盲源分離算法在大地電磁信號去噪中的應用

曹小玲， 嚴良俊， 陳清禮， 周 磊

(1.長江大學 油氣資源與勘探技術教育部重點實驗室，武漢 430100；2.長江大學 信息與數學學院，荊州 434023)

盲源分離算法在大地電磁信號去噪中的應用

曹小玲1,2， 嚴良俊1， 陳清禮1， 周 磊1

(1.長江大學 油氣資源與勘探技術教育部重點實驗室，武漢 430100；2.長江大學 信息與數學學院，荊州 434023)

鑒于大地電磁信號的特點，大地電磁信號的去噪問題一直是研究的熱點問題，而盲源分離技術是進行現代信號處理的有力工具。闡述了大地電磁信號的特點和它的噪聲分類，利用盲源分離算法維持信號頻率不變性的特點，并結合大地電磁信號的頻譜特征，提出利用盲源分離算法來對大地電磁信號進行噪聲分析和噪聲去除。實驗證明，無論是直接應用盲源分離算法來對大地電磁信號進行噪聲去除，還是應用盲源分離對噪聲進行分析后結合其他方法進行去噪處理，都能有效地去除噪聲，減少脈沖干擾地影響，提高信號的整體平滑度。

盲源分離； 大地電磁信號； 去噪； 噪聲分析； 頻譜分析

0 引言

大地電磁測深法(Magnetotelluric，MT)是研究地殼和上地幔構造的一種地球物理探測方法。它以天然交變電磁場為場源，當交變電磁場以波的形式在地下介質中傳播時，由于電磁感應作用，地面電磁場的觀測值將包含有地下介質電阻率分布的信息。而且由于電磁場的集膚效應，不同周期的電磁場信號具有不同的穿透深度，因此，研究大地對天然電磁場地頻率響應，可獲得地下不同深度介質電阻率分布的信息[1]。該方法由于具有很多特點(如受地形影響小、探測深度大、儀器設備輕便、勘探成本低、水平方向分辨能力高等[2])，一直得到廣大物探工作者的廣泛地使用并且取得了相當大的進步[3-5]。然而大地電磁測深觀測的天然電磁場信號較弱，頻帶較寬，極易受到各種噪聲地干擾，這樣的數據將直接影響到后續的反演解釋的準確性。因此研究如何對大地電磁測深中獲得的信號進行去噪處理，一直是專家學者們關注的焦點問題。

近年來，很多學者對大地電磁的統計特征進行了研究。其中比較具有影響力的是王書明和王家映[6-7]根據MT信號的雙相干系數、三相干系數以及在Z平面上的零點分布，分析研究不同地區實測MT信號的性質特征，得出MT信號一般具有非高斯性、非線性和非最小相位性。盲源分離(Blind Source Separation, BSS)技術[8-11]是現代信號處理的有效方法，它能從若干觀測到的混合信號中恢復出無法直接觀測到的各個原始信號。這里的“盲”的含義是指“源信號不可測”和“混合系統特性事先未知”這兩個方面。盲源分離技術的一個突出優勢是它不需要知道信號的先驗知識，即它只要通過觀測已知信號就能推理甚至恢復出原始信號。這個特點對地球物理勘探來說具有非常重大的意義，因為在地球物理勘探中想要獲得先驗知識一般來說是非常困難的，或者成本非常高。另一方面，盲源分離對源信號的統計性質要求為：①非依賴性；②非高斯性③非白性[12-15]，大地電磁信號剛好符合這些要求。因此，使用盲源分離技術來對大地電磁勘探中觀測到的信號的各種信息成分進行分析和提取，尤其是對噪聲成分進行分析和提取，符合實際工作的特點和需要。正是基于此，筆者研究盲源分離算法在大地電磁信號去噪中的應用，并將通過實際勘探數據驗證方法的有效性。

1 大地電磁噪聲類型

大地電磁測深法采用的天然場源的頻率變化范圍在10-4Hz～104Hz之間，不同頻率的電磁場互相疊加在一起，形成一個非常復雜的電磁振動。圖1是大地電磁場的頻譜圖列出了4種干擾的頻率范圍。從圖1可以看出，在1 Hz左右，無論電場和磁場的強度都較小；在1 000 Hz處磁場幾乎接近于零，電場有一低谷；在幾十赫茲到104Hz范圍內，人文活動的電磁場干擾特別嚴重。這些特點決定了大地電磁法只適合于采集較低頻率。

