一种基于卷积神经网络的自动识别微地震信号算法制造技术

本发明专利技术公开了一种基于卷积神经网络的自动识别微地震信号的算法，该算法包括如下步骤：（S1）对微地震信号数据集进行收集和预处理；（S2）采用滤波去噪和数据截取对数据集进行增强；（S3）搭建一个深度为10层的卷积神经网络模型；（S4）结合交叉验证完成对模型的训练。本发明专利技术提供的微震信号识别方法，在训练数据集规模有限的情况下，通过数据增强以及交叉验证的方法，完成了一个卷积神经网络模型来实现微震信号的识别，该模型无需人工设计神经网络的输入，减少了人工调参的工作，避免了因特征值选取不当对信号识别准确率的影响，能够有效地提升微震信号识别的效率和准确率，较好的满足了微震事件识别的实时性要求。微震事件识别的实时性要求。微震事件识别的实时性要求。

【技术实现步骤摘要】
一种基于卷积神经网络的自动识别微地震信号算法


[0001]本专利技术属于微地震监测
，具体地讲，是涉及一种基于卷积神经网络的自动识别微地震信号的算法。

技术介绍

[0002]微震监测技术作为一种实时、三维的监测手段，可以利用微地震传感器捕捉岩石裂缝释放的信号。通过对采集到的微震信号进行分析，可以获得重要的震源参数，如发生时间、震源位置、对应微震事件的强度和震源机制等，可以对即将发生的危险进行预警，如岩爆等。由于工程处于复杂的地质环境中，经常受到地震和爆破等多种因素的干扰，接收到的微震信号经常受到其它信号的干扰，尤其是爆破信号和噪声信号；若将爆破信号错误识别为微震信号，对爆破信号进行了位置和应力分析，将会对潜在危险区域得出错误的结论，导致震源反演出错。因此如何准确以及高效地完成微震信号、爆破信号和噪声信号的分类问题就显得尤为重要。
[0003]微震事件的准确分类在微震数据处理中具有重要意义，多年来一直受到人们的广泛关注。目前，较为细致的信号分类仍主要由人工完成。这样的人工判别过程耗时且严重依赖于分析员的经验，并且可能会有分类延迟和漏检的问题。因此，研究人员开发了不同的自动分类方法。微震波形的自动识别方法主要基于以下3个方面：频谱特征、能量分布特征和参数化特征。基于频谱特征的识别方法主要有快速傅里叶变换、小波变换等。此类分析方法需要操作人员具备足够的地震和信号处理专业知识，对操作人员要求较高；且微震信号和爆破信号的频率有时具有相同的频率范围，采用基于频谱特征的识别方法不易进行区分。基于能量分布特征的识别方法主要有长短时窗平均比法(STA/LTA)及其后续的改进方法；这类方法原理简单且较易实现，辨识效率高，不用先验数据集，其效果仅仅受到数据本身和算法参数的影响，但该方法需要确定多个参数，且受噪声影响较大，对低信噪比信号的辨识效果较差。基于参数化特征的识别方法主要有经验模态分解法(EMD)、支持向量机(SVM)以及人工神经网络等等；基于参数化特征的识别方法因算法原理的不同而导致其复杂程度差异较大，并且为了提高识别精度，弥补各自方法的缺点往往采用多种方法结合的综合分析法，致使算法复杂度增加，操作性较差，在自动化处理方面难度较大。深度学习作为机器学习的一个分支，在地震信号领域得到了广泛的应用，在微震信号识别方面，这类方法研究开展较少，多数经验都借鉴于地震信号的处理，Qu等人在训练数据集规模有限的情况下，采用合成数据的方法来增加数据量，并使用支持向量机（SVM）来完成波形分类，实验证明SVM的性能优于传统算法STA/LTA，但由于数据的有限性，无法确定SVM在大型数据集上的表现。Zhang等人使用猴子岩水电站记录的高信噪比波形，从原始波形中提取事件，然后使用极限学习机将其分为微震事件或爆破事件，通过与支持向量机、BP神经网络和遗传算法的比较，证明了该方法的优越性。Lin等人使用小波分解对每个单独的地震道进行去噪，然后使用深层CNN将产生的特征分类为“微震”、“爆破”或“噪声”，但作者所使用的CNN结构较为复杂，极易造成过拟合。
[0004]可见现有的识别方法还存在较大的局限，怎样在数据量有限的情况下建立一个能快速有效识别出微震信号的方法，摆脱特征值设定以及人工识别的限制，是目前行业亟待解决的问题。

