基于短时傅里叶变换与深度学习的微震信号二分类方法技术

本发明专利技术提供基于短时傅里叶变换与深度学习的微震信号二分类方法，步骤一.采集足够多的信号，信号包括微震信号和噪音信号，并以此建立数据库。步骤二.采用短时傅里叶变换对信号进行时频转换，得到时频域信号矩阵，随机划分80％信号样本作为训练集，剩余20％作为验证集。步骤三.搭建VGG卷积神经网络，通过每次训练减小损失值函数，并更新神经网络权重参数，得到训练后损失值足够小的网络权重参数。步骤四.选择需要进行识别分类的信号，在经过短时傅里叶转换后，作为卷积神经网络的输入，由训练好的神经网络模型进行计算处理，最终给出识别结果。本发明专利技术操作简单快速，可以取代人工识别，实现隧道与地下工程岩爆灾害实时监测工作的智能及自动化。的智能及自动化。的智能及自动化。

【技术实现步骤摘要】
基于短时傅里叶变换与深度学习的微震信号二分类方法


[0001]本专利技术属于信号处理领域，尤其涉及基于短时傅里叶变换与深度学习的微震信号二分类方法。

技术介绍

[0002]岩体在外界扰动的影响下，内部会产生微裂缝并以弹性波的形式释放应变能，微裂隙不断发育伴随着弹性波在岩体内迅速传播与释放，这种弹性波被称之为微震。微震监测技术就是基于弹性波的解释来分析岩体内部微裂纹扩展以及岩体稳定性的监测方法。微震信号识别是开展后续解译工作的基础，受监测环境的影响，传感器接收到的信号往往是鱼龙混杂，有效识别捕获微震信号成为了国际性难题。
[0003]现有技术一的技术方案
[0004]1.多参数联合分析法：指通过分析事件的地震力矩对数、事件的能量对数、传感器触发数量、首次峰值对数、最大峰值到时对数、信号主频等多项参数，联合判别事件性质(微震事件或噪音事件)。
[0005]2.实现方案：步骤一：建立微震信号和噪音信号数据库。通过经验丰富的信号分类人员进行数据收集，将微震信号与噪音信号分别存放，建立的数据库中信号种类及数量应尽量完备充足。步骤二本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.基于短时傅里叶变换与深度学习的微震信号二分类方法，其特征在于，包括如下步骤：步骤一.采集足够多的信号，信号包括微震信号和噪音信号，并以此建立数据库；步骤二.采用短时傅里叶变换对信号进行时频转换，得到时频域信号矩阵，随机划分80％信号样本作为训练集，剩余20％作为验证集；步骤三.搭建VGG卷积神经网络，通过每次训练减小损失值函数，并更新神经网络权重参数，得到训练后损失值足够小的网络权重参数；步骤四.选择需要进行识别分类的信号，在经过短时傅里叶转换后，作为卷积神经网络的输入，由训练好的神经网络模型进行计算处理，最终给出识别结果，该信号为微震信号或噪音信号。2.如权利要求1所述的基于短时傅里叶变换与深度学习的微震信号二分类方法，其特征在于，步骤二中对信号进行时频转换采用Python中signal信号处理工具，具体操作如下：首先调用pandas.read()函数读入步骤一中收集的信号CSV文件，调用signal.stft()函数对信号数据进行时频转换，再调用Numpy.ones()和Numpy.zeros()函数为噪音和微震信号分别生成1和0作为标签的对应数量的标签数组，并调用Numpy.concatenate()函数将标签数组合并，调用Numpy.randon.permutation()函数将数据和标签随机排列，至此生成好了数据与标签一一对应的数据集。3.如权利要求1所述的基于短时傅里叶变换与深度学习的微震信号二分类方法，其特征在于，步骤三中，卷积神经网络每层线性运算结果其中w
k[l]
表示第l层的第k个卷积核，d
l
为第l层的卷积核数量，b
[l]
为第l层的对应层偏差；a
[l
‑
1]
表示上一层，即第l
‑
1层的输出数据；应用激活函数g对线性运算结果进行激活，得到下一层的输入层a
[l]
，第l层输出特征a
[l]
表示为a
[l]
＝g(z
l
)。4.如权利要求1所述的基于短时傅里叶变换与深度学习的微震信号二分类方法，其特征在于，所述步骤三中，逻辑回归使用的损失函数方程为：损失函数：对应y
j
为第j个真实值标签，表示第j个原始的实际预测输出值；对应的代价函数方程为：代价函数其中y
j
为第j个真实值标签，表示第j个原始的实际预测...

【专利技术属性】
技术研发人员：马春驰，冉雪锋，张航，李天斌，郑明明，张岩，许韦豪，徐洪伟，
申请(专利权)人：成都理工大学，
类型：发明
国别省市：