Deep Learning Optimized Dictionary Learning and Its Application in Eliminating Stong

Magnetotelluric Noise

Introduction
Metode magnetotelluric (MT) sounding adalah metode geofisika yang efektif untuk
mempelajari struktur bawah permukaan, namun rentan terhadap noise manusia. Ada beberapa
teknologi yang dapat menangani gangguan elektromagnetik yang kuat, termasuk metode remote
reference, robust estimation method, dan time-series editing method. Time-series editing method
adalah metode langsung untuk menghilangkan komponen interferensi yang kuat dari data yang
terkumpul.
Dekomposisi sparse merupakan metode yang sangat efektif dalam penghilangan noise pada
data MT. Namun, kondisi berhenti pada metode dekomposisi sparse pada metode yang ada masih
ditentukan secara manual dan mungkin tidak efisien atau rentan terhadap bias subjektif. Oleh karena
itu, penelitian ini memanfaatkan deep learning untuk secara mandiri mempelajari fitur sinyal MT
berkualitas tinggi dari data yang diamati dan menggunakannya sebagai kondisi pembatas pada
metode dekomposisi sparse.
Metode yang diusulkan kemudian diaplikasikan pada data MT yang terkumpul di daerah
konsentrasi bijih Lujiang-Zongyang dan menghasilkan hasil yang lebih baik dalam pengolahan data
MT daripada metode tradisional yang memerlukan pengaturan manual.

Method and Algorithm

Adaptive Sparse Decomposition (ASD) adalah metode pengolahan data magnetotellurik
yang bertujuan untuk mengurangi noise pada data tersebut. Metode ini memiliki keunggulan dalam
menghasilkan sinyal residu yang sangat kecil dan meningkatkan akurasi data magnetotellurik,
namun memiliki kekurangan yaitu waktu yang diperlukan untuk menghitung MSE fragmen yang
berkualitas tinggi. Sehingga metode ini belum dapat diaplikasikan secara efektif untuk pengolahan
data yang sangat besar.
Jaringan Syaraf Tiruan Konvulusional (CNN) adalah teknik deep learning yang memiliki
banyak lapisan konvolusi dan pooling yang berguna untuk ekstraksi fitur data dari input lapisan
atas. CNN dianggap sebagai penelitian perintis yang menginspirasi jaringan syaraf konvulusional.
Jaringan CNN yang dibangun dalam makalah ini meliputi lapisan input, empat lapisan konvolusi,
dua lapisan pooling, lapisan flattening, dua lapisan fully connected, lapisan dropout acak, dan
lapisan output.
 Dictionary learning adalah jenis metode representasi sparse dan juga kelas algoritma
machine learning yang didasarkan pada data. Metode ini dapat digunakan untuk merealisasikan
representasi sparse dengan hanya beberapa atom. Beberapa metode dictionary learning lainnya yang
populer adalah MOD dictionary learning dan K-SVD dictionary learning. K-SVD dictionary
learning adalah metode dictionary learning yang paling banyak digunakan dan telah ditingkatkan
dan dioptimalkan banyak kali. Saat ini, metode ini banyak diterapkan dalam pemrosesan sinyal
seismik, pemrosesan sinyal magnetotellurik, pemrosesan sinyal WFEM, dan pemrosesan data
ATEM.
K-SVD dictionary learning adalah generalisasi dari algoritma K-means. Intinya adalah
dengan memperbarui koefisien dictionary dan representasi sparse secara bergantian dengan singular
value decomposition di bawah kendala l2. Metode dictionary learning sangat bermanfaat dalam
menghasilkan representasi sparse dari data magnetotellurik dan dalam mengurangi noise dalam data
yang dihasilkan.

Model Training and Simulation

Dalam pelatihan model, sample atau dataset memiliki peran yang penting. Keberhasilan
pelatihan model tidak hanya bergantung pada kualitas model, tetapi juga kuantitas dan kualitas
sample yang digunakan. Penelitian menunjukkan bahwa keakuratan pengenalan data meningkat
seiring dengan panjang sampel, tetapi waktu pelatihan juga akan meningkat. Penelitian menemukan
bahwa dengan panjang sampel 64 titik sampling, dapat diperoleh akurasi klasifikasi yang tinggi
dengan efisiensi yang baik. Oleh karena itu, panjang sampel dalam penelitian ini disetel menjadi 75
titik sampling untuk mempertahankan informasi waktu sinyal dan mendapatkan akurasi dan
efisiensi klasifikasi yang tinggi. Sample berkualitas baik memiliki perubahan amplitudo sinyal yang
lambat dan rata-rata amplitudo kecil. Sample bising sering kali memiliki struktur tiba-tiba dengan
energi seketika yang kuat dan rata-rata amplitudo yang lebih besar dari sinyal berkualitas baik.
Dataset pelatihan terdiri dari 14.000 sampel saluran listrik dan 11.128 sampel trek magnetik,
masing-masing terdiri dari 50% sampel berkualitas baik dan 50% sampel bising. Dataset pelatihan
dan validasi dipisah menjadi saluran listrik dan trek magnetik. Setelah itu, dataset pelatihan diimpor
ke dalam model untuk pelatihan dan hasil pelatihan ditunjukkan dalam gambar.
Gambar 1. Contoh sampel pada set pelatihan. (a) Sampel kanal listrik berkualitas tinggi. (b) Sampel
kanal magnetik noise. (c) Sampel kanal magnetik berkualitas tinggi. (d) Sinyal kanal magnetik
noise

