一种基于卷积自编码网络的微震信号降噪方法及系统技术方案

本发明专利技术公开了一种基于卷积自编码网络的微震信号降噪方法及系统，涉及微震信号降噪和预警领域。本发明专利技术包括以下步骤：S1：获得微震波形数据集，数据集分为训练集和测试集；S2：构建基于卷积自编码网络的微震信号降噪模型MSDCAN；S3：使用训练集对基于卷积自编码网络的微震信号降噪模型MSDCAN进行多次迭代训练；S4：将测试集输入到训练好的基于卷积自编码网络的微震信号降噪模型MSDCAN，得到微震信号降噪结果。本发明专利技术的模型用于微震信号降噪，使用的参数更少，测试时间更短，为微震信号降噪提供了很好的思路。供了很好的思路。供了很好的思路。

【技术实现步骤摘要】
一种基于卷积自编码网络的微震信号降噪方法及系统


[0001]本专利技术涉及微震信号降噪和预警领域，更具体的说是涉及一种基于卷积自编码网络的微震信号降噪方法及系统。

技术介绍

[0002]微震信号降噪是开展微震震相到时拾取、震源定位等一系列微震反演工作的重要基础，更在微震监测、微震预警等防灾减灾工作中发挥着重要的作用。但在实际中，微震监测现场情况复杂，各类人工活动、机械设备、电气干扰以及仪器噪声等都时刻影响着微震信号的质量，从而影响到震相到时拾取和震源定位的准确性，因此微震信号降噪研究方法得到国内外专家学者广泛地研究。
[0003]微震信号降噪的计算原理是将信号从时间域转换到频率域，根据人工设定频率阈值来消除特定频率的信号，再通过反变换将信号变回时间域，达到降噪的效果。目前，常用的微震降噪算法有小波变换(wavelet transform，WT)、短时傅里叶变换(short
‑
time Fourier transform，STFT)、经验模态分解(Empirical Mode Decomposition，EMD)等。这些降噪方法虽然可以去除特定频率的噪声，但是极其依赖于人工设定的阈值，阈值的设定导致微震信号特征提取不充分，信噪比低。再者，随着微震数据量的激增，对降噪方法的计算速度要求越来越高，但目前方法还无法适应海量数据的处理需求。
[0004]鉴于此，研究人员开始研究新的降噪方法来弥补传统降噪方法的不足。近年来，深度学习由于可以通过海量数据学习训练来提升网络的泛化性能，实现“一次训练，多次处理”，在信号处理领域中得到广泛应用其中，卷积神经网络在噪声压制领域的应用研究最为广泛。
[0005]卷积神经网络降噪相比于传统降噪方法在信噪比上有一定的提升，但是应用在微震信号降噪时无法充分有效地利用微震信号邻域信息，易造成波形失真问题，这是由于微震信号中同相轴信息和振幅的变化等邻域信息对信号中某一点数据具有影响，导致降噪效果不佳。研究发现深度学习中的空洞卷积善于充分利用微震邻域信息，可以在不增加参数量的情况下增大感受野。空洞卷积利也被广泛应用于图像分割和目标检测等任务中，实验结果表明，空洞卷积在充分利用周围信息方面表现优越，可以增强模型提取特征的能力。
[0006]但是，实际中微震信号中会含有具有周期性的工业干扰噪声，如野外机械或人为振动会出现的虚假振幅脉冲噪声，及时间域中没有任何规律的背景噪声等。空洞卷积虽然能扩大感受野，但不能对这些噪声的特征进行提取和强化，即对噪声的压制不具有针对性，导致降噪性能依然不理想。注意力机制由于擅长关注相关的信息且忽略不相关的信息，被广泛应用于去除各种复杂噪声。
[0007]因此，如何解决上述问题是本领域技术人员亟需研究的。

