本发明涉及地下水有机污染磁共振（magnetic resonance sounding）信号检测方法领域，具体来讲为一种面向地下有机污染的磁共振信号特征非配对学习方法。
背景技术：
1、伴随经济的快速发展，大量环境污染事件频繁发生，其中由化工产品、石油烃等有机物渗漏、不良排放引起的地下水有机污染问题已严重威胁到生态环境平衡和人民健康安全。地下水有机污染磁共振探测技术是一种直接利用不同物质原子核弛豫性质差异产生的核磁共振效应，即利用了水和有机污染物中氢核的弛豫特性差异识别地下水有机污染物的地球物理勘探方法，具有无损、定性、定量检测的优势，近些年得到广泛的关注。随着地面磁共振有机污染原位检测装置的研发，实现了复合脉冲序列测量地下水和有机污染物的磁共振自旋回波信号。但是，受实际场地强噪声干扰及实际复杂介质条件的制约，有机污染物的有效辨识缺乏一定的可靠性，而关于地下水有机污染磁共振回波信号特征提取方法的研究鲜有报道。
2、现有的油类污染磁共振检测，存在速度慢、成本高、程序繁琐等问题，无法实现地下有机污染的大范围圈定；烃类污染浅层地下水磁共振检测装置及方法通过永磁体提高信号强度，未考虑实际探测环境中的强噪声干扰；通过卷积神经网络磁共振地下水噪声抑制方法主要针对地下水信号，有机污染产生的磁共振信号比水信号更弱，有效提取信号需增加卷积层数，但网络深度的增加会导致梯度消失，且该方法需要大量有标签数据，训练阶段需将网络的输入与输出配对，以建立网络的非线性映射关系，而实际获取的信号往往是无标签的，有时不能获得理想的去噪效果。
技术实现思路
1、本发明的目的在于针对上述现有技术中的不足，提供一种面向地下有机污染的磁共振信号特征非配对学习方法，不依赖成对的标签数据，无需配对的数据集，通过搭建基于双向训练模式的判别损失卷积神经网络无监督训练体系，学习实际含噪数据域到有效信号数据域的映射，实现实际地下有机污染磁共振信号的特征提取，减弱了深度学习方法对数据的依赖性，增强了网络的泛化能力。
2、本发明是这样实现的，
3、一种面向地下有机污染的磁共振信号特征非配对学习方法，该方法包括：
4、s1分别组建磁共振有机污染探测系统实际采集的含噪数据集，和有效信号数据集，，其中，代表每一个含噪数据，代表每一个有效信号数据，i为数据个数，，有效信号数据由模拟的纯净自旋回波信号构成：
5、，
6、其中，为t时刻观测到的回波幅度，为第种弛豫分量零时刻的信号大小，为第种弛豫分量的横向弛豫时间，取2的指数；
7、s2搭建地下有机污染磁共振信号特征的非配对学习网络，所述非配对学习网络包括回归降噪网络和特征判别网络，训练所述非配对学习网络建立实际采集的含噪数据集所在的域到有效信号数据集所在域间的映射关系，进行数据域的迁移学习，非配对学习网络训练的目标函数表示为：
8、，
9、其中，是第一回归降噪网络的目标函数，是第二回归降噪网络的目标函数，是范数算子，为第一回归降噪网络，是的镜像网络，代表有效信号数据集到实际采集的含噪数据集之间的映射网络，用于拟合的域映射关系；为第二回归降噪网络，用于拟合的域到域的映射，为第一特征判别网络，用于判别生成的有效信号数据分布是否与真实的有效信号一致，为第二特征判别网络，用于判别生成的含噪数据是否符合真实的含噪数据；
10、设置学习率训练非配对学习网络，执行多个迭代周期使非配对学习网络收敛，非配对学习网络训练完成后，回归降噪网络被用作去噪网络对含噪声的实测数据进行处理：
11、，
12、其中，表示处理后提取的有效地下有机污染磁共振信号，表示回归降噪网络对含噪声的实测数据的处理过程。
13、进一步地，所述第一回归降噪网络连接第二回归降噪网络组成第一通道，有效信号数据集在第一通道的两个回归降噪网络之间流动，并通过第一特征判别网络进行判断；
14、所述第二回归降噪网络连接第一回归降噪网络组成第二通道，含噪数据集在第一通道的两个回归降噪网络之间流动，并通过第二特征判别网络进行判断；
15、当特征判别网络无法判断数据是模拟的信号还是处理后的信号时，非配对学习网络训练完成。
16、进一步地，所述第一回归降噪网络和第二回归降噪网络均包括多个卷积层、转换层以及上采样层，多个卷积层从输入中提取特征向量，输出的特征向量再输入到转换层，转换层由多个残差模块搭建而成用于将特征向量在两个域之间进行转换，转换层的输出到上采样层，上采样层将特征向量恢复为信号。
17、进一步地，所述第一特征判别网络和第二特征判别网络均包括多层卷积操作层和批归一化层，用于从输入数据中不断提取特征，判别该输入数据是实际数据还是生成数据，批归一化层用于使每层的输入分布趋于一致。
18、进一步地，所述非配对学习网络所采用的损失函数为：
19、为第二回归降噪网络构建从域到域映射的第一损失函数：
20、，
21、其中，表示函数在分布下的数学期望，表示函数在分布下的数学期望；
22、为第一回归降噪网络构建从域到域映射的第二损失函数：
23、，
24、建立双向训练模式约束训练过程，要求同时学习第二回归降噪网络和第一回归降噪网络两个映射，使和；
25、建立实际含噪数据与网络中流动数据之间的双向训练模式约束下的l1范数：
26、，
27、其中，表示l1范数，与含义一致，与含义一致；
28、根据第一损失函数和第二损失函数以及双向训练模式约束下的l1范数建立非配对学习网络最终的损失函数：
29、，
30、其中，λ是双向训练模式约束下的调节系数。
31、本发明与现有技术相比，有益效果在于：
32、本发明针对传统卷积神经网络等有监督学习方法训练过程依赖配对的数据集，而从实际获取的数据中难以标注有效信号，通过搭建基于双向训练模式的判别损失卷积神经网络无监督训练体系，学习实际含噪数据域到有效信号数据域的映射，实现实际地下有机污染磁共振信号的特征提取，提升了基于数据驱动的深度学习方法对数据的弱依赖性，增强了网络的泛化能力。
1.一种面向地下有机污染的磁共振信号特征非配对学习方法，其特征在于，该方法包括：
2.根据权利要求1所述的面向地下有机污染的磁共振信号特征非配对学习方法，其特征在于，所述第一回归降噪网络连接第二回归降噪网络组成第一通道，有效信号数据集在第一通道的两个回归降噪网络之间流动，并通过第一特征判别网络进行判断；
3.根据权利要求2所述的面向地下有机污染的磁共振信号特征非配对学习方法，其特征在于，所述第一回归降噪网络和第二回归降噪网络均包括多个卷积层、转换层以及上采样层，多个卷积层从输入中提取特征向量，输出的特征向量再输入到转换层，转换层由多个残差模块搭建而成用于将特征向量在两个域之间进行转换，转换层的输出到上采样层，上采样层将特征向量恢复为信号。
4.按照权利要求1所述的方法，其特征在于，所述第一特征判别网络和第二特征判别网络均包括多层卷积操作层和批归一化层，用于从输入数据中不断提取特征，判别该输入数据是实际数据还是生成数据，批归一化层用于使每层的输入分布趋于一致。
5.按照权利要求1所述的方法，其特征在于，所述非配对学习网络所采用的损失函数为：