中國地震局地質研究所研究員孫潔[12]將大地電磁噪聲分為四類：①場源噪聲；②地質噪聲；③人文噪聲(工頻干擾噪聲)；④儀器噪聲。

根據噪聲的形態，近代學者普遍認為大地電磁噪聲分為：①脈沖噪聲；②方波噪聲；③階躍噪聲；④似充放電噪聲；⑤三角波噪聲；⑥周期噪聲這六種類型。圖2是其中五種噪聲干擾的頻譜分布圖。

圖1 大地電磁場的頻譜圖Fig.1 The spectrum diagram of magnetotelluric

2 盲源分離技術

盲源分離技術是指從若干觀測到的混合信號中恢復出未知的源信號的方法[8-11]。它作為計算智能學的核心研究內容，是20世紀后期迅速發展起來的一個嶄新的研究領域，是統計信號處理與人工神經網絡以及信息理論相結合的產物，因而在許多領域里得到發展，特別是在遙感、生物醫學工程、語音增強、雷達與通信系統、數據挖掘、醫療成像、地震勘探、計量經濟學等方面均具有突出的作用。盲源分離技術不需要利用任何訓練數據，也沒有關于濾波、卷積、混合系統參數的先驗知識地要求。盲源分離技術的原理如圖3所示。s(t)=[s1(t),…,sn(t)]T是表示n維未知源信號向量，A為未知混合系統,x(t)=[x1(t),…,xm(t)]T是表示m維的觀測信號矢量，它們均是源信號矢量的組合,并受到噪聲矢量n(t)=[n1(t),…,nm(t)]T的干擾。

圖2 噪聲干擾頻譜分布Fig.2 The distribution of noise spectrum

圖3 盲源分離數學模型Fig.3 Mathematical model of blind source separation

盲源分離的目的就是在源信號s和混合系統A均未知的情況下，僅由觀測數據向量x通過調整分離系統W，使得輸出y是源信號s的估計，即：

y=W(x)?s

盲源分離中的獨立分量分析方法(Independent Component Analysis，ICA)是目前應用較好的一種方法。它首先將多維觀察信號按照統計獨立的原則建立起目標函數，然后通過優化算法將觀測信號分解為若干獨立成分，從而幫助實現信號分離或者信號分析[8-11]。

ICA的過程如圖4所示：在信源s(t)中各分量相互獨立地假設下，由觀察x(t)通過解混系統B把它們分離開來，使輸出y(t)逼近s(t)。

圖4 ICA的一般過程Fig.4 General process of ICA

3 盲源分離算法可行性分析

大地電磁資料數據處理中一個非常重要的問題是如何壓制或者消除各種噪聲信號，以便有效信號能被清晰地保留下來。根據盲源分離理論，如果我們所獲得的信號可以近似的認為是源信號經過線性混合之后所得的結果，那么就可以使用盲源分離手段提取出源信號。

在大地電磁勘探的實際應用中，我們并不能通過有效方法證明源信號之間是嚴格獨立的，更不能說明源信號是嚴格線性瞬時混合的，但是從各種有效信號源的不同存在方式來看，它們之間至少是獨立的。并且由于大地電磁有效信號與噪聲信號的來源不一致，因而它們的屬性也不相同，所以在統計學上看它們也是互不相關的。因此，可以把大地電磁資料中的有效信號與噪聲信號視為互不相關的信號，也就是把有效電磁信號和噪聲信號看作是幾個相互獨立的信號源，這樣就可以用盲源分離算法進行分離，通過仿真試驗進行研究。

如圖5所示，我們選擇了三種類型的波來做試驗，分別是正弦波信號(原始信號1)(圖5(a))、矩形波信號(原始信號2)(圖5(b))和三角波信號(原始信號3)(圖5(c))，首先作出每種信號的頻譜(圖5(d)、(e)、(f)),接著將三種信號進行任意隨機的組合，得到混合信號1、混合信號2和混合信號3(圖5(g)、(h)、(i))，并作出每種混合信號的頻譜(圖5(j)、(k)、(l))。然后將這三種混合信號通過盲源分離算法分別得到信號1、信號2和信號3(圖5(m)、(n)、(o))。最后作出分離得到的這3種信號的頻譜(圖5(p)、(q)、(r))。

