一种有效信号检测方法及系统技术方案

本发明专利技术公开了一种有效信号检测方法及系统，用于信号检测领域。本发明专利技术提供的方法包括：通过对大样本指数衰减信号随机加噪处理生成预训练训练集，并根据实际采集的微地震信号生成训练集；调整卷积神经网络Faster RCNN，设置多种大小的卷积核；利用所述预训练训练集对所述卷积神经网络Faster RCNN进行预训练后，再通过所述训练集对初步训练后的所述卷积神经网络Faster RCNN进行训练，得到信号检测模型；通过所述信号检测模型检测并标定待检测信号中的有效信号。本发明专利技术可以快速准确的检测强背景噪音下的有效信号，保证信号检测的实时性和准确率。

【技术实现步骤摘要】
一种有效信号检测方法及系统
本专利技术涉及信号检测领域，尤其涉及一种有效信号检测方法及系统。
技术介绍
实际微地震信号检测过程中，采集的微地震信号常常会受到各种噪音的影响。噪音会与有效信号叠加导致信号波形发生变化，进而干扰判定。常规的有效信号检测只适用于弱噪音或单一类型噪音背景下的信号检测，针对强噪音背景下的有效信号检测常常不准确。目前，针对强噪音背景的信号检测，常采用的手段有自适应滤波、子波变换、高阶谱分析及时频分析等，这些方式可以提升信号检测的准确性，但由于计算过程过于复杂，检测过程比较耗费时间，难以保证有效信号检测的实时性。
技术实现思路
本专利技术实施例提供了一种有效信号检测方法及系统，用于快速准确的检测强背景噪音下有效信号的检测识别。在本专利技术实施例的第一方面，提供了一种有效信号检测方法，包括：通过对大样本指数衰减信号随机加噪处理生成预训练训练集，并根据实际采集的微地震信号生成训练集；调整卷积神经网络FasterRCNN，设置多种大小的卷积核；利用所述预训练训练集对所述卷积神经网络FasterRCNN进行预训练后，再通过所述训练集对初步训练后的所述卷积神经网络FasterRCNN进行训练，得到信号检测模型；通过所述信号检测模型检测并标定待检测信号中的有效信号。在本专利技术实施例的第二方面，提供了一种有效信号检测系统，包括：生成模型：用于通过对大样本指数衰减信号随机加噪处理生成预训练训练集，并根据实际采集的微地震信号生成训练集；调整模型：用于调整卷积神经网络FasterRCNN，设置多种大小的卷积核；训练模块：用于利用所述预训练训练集对所述卷积神经网络FasterRCNN进行预训练后，再通过所述训练集对初步训练后的所述卷积神经网络FasterRCNN进行训练，得到信号检测模型；检测模块：用于通过所述信号检测模型检测并标定待检测信号中的有效信号。从以上技术方案可以看出，本专利技术实施例具有以下优点：本专利技术实施例中，分别制作预训练训练集和训练集，在对神经网络模型调整后，分别通过预训练训练集和训练集对神经网络模型进行训练，得到检测模型。使得通过检测模型可以快速准确的检测标定待检测信号，保障对强背景噪音下的有效信号检测的实时性。同时，还可以对多种类的信号进行检测识别。附图说明为了更清楚地说明本专利技术实施例中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本专利技术的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。图1为本专利技术实施例一提供的有效信号检测方法的流程示意图；图2为本专利技术实施例二提供的有效信号检测系统的结构示意图；具体实施方式本专利技术实施例提供了一种有效信号检测方法及系统，用于实时检测强背景噪音下有效信号。为使得本专利技术的专利技术目的、特征、优点能够更加的明显和易懂，下面将结合本专利技术实施例中的附图，对本专利技术实施例中的技术方案进行清楚、完整地描述，显然，下面所描述的实施例仅仅是本专利技术一部分实施例，而非全部的实施例。基于本专利技术中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其它实施例，都属于本专利技术保护的范围。实施例一：请参阅图1，本专利技术实施例提供的有效信号检测方法的流程示意图，包括：S101、通过对大样本指数衰减信号随机加噪处理生成预训练训练集，并根据实际采集的微地震信号生成训练集；所述大样本指数衰减信号是指大量按一定规律变化的样本信号，且该信号呈衰减变化，所述加噪处理是指为衰减信号增加噪音信号。示例性的，利用MATLAB生成大样本衰减信号，初始频率为衰减信号可用sin(x)*e^(-x)表示，并增加SNR为-5至-10的随机噪音，对噪音进行随机剪裁和随机翻转等。所述预训练训练集集用于对神经网络进行预训练，由人为制作的信号生成的训练集。所述训练集为通过实际采集的微地震信号制作生成。在本专利技术实施例中，分别制作生成两个训练集，可以对神经网络进行二次训练。S102、调整卷积神经网络FasterRCNN，设置多种大小的卷积核；所述卷积神经网络FasterRCNN是一种深度前馈人工神经网络，通过对原始卷积神经网络模型调整并训练，可以对信号中的特征点进行标记。优选的，采用基于卷积神经网络VGG16的神经网络架构Faster-RCNN，基于信号特征对神经网络结构进行改进，所述Faster-RCNN可用于信号的检测与标定。VGG16-Net采用了16层的深度网络，一般的，所有的卷积层都使用多个较小的3*3的卷积核，卷积间隔为1，3*3的卷积层都有一个像素的填充，3*3的卷积核相对于大的卷积核使网络计算量更小，减少参数的同时增加了网络的拟合能力。在本专利技术实施例中，采用多种大小的卷积核，如采用大小为1*1,3*3,5*5的卷积核，多个卷积核使得网络可学习到更多的特征，而多种不同大小的卷积核能学习信号的多尺度特征及细微特征，使得有效信号检测更为准确。进一步的，使用多个丢弃率为0.5的dropout层防止模型过拟合，保留Relu激活函数，以克服梯度消失的问题，修改网络输出维度，调整得到了适合信号处理的卷积神经网络模型。可选的，调整还包括：设置卷积步长、填充和所述卷积神经网络的学习率。所述填充指的是在图像之间添加额外的零层，以使输出图像的大小与输入相同。S103、利用所述预训练训练集对所述卷积神经网络FasterRCNN进行预训练后，再通过所述训练集对初步训练后的所述卷积神经网络FasterRCNN进行训练，得到信号检测模型；通过所述预训练训练集对卷积神经网络FasterRCNN进行初步训练，再利用所述训练集进行进一步训练，这样可以减少实际采集样本量，利用模型间的相似性可以在二次训练时快速收敛，并提高有效信号识别检测的准确性。所述信号检测模型为经过二次训练后的卷积神经网络模型。训练后的卷积神经网络模型可以对实际采集信号进行识别检测。S104、通过所述信号检测模型检测并标定待检测信号中的有效信号。可选的，所述待检测信号被识别检测后，添加到新创建的训练集中，利用所述新创建的训练集对所述检测模型进一步训练。应理解，上述实施例中各步骤的序号的大小并不意味着执行顺序的先后，各过程的执行顺序应以其功能和内在逻辑确定，而不应对本专利技术实施例的实施过程构成任何限定。实施例二：上面主要描述了一种有效信号检测方法，下面将对一种有效信号检测系统进行详细描述。图2示出了本专利技术实施例提供的有效信号检测系统一个实施例结构图，所述系统包括：生成模型210：用于通过对大样本指数衰减信号随机加噪处理生成预训练训练集，并根据实际采集的微地震信号生成训练集；调整模型220：用于调整卷积神经网络FasterRCNN，设置多种大小的卷积核；可选的，所述调整卷积神经网络FasterRCNN，设置多种大小的卷积核还包括：设置卷积步长、填充和所述卷积神经网络的学习率。训练模块230：用于利用所述预训练训练集对所述卷积神经网络FasterRCNN进行预训练后，再通过所述训练集对初步训练后的所述卷积神经网络FasterRCNN进行训练，得到信号检测模型；检测模块240：用于通过所述信号检测模型检测并标定待检测信号中的有效信号。可选的，所述通过所述信号检测模型检测并标本文档来自技高网...

