El ruido afecta profundamente la calidad de los datos electromagnéticos, y seleccionar los hiperparámetros apropiados para los modelos de aprendizaje automático representa un desafío significativo. En consecuencia, las técnicas actuales de eliminación de ruido en el aprendizaje automático no logran ofrecer un procesamiento preciso de los datos del Método Electromagnético de Campo Amplio (WFEM). Para eliminar el ruido, este documento presenta un enfoque de eliminación de ruido de datos electromagnéticos basado en la unidad recurrente de compuerta optimizada por escarabajo estiércol mejorada (IDBO) y su aplicación. En primer lugar, se utilizaron el mapeo caótico de coincidencia de pirámide espacial (SPM), la estrategia de espiral variable, el mecanismo de vuelo de Levy y la estrategia de perturbación de variación adaptativa de T-distribución para mejorar el algoritmo DBO. Posteriormente, se emplea el error cuadrático medio como la aptitud del algoritmo IDBO para lograr la optimización de hiperparámetros del algoritmo GRU. Finalmente, se aplica el método IDBO-GRU al procesamiento de eliminación de ruido de los datos WFEM. Los experimentos demuestran que la capacidad de optimización del algoritmo IDBO es notablemente superior a otros algoritmos de optimización inteligente, y el algoritmo IDBO-GRU supera a la red neuronal probabilística (PNN) y al algoritmo GRU en la precisión de eliminación de ruido de los datos WFEM. Además, el dominio del tiempo de los datos WFEM procesados está más en línea con las características de señales periódicas, su calidad de datos general se mejora significativamente y la curva del campo eléctrico es más estable. Por lo tanto, el IDBO-GRU es más hábil en el procesamiento de la secuencia del dominio del tiempo, y los resultados de la aplicación también validan que el método propuesto puede ofrecer apoyo técnico para la interpretación de inversión electromagnética.