觀察圖5可以發現，混合信號經過盲源分離之后首先是3個分離信號的順序與原始信號發生了變化，這是因為分離結果的排序存在不確定性[8-11]。在去噪信號處理中，因為噪聲信號一般是非主流信號，它的能量一般來說是小于有效信號的，因此認為最后的分離結果中的能量較小的信號為噪聲信號，能量較大的信號為有效信號。再觀察圖5中對應信號的質量，可以看到分離后所得信號在波形上很大程度地保留了原始信號的形狀，但是也有微小地差別，比如這三種信號在幅度上都發生了一定程度地減小，相位也有一定程度地改變。但觀察頻譜可以發現，三個分離信號的頻譜與原始對應的輸入信號頻譜基本相同，三個分離信號的頻率沒有大的變化。由以上分析可知，盲源分離算法(這里采用ICA)可能會在較小程度上改變信號的幅度和相位，但不會改變信號的頻率。利用這個特點，我們可以對大地電磁信號進行有效地信噪分離。

4 實際大地電磁信號盲源分離去噪

筆者采用盲源分離算法進行去噪研究，采用FastICA進行信噪分離時，根據它的適用條件要求采集到的信號的數目要大于或者等于源信號的數目，也就是說，必須同時獲取至少兩組數據，才能將所得數據分離為信號和噪聲兩組數據，而一般而言，使用的混合信號的組數越多，提供的噪聲特征的信息量越豐富，基于此，我們采用了在同一時間、同一地點采集到的三組大地電磁信號來進行實驗和研究，以滿足FastICA算法的使用條件。圖6(a)、圖6(c)、圖6(e)為三組ts3文件中的電場時間序列波形圖(電場時域波形圖)，我們選取采集信號中的24 000個點作為研究對象。仔細觀察可以發現，它們比較相似,這三組信號對應的頻譜圖如圖6(b) 、圖6(d)、圖6(f)所示。觀察可以發現，各個頻率對應的幅度有差別，但差別不是特別顯著，無法立即從圖6中觀察得出幅度顯著大的頻率值。

圖5 三種信號盲源分離前后對比及其結果的頻譜分析Fig.5 The contrast of before and after the blind source separation of three kinds of signal and spectrum analysis for the results(a)原始信號1;(b)原始信號2;(c)原始信號3;(d)原始信號1的頻譜;(e)原始信號2的頻譜;(f)原始信號3的頻譜;(g)混合信號1;(h)混合信號2;(i)混合信號3;(j)混合信號1的頻譜;(k)混合信號2的頻譜;(l)混合信號3的頻譜;(m)盲源分離所得信號1;(n)盲源分離所得信號2;(o)盲源分離所得信號3;(p)盲源分離所得信號1的頻譜;(q)盲源分離所得信號2的頻譜;(r)盲源分離所得信號3的頻譜

圖6 三組原始電場信號時間域波形圖和頻譜圖Fig.6 The time-domain waveform figure and spectrogram for three sets of original electric signal(a)原始電場信號1時域波形;(b)原始電場信號1頻譜;(c)原始電場信號2時域波形;(d)原始電場信號2頻譜;(e)原始電場信號3時域波形;(f)原始電場信號3頻譜

圖7 盲源分離后三組成分時域波形圖Fig.7 The time-domain waveform figure of three sets of electric signal after blind source separation(a)盲源分離后成份1時域波形;(b)盲源分離后成份2時域波形;(c)盲源分離后成份3時域波形

圖8 四種去噪方法去噪后的電場時域波形圖Fig.8 The time-domain waveform figure of electric field after four kinds of denoising(a)強制性去噪法;(b)中間閾值去噪法;(c)minimax去噪法;(d)小波收縮去噪法

