測數(shù)據(jù)處理的研究， E-mail： diaoshu@jlu.edu.cn.

基金項(xiàng)目： 國家自然科學(xué)基金青年科學(xué)基金（批準(zhǔn)號： 42104142）和國家級大學(xué)生創(chuàng)新創(chuàng)業(yè)訓(xùn)練計(jì)劃項(xiàng)目（批準(zhǔn)號： 202210183252）.