基于深度信念神经网络的微震信号到时自动拾取方法技术

本发明专利技术公开一种基于深度信念神经网络的微震信号到时拾取方法。该方法把每一个微震记录按照统一固定的维数采样，再人为的拾取部分记录的信号到时作为对应记录的标签信息，已拾取信息的记录及其标签作为网络构建时的总数据集，分成三个部分：训练数据集、验证数据集、测试数据集；通过把数据输入到深度信念神经网络中进行训练和测试，构建深度信念神经网络；最后把实际采集的待处理的数据输入到训练好的网络模型中进行微震信号的识别和到时自动拾取，该网络输出即为微震数据的到时位置点。

【技术实现步骤摘要】

本专利技术属于地球物理探测
，涉及一种基于深度信念神经网络的微震信号到时自动拾取方法。
技术介绍
微震是地震等级大于一级并且小于三级的地震，这样小的等级地震人们不易觉察到，只能用仪器监测。但是即使是很微小的地下震动，也会给地下的介质产生相应的激励，这样的激励可能改变地下介质的力学状态。在矿山安全监测领域，微震作为矿山动力灾害的前兆，对微震进行实时监测，可以有效的预测、预防动力灾害。另外在页岩气、煤层气等非常规油气勘探开发过程中，基于微震的裂缝监测技术已成为是国内外应用于压裂裂缝监测最准确的技术之一。有效微震事件的识别问题是微震监测时需要解决的关键问题之一。由于大多数微震事件能量较弱、信噪比较低，如何能快速且准确地识别和拾取微震事件成为影响微震监测成功与否的关键技术之一。目前，微震信号到时拾取方法很多，最常见的是基于短长时窗能量比的方法及其改进算法，这些算法都能在一定程度上有效的解决微震信号到时拾取问题。但是，这些算法有存在着一些局限性，短长时窗能量比拾取法对人工设置的阈值依赖很大，在信噪比不高的情况下拾取精度很低。
技术实现思路
本专利技术是为了解决微震信号到时拾取时，传统的短长时窗能量比方法在拾取时过程中需要一定的人为干预从而导致拾取方法性能不够稳健的问题。基于深度信念神经网络方法的微震信号到时拾取方法，通过构建深度信念网络模型实现微震信号的识别及到时自动拾取，具体实现步骤如下：步骤一：对原始数据按照固定的维数进行采样；步骤二：对用于网络模型训练的原始数据进行人工到时拾取，作为对应样本数据的标签信息；步骤三：把数据和标签放到数据集中，并通过添加高斯噪声产生新的样本数据；步骤四：把数据集划分为训练数据集、验证数据集和测试数据集；步骤五：搭建深度信念网络模型；步骤六：把数据集输入到网络，两个相邻层之间视为一个受限玻尔兹曼机，下层为可视层，上层为隐藏层；步骤七：逐个训练受限玻尔兹曼机，把多个训练好的受限玻尔兹曼机依次堆叠，并在最后一个受限玻尔兹曼机的隐藏层上加入一个多分类的逻辑回归层作为分类器；步骤八：进行无监督预训练，预训练完成后计算无监督学习到的输出与期望输出之间的误差，并进行误差反向传播；步骤九：利用误差反向传播微调整个网络，在微调过程中添加验证数据集和测试数据集，设置一个数据批量，当训练完该批量数据后进行一次交叉验证和测试；步骤十：当验证误差趋于某值长期不变，且测试误差高于验证误差时，网络训练完成，即基于深度信念神经网络的微震信号到时自动拾取模型构建完成，否则返回步骤八，继续网络微调；步骤十一：把未经过到时拾取的数据集输入到训练好的网络模型中，网络输出即为微震信号到时。进一步地，所述步骤一中，原始数据按照统一长度，切割为相同维度的数据。进一步地，所述步骤四中，训练数据集占总数据集的70％，验证集和测试集各占总数据集的15％。进一步地，所述步骤五中，搭建深度信念神经网络部分，网络包括：一个输入层、多个隐层和一个分类层，层与层之间的神经元节点全连接，输入层的神经元节点数与每个样本数据的维度一致，每一层隐层的神经元节点个数要比上一层的神经元节点个数少。进一步地，所述步骤六中，受限玻尔兹曼机的可视层节点与隐藏层节点之间全连接，但可视层和隐藏层层内的神经元节点无连接。进一步地，所述步骤七中，受限玻尔兹曼机训练过程具体为：首先给定每一个首先玻尔兹曼机的训练迭代次数J和学习率α，初始化可视层的偏置向量a∈Rn和隐层的偏置向量b∈Rm都为0向量，两个层之间的连接权值矩阵W∈Rn×m的所有元素初始为上的随机数。其中，Rn表示n维欧氏空间，a∈Rn表示a为一个1行n列的向量，n的个数对应可视层的节点数；Rm表示m维欧氏空间，b∈Rm表示b为一个1行m列的向量，m的个数对应隐藏层的节点数；Rn×m表示n×m维欧氏空间，W∈Rn×m表示W是一个n行m列的矩阵。然后，通过对比散度算法来更新参数a、b和W，这一过程分为两步：第一部分是吉布斯采样过程：首先把输入层的输入向量V通过转换函数求得隐藏层的激活值h；然后随机产生[0,1)之间的随机数r，把r作为判定条件，当h向量中的值大于r时，h的一个子样本hs的值为1，否则为0，这样就得到一个二值的子样本；把hs作为输入向量，同样做法得到可视层激活值的一个子样本最后再把输入得到隐藏层激活值的一个子样本第二部分是参数更新，当输入样本个数为N、学习率为α时，更新公式如下：其中，表示原连接权值矩阵W更新后的值，表示原可视层的偏置向量b更新后的值，表示原隐藏层的偏置向量a更新后的值。然后，对输入测试样本数据进行测试重构，得到隐藏层的输出值，具体做法为：利用更新过后的参数，通过转换公式计算隐藏层的激活值：其中X(l)为测试样本第l个样本；然后计算首先玻尔兹曼机对测试样本数据的重构结果：最后把重构结果与测试样本数据进行作差比较，如果误差在合理的范围则认为该首先玻尔兹曼机训练结束，否则增加迭代次数训练直至满足。进一步地，所述步骤七中，多分类逻辑回归的方程为：其中x(i)表示数据集的第i个样本数据，p(y(i)＝1|x(i)；θ)表示第i个样本在参数θ下为第一类的概率，参数θ为一个矩阵，矩阵的每一行可以看做是一个类别所对应分类器的参数，总共有k行，每一行代表一个类别。进一步地，所述步骤九中，把误差定义为网络预测输出hθ(xi)与期望输出yi之间差的平方，则代价函数为：其中，m为输入样本总数，yi表示第i个样本的期望类别。然后采用随机梯度下降法来对目标函数进行优化，其算法具体为：首先建立目标函数：其中参数θ＝{W,a,b本文档来自技高网...