對這三組原始電場信號進行盲源分離，結果如圖7所示。比較圖7(a) 、圖7(b)、圖7(c) 不難發現，成分1的能量明顯高于成分2和成分3，且它與原始信號極為相似，根據盲源分離理論[16-20]可以判定成分1為有效信號(可能仍然含有部分噪聲)，成分2和成分3為噪聲信號(或噪聲占主要成分的混合信號)。因此，采用盲源分離算法已經幫助我們進行去噪處理。在電磁勘探中，小波變換去噪方法是目前應用較多的去噪方法，近年來不斷有學者將小波變換用于大地電磁信號的去噪處理中[21-23]。為了和盲源分離去噪方法做對比研究，筆者應用四種常見的小波變換去噪方法來對原始電場信號進行去噪處理。圖8是采用這四種方法進行去噪后的電場時域波形圖。對比圖7中的成分1和圖8不難發現，對大地電磁信號而言，應用盲源分離去噪比小波去噪效果要好很多。表1為五種方法去噪的主要參數比較，也印證了該結論。筆者分析其中的主要原因正如文獻[24]所闡述的，對不同噪聲強度的染噪信號而言，小波去噪方法因為采取的基函數不同，所獲得的去噪效果性能不太穩定，波動較大，對同一信號，采用不同的小波函數可能獲得完全不同的去噪效果，而且隨著噪聲強度的增大，它的去噪效果會隨之逐漸變差；而(盲源分離中的)ICA方法即使對于噪聲強度很大的染噪信號，也能取得較好的去噪效果，它無需選擇基函數，因而具有較強的穩定性，并且受輸入信號的信噪比影響不大，非常適合強背景噪聲環境下的信號去噪處理。大地電磁信號所受到的噪聲數量多且種類復雜，在這種低信噪比的環境下，盲源分離去噪方法自然比小波去噪方法具有更好的去噪效果。

我們進行頻譜分析(如圖9～圖11所示)。從圖9可以明顯看出，成分1在50 HZ時達到幅值最大，其他頻率與它相比在幅值上都有較大的偏小。根據前面所述的盲源分離的特點由此判斷此電磁信號受到人文噪聲(工頻干擾噪聲)影響較嚴重。而如前所述從原始電磁信號的頻譜圖看不出這一特點，此即為盲源分離算法在去噪分析中的一大功效。

圖10和圖11相似，從圖10、圖11中可看出,噪聲信號頻率大體上為10 Hz的倍數，且其變化幅度總體上比較平衡，因此可以大略判斷此電磁信號干擾很大部分來自舒曼共振等人工干擾。

另外，從這圖9～圖11均可看出此大地電磁信號在較低頻率時幅值明顯偏大，而在450 Hz后幅度急劇下降，這充分印證了前面所述的“大地電磁法只適合于采集較低頻率”的觀點。

實際上，通過觀察這三點所在的經緯度及采集地點我們可以發現，它們所在的區域的確受到工頻干擾和舒曼共振干擾較嚴重。

通過進行盲源分離后再進行頻譜分析，我們判斷出了大地電磁信號所受到地干擾及類型，從而為進一步去噪提供借鑒。例如我們可以用濾波算法直接去除50 Hz的工頻干擾，以減少噪聲干擾。另外，也可選擇在舒曼共振發生較少時去當地進行觀測和實驗，以減少舒曼共振地干擾。

表1 去噪前后主要參數比較Table1 Main parameters comparison of the electric signal before and after denoising

圖9 盲源分離后成分1頻譜圖Fig.9 The spectrogram of component 1 after blind source separation

圖10 盲源分離后成分2頻譜圖Fig.10 The spectrogram of component 2 after blind source separation

圖11 盲源分離后成分3頻譜圖Fig.11 The spectrogram of component 3after blind source separation

圖12和圖13是經過盲源分離分析噪聲特點和類型后，對大地電磁信號(信號1)在頻率域用濾波算法去除50 Hz的工頻干擾的前后對比圖。表2和表3是該組大地電磁電場信號和磁場信號去噪處理前和處理后的主要參數地比較。

從表2和表3可以明顯看出，經過盲源分離算法分析噪聲特點再對大地電磁信號進行去噪處理后，電場信號和磁場信號的質量都有了比較大地改善，工頻干擾得到有效去除，且明顯降低了信號的方差和信號的能量，并極大地減少了脈沖干擾的影響，使得信號整體更加平滑，更加有利于后續的數據資料處理和正反演工作。

圖12 原始大地電磁電場信號和去噪后相應信號的時域波形圖Fig.12 The time domain waveform figure of original magnetotelluric electric signal and corresponding signal after denoising(a)原始電場時域波形圖;(b)去噪后電場時域波形圖

圖13 原始大地電磁磁場信號和去噪后相應信號的時域波形圖Fig.13 The time domain waveform figure of original magnetotelluric magnetic signal and corresponding signal after denoising(a)原始磁場時域波形圖;(b)去噪后磁場時域波形圖表2 電場信號去噪前后主要參數比較Tab.2 Main parameters comparison of the electric signal before and after denoising

electricsignalmaxminmeanvarianceenergybeforedenoising2482-851-2.17174.4199×1031.0619×108afterdenoising7.4114-7.2415-4.0708×10-190.13253.1796×103