技术实现思路

[0008]有鉴于此，本专利技术提供了一种基于卷积自编码网络的微震信号降噪方法及系统，
针对微震信号含有不同噪声、信噪比低的问题，结合空洞卷积对微震信号邻域信息充分提取以及注意力机制能够对不同含噪信号进行特征权重分配的优势，以编解码卷积神经网络为框架，设计了一种多尺度空洞卷积自编码网络MSDCAN(Multi
‑
Scale Dilated Convolution Auto
‑
Encoding Attention Network)模型。利用空洞卷积可以扩大感受野的优势，对微震邻域信息进行提取；利用注意力机制在提取噪声显著特征的优势，针对性去除噪声，提高降噪后微震信号的信噪比。使用斯坦福大学地震事件数据集进行训练和测试，结果表明，本专利技术的MSDCAN模型可以保证信号质量的同时有效去除噪声。
[0009]为了实现上述目的，本专利技术采用如下技术方案：
[0010]一方面公开了一种基于卷积自编码网络的微震信号降噪方法，包括以下步骤：
[0011]S1：获得微震波形数据集，数据集分为训练集和测试集；
[0012]S2：构建基于卷积自编码网络的微震信号降噪模型MSDCAN；
[0013]S3：使用训练集对基于卷积自编码网络的微震信号降噪模型MSDCAN进行多次迭代训练；
[0014]S4：将测试集输入到训练好的基于卷积自编码网络的微震信号降噪模型MSDCAN，得到微震信号降噪结果。
[0015]可选的，数据集还包括验证集，使用验证集的数据对训练好的基于卷积自编码网络的微震信号降噪模型MSDCAN进行验证。
[0016]可选的，在S1中，对微震波形数据集进行预处理，具体为对微震波形数据集进行裁剪、平移、滤波和归一化处理。
[0017]可选的，在S2中，构建基于卷积自编码网络的微震信号降噪模型MSDCAN，将卷积自编码网络CAE与空洞卷积和注意力机制进行结合。
[0018]可选的，在S3中，将训练集输入到编码层的初始空洞卷积模块中进行微震信号初始特征学习，再将特征学习后的训练集输入到一个多尺度空洞卷积模块中，进行微震信号的复杂特征提取，再将编码层中每一个阶段提取的特征结果分别输入到注意力机制模块中，分别进行微震信号中显著特征的提取，并与解码层中转置卷积的输出叠加，最后通过四次上采样操作降低特征图维数并将特征图还原至原始信号大小。
[0019]可选的，在S4中，使用训练集对构建的基于卷积自编码网络的微震信号降噪模型MSDCAN进行训练，在模型训练中采用ADAM梯度优化算法进行优化。
[0020]可选的，基于卷积自编码网络的微震信号降噪模型MSDCAN包括编码层，中间层和解码层。
[0021]另外一方面公开了一种基于卷积自编码网络的微震信号降噪系统，包括：微震波形数据集获取模块，模型构建模块，迭代训练模块和降噪结果模块；
[0022]数据集获取模块：用于获得微震波形数据集，数据集分为训练集和测试集；
[0023]模型构建模块：用于构建基于卷积自编码网络的微震信号降噪模型MSDCAN；
[0024]迭代训练模块：用于使用训练集对基于卷积自编码网络的微震信号降噪模型MSDCAN进行多次迭代训练；
[0025]降噪结果模块：用于将测试集输入到训练好的基于卷积自编码网络的微震信号降噪模型MSDCAN，得到微震信号降噪结果。
[0026]经由上述的技术方案可知，与现有技术相比，本专利技术公开提供了一种基于卷积自
编码网络的微震信号降噪方法及系统，具有以下有益效果：
[0027]1、本专利技术的基于卷积自编码网络的微震信号降噪模型MSDCAN结合了卷积自编码网络CAE和空洞卷积，使网络在不增加参数的前提下，更好地提取微震信号邻域特征，对于微震信号的变化更为敏感。空洞卷积结构不仅利用了微震邻域信息，也利用了微震信号多尺度信息，保留了更多的微震信号数据的特征。
[0028]2、本专利技术的基于卷积自编码网络的微震信号降噪模型MSDCAN解决了空洞卷积无法针对性去除微震信号噪声的问题，使得网络提取微震信号显著特征，提高信噪比。本专利技术的模型用于微震信号降噪，使用的参数更少，测本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于卷积自编码网络的微震信号降噪方法，其特征在于，包括以下步骤：S1：获得微震波形数据集，数据集分为训练集和测试集；S2：构建基于卷积自编码网络的微震信号降噪模型MSDCAN；S3：使用训练集对基于卷积自编码网络的微震信号降噪模型MSDCAN进行多次迭代训练；S4：将测试集输入到训练好的基于卷积自编码网络的微震信号降噪模型MSDCAN，得到微震信号降噪结果。2.根据权利要求1所述的一种基于卷积自编码网络的微震信号降噪方法，其特征在于，数据集还包括验证集，使用验证集的数据对训练好的基于卷积自编码网络的微震信号降噪模型MSDCAN进行验证。3.根据权利要求1所述的一种基于卷积自编码网络的微震信号降噪方法，其特征在于，在S1中，对微震波形数据集进行预处理，具体为对微震波形数据集进行裁剪、平移、滤波和归一化处理。4.根据权利要求1所述的一种基于卷积自编码网络的微震信号降噪方法，其特征在于，在S2中，构建基于卷积自编码网络的微震信号降噪模型MSDCAN，将卷积自编码网络CAE与空洞卷积和注意力机制进行结合。5.根据权利要求1所述的一种基于卷积自编码网络的微震信号降噪方法，其特征在于，在S3中，将训练集输入到编码层的初始空洞卷积模块中进行微震信号初始特征学习，再将特征学习后的训练集输入到...

【专利技术属性】
技术研发人员：蔡建羡，段志君，施艳，孟娟，段丽，王佳慧，陈宁，
申请(专利权)人：防灾科技学院，
类型：发明
国别省市：