Deep Learning Optimized

Dictionary Learning and

Its Application in
Eliminating Strong
Magnetotelluric Noise
Muhammad Zakariya Panatagama
22322304
 Outline

○ Introduction
○ Method and algorithm
○ Model training and simulation
○ Case analysis
○ Conclusion

2
Introduction
 Introduction

1. Metode magnetotelluric (MT) sounding merupakan salah satu metode geofisika yang efektif untuk
mempelajari struktur bawah permukaan yang telah digunakan sejak tahun 1950-an.
2. Data MT sangat rentan terhadap noise manusia, dan penanganan noise pada data MT sangat penting
untuk menghasilkan hasil yang akurat.
3. Terdapat beberapa teknologi yang dapat digunakan untuk menangani gangguan elektromagnetik
yang kuat pada data MT, seperti metode remote reference, robust estimation method, dan time-series
editing method.
4. Time-series editing method merupakan metode langsung yang efektif untuk menghilangkan
komponen interferensi yang kuat dari data MT, terutama dengan menggunakan metode dekomposisi
sparse.
5. Metode dekomposisi sparse yang beradaptasi dengan deep learning dapat menghasilkan hasil yang
lebih baik dalam pengolahan data MT daripada metode tradisional yang memerlukan pengaturan
manual. Metode tersebut telah diaplikasikan pada data MT di daerah ore deposit Lujiang-Zongyang
dengan hasil yang positif.

4
Method and algorithm
 Method and algorithm
2.1. Implementation of Adaptive Sparse
Decomposition

1. Sparse decomposition digunakan untuk memproses data MT.

2. RE, sparsity, dan MSE digunakan sebagai kondisi berhenti iterasi dalam sparse decomposition.
3. MSE adalah kondisi berhenti paling umum dalam sparse decomposition.
4. Pengaturan MSE secara manual dapat menyebabkan kesalahan.
5. MSE, sample entropy, dan fuzzy entropy dapat digunakan sebagai pembatas sparse decomposition.
6. MSE adalah parameter paling jelas dalam membedakan data MT yang noise dan bukan noise
7. Karakteristik sumber elektromagnetik alami menyebabkan parameter MT tidak berubah secara tiba-tiba.
8. Parameter MT yang berkualitas tinggi dapat digunakan untuk memperkirakan parameter fragmen MT yang bernoise
9. Penggunaan MSE fragmen berkualitas tinggi untuk mengestimasi MSE fragmen noise adalah layak dilakukan.
10. Dalam contoh tertentu, nilai MSE maksimum fragmen berkualitas tinggi digunakan sebagai kondisi berhenti iterasi dalam sparse
decomposition.
11. Sparse decomposition dapat menghilangkan kebisingan dan meminimalkan hilangnya sinyal efektif.

6
7
 Method flow

1. Proses metode denoising adaptif yang diusulkan terdiri dari tiga tahap:
klasifikasi data, perhitungan MSE, dan denoising dengan menggunakan sparse
decomposition.
2. Dalam metode tersebut, digunakan deep convolutional neural network untuk
mengklasifikasikan data menjadi fragmen yang noise dan fragmen yang
berkualitas tinggi, serta mengambil nilai MSE maksimum sebagai kondisi
berhenti iterasi sparse decomposition. Selain itu, digunakan juga redundant
dictionary dengan K-SVD dictionary learning dan algoritma rekonstruksi
dengan orthogonal matching pursuit (OMP).

8
9
 Deep Convolution Neural Networks (CNN)

○ Sejarah pengembangan convolutional neural network (CNN) yang dapat dilacak kembali
ke model neocognitron yang diusulkan oleh Fukushima. Model ini dirancang setelah
meniru korteks visual makhluk hidup dan menjadi salah satu algoritma deep learning
pertama dengan struktur yang dalam.
○ CNN yang dibangun dalam penelitian ini. Arsitektur ini terdiri dari lapisan input, empat
lapisan konvolusi, dua lapisan pooling, lapisan flattening, dua lapisan fully connected,
lapisan random dropout, dan lapisan output. Seluruh arsitektur tersebut memiliki fungsi
masing-masing, seperti konvolusi untuk ekstraksi fitur gambar, pooling untuk
mengurangi dimensi data, fully connected untuk menggabungkan informasi fitur, dan
dropout untuk mencegah overfitting.

10
11
 K-SVD Dictionary Learning

1. Dictionary learning adalah metode representasi sparse dan juga kelas algoritma machine
learning yang didasarkan pada data. Metode ini mempelajari sebuah kamus yang dapat
merepresentasikan data dengan sejumlah atom yang kecil. Beberapa metode dictionary
learning yang populer adalah Sparsenet, Optimal Directions (MOD), dan K-SVD yang
merupakan metode yang paling umum digunakan karena efisiensinya.
2. K-SVD dictionary learning merupakan generalisasi dari algoritma K-means yang
memperbaharui koefisien kamus dan representasi sparse secara bergantian dengan
singular value decomposition. Metode ini diterapkan pada berbagai bidang seperti
pengolahan sinyal seismik, pengolahan sinyal MT, pengolahan sinyal WFEM, dan
pengolahan data ATEM.

12
13
Model training and
simulation
 Sample labelling and model training

○ Penelitian ini menunjukkan bahwa sampel data yang baik diperlukan untuk melatih model. Keberhasilan pelatihan
model lebih bergantung pada kualitas dan kuantitas sampel, bukan seberapa baik model itu sendiri. Studi ini
menemukan bahwa akurasi pengenalan data MT berhubungan positif dengan panjang sampel, tetapi waktu pelatihan
akan meningkat secara signifikan ketika panjang sampel bertambah.
○ Ketika panjang sampel adalah 64 titik pengambilan, akurasi klasifikasi yang sangat tinggi dapat diperoleh dengan
efisiensi yang tinggi. Oleh karena itu, panjang sampel dalam penelitian ini adalah 75 titik pengambilan. Sampel yang
berkualitas tinggi memiliki perubahan amplitudo sinyal yang lambat dan rata-rata amplitudo yang kecil, sedangkan
sampel bising memiliki struktur seperti guncangan dengan energi instan yang kuat dan rata-rata amplitudo yang
signifikan lebih besar dari sinyal berkualitas tinggi.
○ Penelitian ini menggunakan set data pelatihan dari area konsentrasi bijih Lujiang-Zongyang, dengan 14.000 sampel
saluran listrik dan 11.128 sampel jalur magnetik. Set data pelatihan terdiri dari 6000 sampel berkualitas tinggi dan
6000 sampel bising untuk saluran listrik, serta 5000 sampel berkualitas tinggi dan 5000 sampel bising untuk jalur
magnetik. Set data pelatihan yang dihasilkan kemudian digunakan untuk melatih model, dan hasil pelatihan
menunjukkan akurasi dan kehilangan yang baik untuk kedua saluran.

15
16
17
 Simulation

○ Pada penelitian ini, penulis menambahkan beberapa jenis noise pada

sinyal MT yang sebelumnya tanpa noise untuk menguji metode yang
diusulkan. Hasilnya menunjukkan bahwa sinyal berkualitas baik dapat
diidentifikasi dengan akurat dan memiliki MSE lebih kecil
dibandingkan sinyal yang mengandung noise. Selanjutnya, nilai MSE
yang kurang dari atau sama dengan 2.46 akan digunakan sebagai
kondisi penghentian iterasi pada proses dictionary deep learning.

18
19
Case analysis
21
22
23
24
25
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.

27
Thanks