表3 磁場信號去噪前后主要參數比較Tab.3 Main parameters comparison of the magnetic signal before and after denoising

5 小結

闡述了大地電磁信號的特點和它的噪聲分類，闡明了盲源分離的原理和方法，并利用仿真實驗驗證了盲源分離在信號處理方面的特點，維持信號頻率不變性。繼而利用此特點并結合大地電磁信號的頻譜特征，提出利用盲源分離算法來對大地電磁信號進行噪聲分析和噪聲去除。

實驗證明，盲源分離算法不僅可以直接用于大地電磁去噪，使得噪聲得到有效地去除，而且可以幫助進行噪聲種類的分析和判斷，繼而能結合其他方法更加有效地去除噪聲。它的缺點是有一定地要求和限制，比如采集到的信號一般需要兩組及兩組以上，且僅限于同一時間同一地點采集，這無疑可能會增加一定的勘探成本。

[1] 石應駿，劉國棟，吳廣耀，等.大地電磁測深法教程[M].北京:地震出版社，1985. SHI Y J, LIU G D, WU G Y, et al. Magnetotelluric sounding tutorial[M]. Beijing: The earthquake publishing house, 1985.(In Chinese)

[2] 何繼善.可控源音頻大地電磁法[M].長沙:中南工業大學出版社，1990. HE J S. Controlled source audio-frequency magnetotelluric method[M]. Changsha: central south university of technology press, 1990.(In Chinese)

[3] 劉國棟，鄧前輝.電磁方法研究與勘探[M].北京:地震出版社，1993. lIU G D, DENG Q H. The research and exploration of electromagnetic method[M]. Beijing: Earthquake publishing house, 1993.(In Chinese)

[4] 魏文博.我國大地電磁測深新進展及瞻望[J].地球物理學進展，2002,17(2):245-254. WEI W B. New advance and prospect of magnetotelluric sounding(MT) in China[J]. Progress in geophysics,2002,17(2):245-254. (In Chinese)

[5] AA KAUFMAN，GV KELLER，AA KAUFMAN.et al.The magnetotelluric sounding method[J].Methods in Geochemistry and Geophysics,1981,15:595-598.

[6] 王書明，王家映.大地電磁信號統計特征分析[J].地震學報,2004,26(6):669-674. WANG S M, WANG J Y. Analysis on statistic characteristics of magnetotelluric.[J].Journal of earthquake,2004,26(6):669-674.(In Chinese)

[7] 王書明，王家映.關于大地電磁信號非最小相位性的討論[J].地球物理學進展，2004, 19(2):216-221. WANG S M, WANG J Y. Discussion on the non-minimum phase of magnetotelluric signals[J]. Progress in geophysics,2004,19(2):216-221. (In Chinese)

[8] 余先川，胡丹．盲源分離與應用[M]．北京：科學出版社，2011. YU X C, HU D. Blind source separation and its application[M]. Beijing:Science press, 2011. (In Chinese)

[9] 馬建倉，牛奕龍，陳海洋．盲信號處理[M]．北京：國防工業出版社，2006. MA J C, NIU Y L, CHEN H Y. The processing of blind signal[M]. Beijing: National defence industry press, 2006. (In Chinese)

[10]史習智.盲信號處理——理論與實踐[M].上海：上海交通大學出版社，2008. SHI X Z. The processing of blind signal---theory and practice[M].Shanghai: Shanghai jiaotong university press, 2008. (In Chinese)

[11]張發啟，張斌，張喜斌.盲信號處理及應用[M] .西安：西安電子科技大學出版社，2006. ZHANG F Q, ZHANG B, ZHANG X B. The processing of blind signal and its application [M]. Xi'an: Xi'an university of electronic science and technology press, 2006. (In Chinese)

[12]孫潔，晉光文.大地電磁測深資料的噪聲干擾[J].物探與化探，2000，24(2)：119-127. SUN J,JIN G W. Noise interference of magnetotelluric data[J].Geophysical and Ceochemical Exploration,2000,24(2):119-127.(In Chinese)

[13]BUCHNER H, AICHNER R, KELLERMANN C. Blind source separation for convolutive mixtures: A unified treatment. in hunagY and Benesyt J(eds.), audio signal processing for next-generation multimedia communication systems[J]. Kluwer Academic Publishers, 2004:255-293.