【技术保护点】
一种基于深度信念神经网络的微震信号到时自动拾取方法，其特征在于，通过构建深度信念网络模型实现微震信号的识别及到时自动拾取，具体实现步骤如下：步骤一：对微震数据按照固定的维数进行采样；步骤二：对用于网络模型训练的原始数据进行人工信号到时拾取，作为对应样本数据的标签信息；步骤三：把数据和标签放到同一数据集中，并通过添加高斯噪声产生新的样本数据；步骤四：把数据集划分为训练数据集、验证数据集和测试数据集；步骤五：搭建深度信念网络模型；步骤六：把数据集输入到网络，两个相邻层之间视为一个受限玻尔兹曼机，下层为可视层，上层为隐藏层；步骤七：逐个训练受限玻尔兹曼机，把多个训练好的受限玻尔兹曼机依次堆叠，并在最后一个受限玻尔兹曼机的隐藏层上加入一个多分类的逻辑回归层作为分类器；步骤八：进行无监督预训练，预训练完成后计算无监督学习到的输出与期望输出之间的误差，并进行误差反向传播；步骤九：利用误差反向传播微调整个网络，在微调过程中添加验证数据集和测试数据集，设置一个数据批量，当训练完该批量数据后进行一次交叉验证和测试；步骤十：当验证误差趋于某值长期不变，且测试误差高于验证误差时，网络训练完成，即基于深度信念神经网络的微震信号到时自动拾取模型构建完成，否则返回步骤八，继续网络微调；步骤十一：把未经过到时拾取的数据集输入到训练好的网络模型中，网络输出即为微震信号到时。...

【技术特征摘要】
1.一种基于深度信念神经网络的微震信号到时自动拾取方法，其特征在于，通过构建深度信念网络模型实现微震信号的识别及到时自动拾取，具体实现步骤如下：步骤一：对微震数据按照固定的维数进行采样；步骤二：对用于网络模型训练的原始数据进行人工信号到时拾取，作为对应样本数据的标签信息；步骤三：把数据和标签放到同一数据集中，并通过添加高斯噪声产生新的样本数据；步骤四：把数据集划分为训练数据集、验证数据集和测试数据集；步骤五：搭建深度信念网络模型；步骤六：把数据集输入到网络，两个相邻层之间视为一个受限玻尔兹曼机，下层为可视层，上层为隐藏层；步骤七：逐个训练受限玻尔兹曼机，把多个训练好的受限玻尔兹曼机依次堆叠，并在最后一个受限玻尔兹曼机的隐藏层上加入一个多分类的逻辑回归层作为分类器；步骤八：进行无监督预训练，预训练完成后计算无监督学习到的输出与期望输出之间的误差，并进行误差反向传播；步骤九：利用误差反向传播微调整个网络，在微调过程中添加验证数据集和测试数据集，设置一个数据批量，当训练完该批量数据后进行一次交叉验证和测试；步骤十：当验证误差趋于某值长期不变，且测试误差高于验证误差时，网络训练完成，即基于深度信念神经网络的微震信号到时自动拾取模型构建完成，否则返回步骤八，继续网络微调；步骤十一：把未经过到时拾取的数据集输入到训练好的网络模型中，网络输出即为微震信号到时。2.如权利要求1所述的方法，其特征在于，所述步骤一中，原始数据按照统一长度，切割为相同维度的数据。3.如权利要求1所述的方法，其特征在于，所述步骤四中，训练集占总数据集的70％，验证集和测试集各占总数据集的15％。4.如权利要求1所述的方法，其特征在于，所述步骤五中，搭建深度信念神经网络部分，网络包括：一个输入层、多个隐层和一个分类层，层与层之间的神经元节点全连接，输入层的神经元节点数与输入的样本数据的维度一致，每一层隐层的神经元节点个数要比上一层的神经元节点个数少。5.如权利要求1所述的方法，其特征在于，所述步骤六中，受限玻尔兹曼机的可视层节点与隐藏层节点全连接，但可视层和隐藏层层内的神经元节点无连接。6.如权利要求1所述的方法，其特征在于，所述步骤七中，受限玻尔兹曼机训练过程具体为：首先给定每一个首先玻尔兹曼机的训练迭代次数J和学习率α，初始化可视层的偏置向量a∈R...

【专利技术属性】
技术研发人员：郑晶，陆继任，彭苏萍，
申请(专利权)人：中国矿业大学北京，
类型：发明
国别省市：北京;11