【技术保护点】
1.一种有效信号检测方法，其特征在于，包括：通过对大样本指数衰减信号随机加噪处理生成预训练训练集，并根据实际采集的微地震信号生成训练集；调整卷积神经网络Faster RCNN，设置多种大小的卷积核；利用所述预训练训练集对所述卷积神经网络Faster RCNN进行预训练后，再通过所述训练集对初步训练后的所述卷积神经网络Faster RCNN进行训练，得到信号检测模型；通过所述信号检测模型检测并标定待检测信号中的有效信号。

【技术特征摘要】
1.一种有效信号检测方法，其特征在于，包括：通过对大样本指数衰减信号随机加噪处理生成预训练训练集，并根据实际采集的微地震信号生成训练集；调整卷积神经网络FasterRCNN，设置多种大小的卷积核；利用所述预训练训练集对所述卷积神经网络FasterRCNN进行预训练后，再通过所述训练集对初步训练后的所述卷积神经网络FasterRCNN进行训练，得到信号检测模型；通过所述信号检测模型检测并标定待检测信号中的有效信号。2.根据权利要求1所述的方法，其特征在于，所述调整卷积神经网络FasterRCNN，设置多种大小的卷积核还包括：设置卷积步长、填充和所述卷积神经网络的学习率。3.根据权利要求1所述的方法，其特征在于，所述通过所述信号检测模型检测并标定待检测信号中的有效信号还包括：所述待检测信号被检测标定后，添加到新创建的训练集中，利用所述新创建的训练集对所述模型强化训练。4.一种有效信号检测系统，其...

【专利技术属性】
技术研发人员：盛冠群，郑祖兵，唐新功，熊杰，谢凯，裔飞，汤婧，
申请(专利权)人：长江大学，
类型：发明
国别省市：湖北,42