[14]CARDOSO J-F.The three easy routes to independent component analysis;contrasts and geometry[J]. Proceeding of International Symposium on Independent Component Analysis and Blind Signa I Separation(ICA2001),2001:1-6.

[15]CHOI S, CICHOCKI A.Blind sparation of nonstationary sources in noisy mixtures[J]. Electronics Letters, 2000,36(9): 848-849.

[16]CHOI S, CICHOCKI A, BELOUCHRANI A. Blind separation of second-order nonstationary and temporally colored sources[J]. Proceedings of the 11th IEEE Signal Processing Workshop,2001:444-447.

[17]COMON P．Independent component analysis，a new concept[J]. Signal Processing，1994,36(4): 287-314.

[18]HYVARINEN A，OJA E．A fast fixed-point algorithm for independent component analysis[J]．Neural Computation，1997，9(7): 1483-1492.

[19]HYVARINEN A．Fast and robust fixed-point algorithms for independent component analysis[J]．IEEE Transactions on Neural Networks，1999，10(3): 626-633.

[20]HYVARINEN A，OJA E.Independent component analysis: algorithms and Applications [J]．Neural Networks，2000，13 (4): 411-430.

[21]CARDOSO J.F．Blind signal separation：statistical principles[J]. Proc，IEEE，1998,86(10): 2009-2025.

[22]TRAD D O, TRAVASSOS J M. Wavelet filtering of magnetotelluric data[J]. Geophysics, 2000,65(2): 482- 491.

[23]嚴家斌，劉貴忠. 基于小波變換的脈沖類電磁噪聲處理[J].煤田地質與勘探，2007，35(5):61-65. YAN J B, LIU G Z. Like-impulse electromagnetic noise Processing based wavelet transform[J]. Journal of coal geology and exploration, 2007, 35(5):61-65. (In Chinese)

[24]蔡劍華，肖曉. 基于小波自適應閩值去噪的MT信號處理方法[J]. 地球物理學進展，2015，30(6)：2433-2439. CAI J H, XIAO X. Method of processing magnetotelluric signal based on the adaptive threshold wavelet[J]. Progress in geophysics, 2015, 30(6):2433-2439. (In Chinese)

[25]程嬌.基于小波變換和獨立分量分析的去噪方法研究[D].上海：復旦大學,2010. CHENG J. Research on denoising method based wavelet transform and independent component analysis[D]. Shanghai: Fudan university,2010.(In Chinese)

An application of blind source separation algorithm for denoising in magnetotelluric signal

CAO Xiaoling1,2, YAN Liangjun1, CHEN Qingli1, ZHOU Lei1

(1.Key laboratory of exploration technologies for oil and gas resources in ministry of education,Yangtze university, Wuhan 430100， China;2.School of information and mathematics, Yangtze university, Jingzhou 434023， China)

In view of characteristics of magnetotelluric signal, the denoising problem of magnetotelluric signal has always been a research hotspot, while the blind source separation technology is a powerful tool for modern signal processing. It expounds the characteristics of magnetotelluric signal and the classification of its noise, and then by using blind source separation algorithm to maintain the characteristics of the signal frequency invariance. Combining with the feature of magnetotelluric signal spectrum, it proposed a viewpoint that we can use blind source separation algorithm to do noise analysis and noise removal for magnetotelluric signal. Experiments show that either directly using blind source separation algorithm to the noise removal for magnetotelluric signal, or applying blind source separation to do analysis of noise in combination with other methods to deal with the denoising, can effectively remove noise, reduce the influence of pulse interference, and enhance the overall smoothness of the signal.

blind source separation; magnetotelluric signal; denoising; noise analysis; spectrum analysis

2016-08-10 改回日期：2016-11-07

國家自然科學基金(41274082，U1562109)；長江大學長江青年基金(2015cqn76)；長江大學重磁電勘探研究中心創新基金(7011201803xm)

曹小玲(1981-)，女，博士，講師，研究方向為大地電磁數據處理，E-mail：68816974@qq.com。

1001-1749(2017)04-0456-09

P 631.4

A

10.3969/j.issn.1001-1749.2017.04.05