一种结合U-net网络和DenseNet网络的微地震有效信号检测方法技术

本发明专利技术提供了一种结合U‑net网络和DenseNet网络的微地震有效信号检测方法，包括：(1)生成原始数据集；(2)标定数据集；(3)构建MSNet网络；(4)调整网络参数；(5)信号学习后标定初至点。本发明专利技术还提供了一种结合U‑net网络和DenseNet网络的微地震有效信号检测系统，包括：原始数据集生成模块，数据集标定模块，MSNet网络构建模块，网络参数调整模块，学习后初至点标定模块。本发明专利技术基于U‑net网络对CNN网络在信号特征的学习和提取，结合所述DenseNet网络，达到进一步优化信号特征的学习和提取的目的。本发明专利技术在微地震监测中具有更深层次特征提取、更精细的信号分割的特点，可以广泛应用于地下状态监测领域。

An effective signal detection method for microseismics based on U-net network and DenseNet network

【技术实现步骤摘要】
一种结合U-net网络和DenseNet网络的微地震有效信号检测方法
本专利技术涉及地下状态监测的地球物理技术，特别是涉及一种微地震监测技术。技术背景微地震资料有效信号能量较弱，信噪比较低，有效检测出信号较为困难，传统的信号检测技术包括通过快速傅里叶变换对信号进行频谱分析，小波，曲波以及剪切波变换进行时频转换等手段以达到去除噪音保留有效信号的目的。但是传统的方法若直接应用于微地震资料往往无法获取满意的效果，而这将直接影响微地震监测的质量和精度。基于深度学习所做的信号监测技术近年来逐渐受到了人们的广泛关注，主要原因在于其具有参数多、容量大的特点，使得其网络对于海量数据拥有强大的处理能力。CNN网络具有的强学习能力的特征使其被广泛地应用于信号特征的学习和提取上，但由于传统的CNN网络进行特征提取时会导致部分重要特征丢失，U-net网络——一种基于FCN网络架构的新型神经网络，可以较为有效地恢复CNN在学习特征时丢失的一些重要细节特征，以至于不会丢失信号的时间和空间特征，但由于其网络层数较少，不能够提取出较为深层次的特征。
技术实现思路
本专利技术提供了一种结合U-net网络和DenseN本文档来自技高网...

【技术保护点】
1.一种结合U‑net网络和DenseNet网络的微地震有效信号检测方法，其特征在于，包括：步骤1，利用有限差分正演生成不同地层模型下的模拟信号，与利用检波器实际采集到的实际地层资料共同构成原始数据集；步骤2，用算法对所述原始数据集进行初至拾取，选区初至和非初至处的信号波形并分别进行标定；步骤3，在原有的U‑net网络中添加两个Denseblock；步骤4，将标定后的信号数据集输入MSNet网络中进行学习，对学习后输出的信号作Softmax函数计算，将计算结果与标定后的数据集作交叉熵计算损失函数，最小化损失函数以调整网络参数；步骤5，Softmax计算后的输出信号通过网络参数调整，所得概率峰值...

【技术特征摘要】
1.一种结合U-net网络和DenseNet网络的微地震有效信号检测方法，其特征在于，包括：步骤1，利用有限差分正演生成不同地层模型下的模拟信号，与利用检波器实际采集到的实际地层资料共同构成原始数据集；步骤2，用算法对所述原始数据集进行初至拾取，选区初至和非初至处的信号波形并分别进行标定；步骤3，在原有的U-net网络中添加两个Denseblock；步骤4，将标定后的信号数据集输入MSNet网络中进行学习，对学习后输出的信号作Softmax函数计算，将计算结果与标定后的数据集作交叉熵计算损失函数，最小化损失函数以调整网络参数；步骤5，Softmax计算后的输出信号通过网络参数调整，所得概率峰值点所在的位置，即为输入信号通过MSNet学习后标定的初至点。2.根据权利要求1所述的结合U-net网络和DenseNet网络的微地震有效信号检测方法，其特征在于，所述步骤2具体过程为：利用STA算法对信号进行初至拾取，选取拾取曲线峰值处对应的点作为初至点，制作one-hot标签，将初至位点置标为1。3.根据权利要求1所述的结合U-net网络和DenseNet网络的微地震有效信号检测方法，所述步骤4具体过程如下：步骤4.1：将信号数据集输入MSNet网络中进行学习，所述学习步骤具体为：1)通过U-net收缩路径：输入信号，信号数据集通过U-net网络的收缩路径，用于获取信号的上下文信息；2)通过Denseblock1：信号数据集通过U-net网络里添加的第一个Denseblock模块，再通过U-net网络本来所具备的上采样结构，实现原信号特征向量的恢复，最终输出与输入信号向量一模一样的向量，实现端对端识别；3)通过卷积：信号数据集通过卷积层，卷积核在信号上滑过，得到各个通道的特征图，即学习信号的特征；4)通过池化：信号数据集通过池化层，对信号进行下采样，减少特征的维度，以减少网络参数；5)通过Denseblock2：信号数据集通过U-net网络里添加的第二个Denseblock模块，与所述通过Denseblock1方法相同；6)通过卷积：信号数据集通过卷积层，卷积核在信号上滑过，得到各个通道的特征图，即学习信号的特征；7)通过池化：信号数据集通过池化层，对信号进行下采样，减少特征的维度，以减少网络参数；8)通过U-net扩张路径的顺序进行：信号数据集通过U-net网络的扩张路径，对数据集中所需要分割出来的部分进行精准定位，输出信号；步骤4.2：对学习后输出的信号作Softmax函数计算，用Softmax函数计算输出概率，得到每一个点的二分类概率，0分类为非初至，1分类为初至，选取初至类别的概率峰值为初至点；步骤4.3：将Softmax计算后的输出信号作为函数的预测标签，将初至拾取制作的one-hot标签作为真实标签，预测标签和真实标签作交叉熵计算得到损失函数；步骤4.4：用Adam算法最小化损失函数以调整网络参数。4.根据权利要求3所述的结合U-net网络和DenseNet网络的微地震有效信号检测方法，所述步骤4.2和步骤4.3中，计算概率分布的Softmax函数公式表示为：其中，k＝1～6001表示采样点个数，qk(x)表示每个点为初至的概率。5.根据权利要求3所述的结合U-net网络和DenseNet网络的微地震有效信号检测方法，所述步骤4.3和步骤4.4中，调整网络参数损失函数的公式表示为：其中，H(p,q)表示损失函数，pi(x)表示真实标签，qi(x)表示预测标签，通过最小化损失函数取得最优网络参数，所...

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