技术实现思路

[0005]为了克服现有技术中的上述不足，本专利技术提供一种基于卷积神经网络的自动识别微地震信号的算法，该方法在训练数据集规模有限的情况下，通过数据增强以及交叉验证的方法，设计了一个浅度卷积网络来实现微震信号的识别，完成了在小型数据集上的模型训练，该模型能够有效地提升微震信号识别的效率和准确率。
[0006]为了实现上述目的，本专利技术采用的技术方案如下。
[0007]一种基于卷积神经网络的自动识别微地震信号的算法，包括如下步骤：（S1）对微地震信号数据集进行收集和预处理；（S2）采用滤波去噪和数据截取对数据集进行增强；（S3）搭建一个深度为10层的卷积神经网络模型；（S4）结合交叉验证完成对模型的训练。
[0008]进一步地，所述步骤（S1）中微地震信号数据集包括微地震波信号、掘进爆破信号、中深孔爆破信号和机械振动波形信号，其中，对微地震信号数据集进行的预处理操作包括：读取一维时间序列，将其转换为二维数字图像，并根据数据集中波形的有效信息确定用于训练的波形样本长度，并完成初步数据清洗操作。预处理后获得的数据是进行微地震信号算法网络的基础。
[0009]进一步地，所述步骤（S2）中所述数据去噪工作具体采用小波去噪，具体包括选择sym8作为小波基，选择3层作为分解尺度，选取通用阈值T对分解后的小波系数作阈值处理，T的公式如下：式中:为噪声的标准差，N为信号的长度。最后将近似系数(低频成分)与各层细节系数(高频成分)进行逆小波变换，实现信号的重构,完成小波去噪。
[0010]数据截取工作具体操作如下：用固定长度的窗口在波形数据上滑动，每滑动一次形成一个新的波形片段，完成截取操作之后再经过人工筛选，剔除无效波形，保证数据的有效性。
[0011]具体地，所述步骤（S3）中卷积神经网络包含输入层、2个卷积层、2个池化层、2个全连层，决策层和输出层；其中，输入层中的数据是经处理后的数据集，卷积层主要是对输入的数据进行特征提取，卷积公式如下：其中，其中为非线性激活函数(如ReLU函数)，是输入特征图集合,是第维卷积核的权值，层的第个输出特征图，是每一个卷积核的偏置。
[0012]所述池化层周期性的插入卷积网络的卷积层之间，用于对卷积计算以后的特征图
进一步减少参数以及保证特征不变性；所述全连层为一种多层感知器网络，用于将所有特征进行连接，完成对向量的降维操作后将结果传输至决策层；所述决策层采用Softmax，决策层输出波形类型，其中微震信号、掘进爆破信号、中深孔爆破信号以及机械噪声信号分别对应输出为0、1、2、3。
[0013]所述步骤（S4）中所述交叉验证是为了对模型提供最严格的评价，进行了10次分层交叉验证。具体操作如下：使用分层分割，将数据按类别比例分成10组，从10个原始集合中任意选择一个作为测试集，然后使用其余9组数据对模型进行训练，训练完成后使用选定的测试集对其进行评估；接着再挑选另一个测试集，直到10个原始集合都成为测试集，验证结束。交叉验证实现了在数据量有限的情况下，能够让更多的数据参与模型训练，使其能学习到更丰富的特征，模型也会有更好的表现。
[0014]与现有技术相比，本专利技术具有以下有益效果：本专利技术提供一种基于卷积神经网络的自动识别微地震信号的算法，该方法在训练数据集规模有限的情况下，通过数据增强以及交叉验证的方法，完成了一个卷积神经网络模型来实现微震信号的识别，该模型无需人工设计神经网络的输入，减少了人工调参的工作，避免了因特征值选取不当对信号识别准确率的影响，能够有效地提升微震信号识别的效率和准确率，较好的满足了微震事件识别的实时性要求。
附图说明
[0015]图1为本专利技术实施例提供的一种基于卷积神经网络的自动识别微地震信号本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于卷积神经网络的自动识别微地震信号的算法，其特征在于，包括如下步骤：（S1）对微地震信号数据集进行收集和预处理；（S2）采用滤波去噪和数据截取对数据集进行增强；（S3）搭建一个深度为10层的卷积神经网络模型；（S4）结合交叉验证完成对模型的训练。2.根据权利要求1所述的一种基于卷积神经网络的自动识别微地震信号的算法，其特征在于，所述步骤（S1）中微地震信号数据集包括微地震波信号、掘进爆破信号、中深孔爆破信号和机械振动波形信号，其中，对微地震信号数据集进行的预处理操作包括：读取一维时间序列，将其转换为二维数字图像，并根据数据集中波形的有效信息确定用于训练的波形样本长度，并完成初步数据清洗操作；预处理后获得的数据是进行微地震信号算法网络的基础。3.根据权利要求1所述的一种基于卷积神经网络的自动识别微地震信号的算法，其特征在于，所述步骤（S2）中所述数据去噪工作具体采用小波去噪，具体包括选择sym8作为小波基，选择3层作为分解尺度，选取通用阈值T对分解后的小波系数作阈值处理，T的公式如下：：公式中:为噪声的标准差，N为信号的长度；最后将近似系数(低频成分)与各层细节系数(高频成分)进行逆小波变换，实现信号的重构,完成小波去噪；数据截取工作具体操作如下：用固定长度的窗口在波形数据上滑动，每滑动一次形成一个新的波形片段，完成截取操作之后再经过人工筛选，剔除无效波形，保证数据的有效性。4.根据权利要求1所述的一种基于卷积神经网络...

【专利技术属性】
技术研发人员：张全敏，庹先国，沈统，
申请(专利权)人：西南科技大学，
类型：发明
国别省市：