可以将大地电磁噪声压制方法简单分为三类:

1)传统的大地电磁数据处理方法集中在频率域中对阻抗的估算,如最小二乘法、Robust估计、远参考技术和人工挑选功率谱;

2)时频域中的处理方法:小波变换、希尔伯特-黄变换;

3) 从时域中对时间序列进行预处理,直接滤除明显的强干扰噪声,如:人工神经网络,Kalraan滤波,形态滤波、IARWR等。

频率域的噪声压制方法：最小二乘法、Robust估计和远参考技术。

最小二乘法：早期的大地电磁数据处理多使用该方法估算阻抗，可以有效压制高斯噪声。即要残差word/media/image1.gif，满足word/media/image2.gif最小，来估算阻抗Z。

Robust估计是根据最小二乘法求得的阻抗估计值，再计算观测值与估计值的残差，根据残差大小赋予不同的权重，即对数据质量高的给予较大的权重，对数据质量差的给予较小的权重。Robust估计方法可以得到较精确的估计，可以抑制一些不满足高斯分布的不相关噪声。但该方法应用的前提是要求大多数据的残差是较小的，只允许少量残差大的数据，这样才能保证对残差小的数据给予较高的权。但是，残差小并不一定就是噪声弱，当存在电磁相关噪声，残差较小，用Robust估计反而会加重噪声的权重。由此可见，Robust法的优点在于可以减小某些不满足高斯分布噪声的影响，注重整体数据质量，剔除为数不多的“跳点”，缺点是无法消除磁道噪声和电磁相关噪声。

远参考技术：原理是在距离观测点较远的区域设置一个参考点，同步观测磁场RH和电场RE。由于磁场在一定区域范围内具有较高的相关性，观测点噪声和参考点的噪声不相关，噪声与信号之间不相关，再利用Robust估计阻抗。

时频域噪声压制方法：短时傅里叶变换、小波变换、希尔伯特-黄变换。

短时傅里叶变换的主要思想是对变换的基函数加一个窗函数，窗函数是时间的函数，通过平移窗函数，就可以分析信号某一时间窗口的频率，得到信号的时频信息。缺点在于窗函数的大小和形状是固定不变的，对信号的分辨率也是固定的，因此一般用来分析分段平稳或近似平稳的信号。

小波变换：不再通过角频率参数描述信号，而采用对母波g(u)的缩放和平移分析信号。平移因子b控制时间窗口，缩放因子a用来控制基函数的频率，减小a就可以提高对信号高频部分的局部分析能力。因此小波变换具有灵活的时频分辨率，用小波变换分析MT信号，可以对原始数据进行不同尺度的分解，对分解后的信号在进行阀值的滤波，最后重构信号，达到去除噪声的目的。

小波变换在分解信号时，首先将信号分为“近似”部分和“细节”部分，相当于一个低通滤波器和一个高通滤波器，分别得到信号的低频部分和高频部分，在对低频部分进行二次分解，这样逐级分解得到信号的不同频率分量，通过对各分量的滤波，就可以实现噪声压制。 其缺点在于小波变换处理效果依赖与母波的选取和阀值的设定。

希尔伯特—黄变换：一种分析非平稳信号的方法。这种方法基本过程可以分为两步：经验模态分解（EMD）和Hilbert谱分析。缺点在于对信号进行经验模态分解时，窗口的首尾两端会引入误差，而且分解速度吗，实用性不强。

时域噪声压制方法：人工神经网络、卡尔曼滤波、IARWR、形态滤波。

人工神经网络滤波：利用神经网络的学习和自适应功能，对数据进行分类，进而区分噪声与信号，最终实现对时间序列的自动分类，分离噪声和信号。分类的正确性与训练网络时的输入信号和噪声的特征息息相关，该方法只能去除与训练噪声相似的噪声。

卡尔曼滤波：是从含有不相关白噪声中提取信号的一种无偏估计方法。其滤波过程是根据给定初值和测量值，进行预测，再根据过程噪声和测量噪声的协方差对预测值进行校正。其原理类似于远参考技术，利用同步采集的同一场分量信号相关，噪声不相关的特点，去除了不相关的脉冲噪声，但对相关噪声却无能为力。

形态滤波：利用预先定义的结构元素（相当于滤波窗）对信号进行匹配或局部修正，达到提取信号、抑制噪声的目的。形态滤波能较好地刻画出幅值变化大的“噪声”，用原始数据减去形态滤波的输出得到重构信号。但重构信号会损失低频信号。

大地电磁(MT)噪声压制方法