基于混合深度学习的舒曼共振洛伦兹曲线拟合算法增强方法研究

针对传统洛伦兹曲线拟合(LCF)算法在分析多模式舒曼共振(SR)信号时因噪声干扰和信号非平稳性导致的特征提取失效问题，研究人员提出了一种结合三种自编码器(AE)策略和两种学习方案的混合深度学习(DL)方法。该方法成功实现了对含噪SR信号的高效降噪和多模式同步解析，显著提升了极端天气条件下的信号表征能力，为地球-电离层空腔电磁传播研究提供了创新工具。

　　

舒曼共振(Schumann Resonance, SR)作为地球-电离层空腔中传播的极弱电磁信号，长期以来是研究全球雷电活动和空间天气的重要窗口。然而传统分析方法受限于传感器技术和数据处理能力，仅能有效提取第一共振模式。随着技术进步，多模式分析成为可能，但标准洛伦兹曲线拟合(Lorentzian Curve Fit, LCF)算法在应对噪声干扰、谱线重叠和非平稳信号时表现欠佳，尤其在提取三个以上模式时失效明显。西班牙Sierra de Filabres观测站的研究团队通过融合三种自编码器(AutoEncoder, AE)架构和双重学习策略，开发出突破性的混合深度学习解决方案，相关成果发表在《Expert Systems with Applications》。

研究采用变分自编码器(VAE)、矢量量化变分自编码器(VQVAE)等深度学习架构，构建了包含卷积编码器-瓶颈层-回归头的神经网络模型。关键技术包括：1) 使用西班牙阿尔梅里亚地区2016-2020年79281组SR观测数据，含NS向磁场原始信号和LCF处理结果；2) 设计特殊损失函数L_freq强制潜在空间保留物理特征；3) 通过RMSE和Kolmogorov-Smirnov检验评估性能。模型将256维频谱压缩至10维潜在空间，同时回归六个模式中心频率f₁-f₆。

研究结果部分显示：

1. 在平均噪声条件下，所有DL模型频率提取误差小于0.2Hz，VAE Raw对第一模式提取精度(KS=0.079)显著优于LCF(KS=0.220)；
2. 极端噪声场景中，DL模型成功识别被LCF遗漏的第四模式(26.5Hz vs LCF误判为25.50Hz)，第六模式重建误差降低42%；
3. 潜在空间可视化证实VAE能有效解耦各共振模式特征，而VQVAE在第五、六模式(31-40Hz)表现最优；
4. 昼夜节律分析显示DL模型显著改善冬季数据一致性，第一模式频率波动范围从LCF的7.15-7.85Hz优化至7.6-7.85Hz；
5. 对比实验表明，纯卷积神经网络(CNN)在第六模式KS值(0.382)远高于VAE(0.085)，证实联合学习策略的优势。

该研究开创性地将深度学习引入SR信号处理，解决了三个核心问题：1) 通过潜在空间压缩实现噪声免疫；2) 突破传统LCF的三模式分析上限；3) 保留40%原被丢弃的数据。这不仅为SR与地震、火山活动的关联研究提供新工具，其"物理信息嵌入"的模型设计思路对处理其他极低频(ELF)信号具有范式意义。未来工作将聚焦于跨台站适应性优化和第一模式在强噪声下的鲁棒性提升。