一种基于深度学习的微震信号分类辨识方法技术

本发明专利技术公开了一种基于深度学习的微震信号分类辨识方法，属于信号分析及识别领域。本发明专利技术方法包括以下步骤：步骤1、建立微震信号与爆破信号的样本数据库；步骤2、提取样本信号的主频、峰后衰减系数和能量重心系数特征，构成样本特征数据训练集和测试集；步骤3、使用样本特征数据训练集训练深度神经网络分类辨识模型，利用测试集数据验证信号分类辨识模型的分类辨识效果，并通过交叉训练不断提升分类精度；步骤4、提取待辨识信号的特征向量，输入信号分类模型中，得到辨识结果。本发明专利技术方法具有算法简单、自适应性和实时性强、辨识准确率高的特点，能对煤矿微震信号和爆破信号进行有效的分类，具有很好的技术价值和应用前景。

A Classification and Identification Method of Microseismic Signals Based on Deep Learning

【技术实现步骤摘要】
一种基于深度学习的微震信号分类辨识方法
本专利技术属于信号分析及识别领域，具体涉及一种基于深度学习的微震信号分类辨识方法。
技术介绍
煤矿微震监测系统采集到的信号中除了大量有效的煤岩破裂微震信号，还包含了煤矿爆破作业产生的大量爆破震动信号，煤岩破裂微震信号波形与爆破震动信号波形又极为相似，需将煤岩破裂微震信号从海量监测数据中识别出来，采用人工识别方式，识别难度大，工作效率低。目前，国内外对煤矿微震信号和爆破信号的识别方法主要包括傅里叶变换、小波变换、小波包变换和经验模态分解(EmpiricalModeDecomposition,EMD)等。如传统的傅里叶变换主要用于分析周期性平稳信号，对包含有尖峰和突变的随机性、非平稳性微震信号分析效果欠佳；EMD方法存在边界效应及模态混叠现象，导致EMD分解信号具有不稳定性和不唯一性，EMD的这些缺陷使得在信号辨识时难免存在弊端。这些方法用于信号分析时均存在一定程度的解决了两类震动信号的辨识问题，但忽略了当前煤矿监测大数据环境和深度学习等新一代信息化技术在信号分类辨识技术中的应用，影响了信号分类辨识精度的进一步提高。
技术实现思路
本专利技术的目的在于本文档来自技高网...

【技术保护点】
1.一种基于深度学习的微震信号分类辨识方法，其特征在于，依次包括如下步骤：步骤1：分别选取M个煤岩破裂微震信号和N个爆破震动信号构成两类震动信号的样本数据集；步骤2：提取M个煤岩破裂微震信号和N个爆破震动信号的主频Fm、峰后衰减系数b、能量重心系数Cx构成样本特征数据训练集和测试集；步骤3：基于四层深度神经网络构建煤岩破裂微震信号与爆破震动信号的分类辨识模型，用训练集数据训练该信号分类模型，利用测试集数据验证信号分类模型的分类辨识效果，通过交叉训练不断提升分类精度；步骤4：提取待辨识信号的特征向量，输入所述的分类辨识模型中，得到辨识结果。

【技术特征摘要】
1.一种基于深度学习的微震信号分类辨识方法，其特征在于，依次包括如下步骤：步骤1：分别选取M个煤岩破裂微震信号和N个爆破震动信号构成两类震动信号的样本数据集；步骤2：提取M个煤岩破裂微震信号和N个爆破震动信号的主频Fm、峰后衰减系数b、能量重心系数Cx构成样本特征数据训练集和测试集；步骤3：基于四层深度神经网络构建煤岩破裂微震信号与爆破震动信号的分类辨识模型，用训练集数据训练该信号分类模型，利用测试集数据验证信号分类模型的分类辨识效果，通过交叉训练不断提升分类精度；步骤4：提取待辨识信号的特征向量，输入所述的分类辨识模型中，得到辨识结果。2.根据权利要求1所述的一种基于深度学习的微震信号分类辨识方法，其特征在于：步骤2中，提取所述的M个煤岩破裂微震信号和N个爆破震动信号的主频Fm的具体步骤为：假设煤岩破裂微震信号或爆破震动信号为x(t)，t＝1,2,…,T；步骤2.1.1：根据式(1)计算得到信号的频谱；式(1)中，X(ω)为信号x(t)的频谱，j2＝-1；步骤2.1.2：根据式(2)计算信号的主频：Fm＝max(X(ω))(2)。3.根据权利要求2所述的一种基于深度学习的微震信号分类辨识方法，其特征在于：步骤2中，提取所述的M个煤岩破裂微震信号和N个爆破震动信号的峰后衰减系数b的具体步骤为：假设煤岩破裂微震信号或爆破震动信号为x(t)，t＝1,2,…,T；采用长短时窗法(STA/LTA)自动拾取信号的终止时刻点，其中：CF(j)＝x(j)2-x(j-1)·x(j+1)(6)上述式(3)-式(6)中：i为第i个采样点，sn为短时窗长度，ln为长时窗长度，λ为STA/LTA的触发阀值，C...

【专利技术属性】
技术研发人员：张杏莉，赵震华，卢新明，贾瑞生，
申请(专利权)人：山东科技大学，
类型：发明
国别省市：山东,37