Gambar 2. Hasil pelatihan model. (a) Hasil pelatihan sampel kanal listrik. (b) Hasil pelatihan
sampel kanal magnetik. Garis merah dan hijau solid melambangkan akurasi pelatihan dan
kehilangan pelatihan, masing-masing; garis putus-putus biru dan hitam melambangkan akurasi
validasi dan kehilangan validasi, masing-masing.

Gambar 3. (a) Hasil identifikasi dari sinyal simulasi. Garis merah menunjukkan klip berisik, dan
garis biru menunjukkan klip berkualitas tinggi. (b) Distribusi MSE dari sinyal simulasi. Bintang
merah mewakili sampel berisik, dan lingkaran hijau mewakili sampel berkualitas tinggi.
 Penulis menggunakan MSE kurang dari atau sama dengan 2,46 sebagai kondisi batasan dari
dekomposisi sparse K-SVD dan kemudian menghilangkan derau pada sinyal secara otomatis. Kami
membandingkan sinyal ini dengan sinyal bebas noise asli dan sinyal yang diperoleh dengan metode
penghilangan noise threshold Wavelet (selanjutnya disebut sebagai Wavelet). Seperti yang
ditunjukkan pada Gambar 8, baik Wavelet maupun metode yang diusulkan dalam makalah ini dapat
menghilangkan sebagian besar noise yang ditambahkan secara artifisial. Namun, metode Wavelet
secara jelas menghilangkan beberapa sinyal frekuensi rendah karena sinyal yang telah dihilangkan
noise menjadi lebih stasioner. Dapat dilihat dari Tabel 1 bahwa efek dari metode baru kami sangat
jelas dan secara keseluruhan lebih unggul daripada penghilangan noise threshold Wavelet. Rasio
sinyal-ke-noise (SNR) meningkat dari 11,6127 dB menjadi 8,2648 dB. Peningkatannya lebih dari
19,87 dB. MSE menurun dari 8,6797 menjadi 0,8803, cross-korelasi ter-normalisasi (NCC) [22]
meningkat dari 0,2366 menjadi 0,9251, dan kesalahan rekonstruksi (RE) menurun dari 3,8075
menjadi 0,3862. Hasil simulasi juga menunjukkan bahwa metode kami cocok untuk penekanan
berbagai jenis noise.

Gambar 4. Efek pengurangan derau pada sinyal simulasi. (a) Sinyal tanpa derau. (b) Sinyal bising.
(c) Sinyal yang diredam dengan metode ambang Wavelet. (d) Sinyal yang diredam dengan metode
CNN-KSVD.

Gambar 5. Kurva resistivitas tampak dan fasa dari situs BL14182A yang sebenarnya. Rxy
dan Ryx pada panel atas mewakili resistivitas tampak dalam arah XY dan arah YX, masing-masing;
Pxy dan Pyx pada panel bawah mewakili fasa dalam arah XY dan arah YX, masing-masing;
lingkaran kosong merah mewakili kurva yang dihitung dari data berisik asli (Original), garis solid
biru mewakili kurva yang diolah dengan proses referensi jauh (RR), dan lingkaran hitam solid
mewakili kurva yang dihitung menggunakan data yang didenoise dengan metode kami.

Conclusion
Dalam penelitian ini, metode pengurangan noise magnetotelurik baru yang disebut CNN-
KSVD diusulkan dengan menggunakan jaringan syaraf konvolusi dalam pembelajaran fitur data
berkualitas tinggi yang kemudian digunakan sebagai kendala pada pembelajaran kamus selanjutnya.
Metode ini dapat diaplikasikan pada data dalam jumlah besar tanpa memerlukan kondisi iterasi
manual, dan menghindari bias subyektif. Hasil pengujian menunjukkan bahwa metode ini dapat
meningkatkan rasio sinyal-ke-noise dan memperbaiki estimasi resistivitas dan fase. Namun, metode
ini mungkin tidak efektif dalam menghilangkan noise Gaussian dan memerlukan pengembangan
lebih lanjut untuk meningkatkan keakuratan dan efektivitasnya.