【技术实现步骤摘要】
本专利技术属于地震检测，具体涉及一种基于深度残差收缩网络的低信噪比地震检测模型。
技术介绍
1、地震事件检测是指从连续地震记录数据中识别出地震事件，它是地震观测学中的核心问题。大震后的余震监测与快速定位、地球内部速度结构的层析成像、地震目录的编制等工作都是以地震事件检测为基础。随着地震台网及流动台阵规模的不断扩大和密度的成倍增长，地震观测数据呈爆炸式增长。靠人机交互方式从海量地震记录中检测出地震事件已无法满足大数据时代地震数据智能处理的要求。因此，如何准确地从地震记录中自动检测出地震事件已成为目前地震数据处理和应用亟需解决的问题。
2、在现有技术中，基于深度学习方法在地震事件检测中取得了一定的效果，但它们对地震数据的质量要求较高。对于高信噪的地震记录，一般能得到较好的检测结果，但对于低信噪比的地震记录(如微震事件，其能量极弱，甚至可能是噪音量级的)，其检测结果的可靠性就可能存在一定问题。由于地震观测环境的复杂多变，这使得采集的地震记录中夹杂着各种噪声，这些噪声的存在会严重影响地震事件检测的准确率。
3、因此，在进行检测前，通常会对地震记录进行去噪处理。常用的地震信号去噪方法有经验模态分解、小波阈值去噪等。这些方法的主要原理是将原始信号变换到不重要的近零域，然后应用阈值函数将接近零的特征转换为零，达到去噪目的。通常这些方法的去噪阈值是固定不变的。然而，研究发现不同台站或检波器采集地震记录的噪声千差万别，这导致此类方法的去噪效果不佳。特别是对于低信噪比的地震记录，去噪效果就更差。例如，对于水力压裂产生的微震信
4、阈值函数的设计是信号去噪的关键环节。为了改善去噪效果，软阈值函数被引入到许多地震信号去噪方法中。然而，设置合适的软阈值函数一直是非常具有挑战性的工作，需要大量地震信号处理方面的专业知识。加之，不同台站或检波器采集地震记录的噪声存在较大差异，且噪声强度不同，导致不同信号的最优阈值函数可能不同，这使得软阈值函数的设计更加困难。
技术实现思路
1、本专利技术的目的在于提供一种基于深度残差收缩网络的低信噪比地震检测模型。在设计软阈值函数的基础上，引入注意力机制，构建了深度残差收缩网络，用于低信噪比地震记录中地震事件的检测，有效提高了地震事件检测的准确率。为了实现上述目的，本专利技术采用的技术方案具体为：
2、一种基于深度残差收缩网络的低信噪比地震检测模型，包括以下步骤：
3、a.构建深层残差收缩网络,将一定数量的基于自适应斜率模块的残差收缩单元(rsbu-asb)、输入层、卷积层、批量归一化(bn)、relu激活函数、全局平均池(gap)和交叉熵误差函数堆叠在一起，构建完整的深层残差收缩网络；
4、a1.将软阈值函数作为非线性变换层插入到深层残差收缩网络结构中，用于滤除噪声相关特征的影响；
5、a2.在网络中引入注意力机制，并加入自适应斜率模块，自动获取地震信号去噪的最优阈值，实现不同信号、不同程度噪声的最佳处理；
6、b.建立地震检测模型，准确获取地震事件的检测效果。
7、进一步地，所述a步骤中，通过输入层输入大小为c×w×1的地震信号，其中c为通道数量，w为宽度，1为地震信号高度(由于输入的是三分量的地震波形信号，高度恒为1)；然后采用卷积层提取信号每个通道的特征，为了防止过拟合和增加模型的非线性表达能力，在卷积操作之前加入bn和relu激活函数。
8、进一步地，所述a步骤中，所述卷积层通过提取输入对象的特征，将上一层输出特征映射与卷积核按照一定规则相乘，
9、
10、其中为输出特征映射中第l层的第j个特征，为输入特征映射中l-1层的第i个特征，为l层的第j个特征和l-1层的第i个特征之间的卷积核大小，为对应的偏置，*表示卷积运算，mj表示用于计算第j个特征。
11、进一步地，所述a步骤中，在通过卷积层提取到输入对象的特征后，再通过批量归一化处理对提取到的数据进行归一化处理，提高卷积神经网络的收敛速度和泛化能力，并引入拉伸参数γ与偏移参数β，以恢复网络层学习的特征分布；
12、其中
13、
14、式中，m为样本的批量数量，xi和yi分别为样本中第i个输入特征和输出特征。
15、进一步地，在进行卷积操作后，利用软阈值模块对软阈值函数的阈值进行估计，添加自适应斜率模块(asb)，构成基于自适应斜率模块的残差收缩单元(rsbu-asb)，利用注意力机制自动推断出信号最合适的斜率，进一步修正阈值。
16、进一步地，在利用软阈值模块对阈值估计时，先对特征映射的绝对值使用gap得到一维向量，再将一维向量传递到两层fc中，得到尺度参数αc，最后利用sigmoid函数将尺度参数缩放到(0,1)之间，尺度参数计算公式为：
17、
18、其中，zc为第c层神经元的特征，τc为将尺度参数与一维特征向量的绝对值相乘所得到阈值，即
19、
20、其中,i,j,c分别为特征映射x的宽度、高度和通道。
21、进一步地，在自适应斜率模块中，利用注意力机制自动推断出信号最合适的斜率，其输出为
22、
23、其中，β为自适应斜率因子，qc为第c层神经元的特征；
24、最后，根据自适应斜率因子β对软阈值模块的输出进行修正，得到最佳的软阈值，即：
25、
26、根据所得到最佳的软阈值，将绝对值小于阈值的特征删除，而绝对值大于阈值的特征向0靠近，以达到收缩的目的。
27、进一步地，所述步骤b中，所建立的地震检测模型包括训练集、验证集和测试集，将样本随机按比例8:1:1分配到所建立的训练集、验证集和测试集中，分别用于模型的训练、模型超参数的调整以及模型地震事件检测效果的测试。
28、进一步地，在训练集中，设置多次迭代训练，经过反复训练调优试验，使训练结果的误差最小，模型收敛，得到最优模型。
29、进一步地，在模型经过训练集训练完成后，对测试集中的样本对所建立的地震检测模型进行验证。
30、与现有技术相比，本专利技术的优点在于：本专利技术通过构建深层残差收缩网络建立地震检测模型，在此模型中，软阈值函数作为非线性变换层插入到深度网络结构中，以便有效过滤噪声相关特征的影响。同时，在网络中引入注意力机制，并加入asb，自动获取地震信号去噪的最优阈值，实现不同信号、不同程度噪声的最佳处理，进而达到强背景噪声下地震事件准确检测的目的。
本文档来自技高网...【技术保护点】
1.一种基于深度残差收缩网络的低信噪比地震检测模型，其特征在于：包括以下步骤：
2.根据权利要求1所述的基于深度残差收缩网络的低信噪比地震检测模型，其特征在于：所述A步骤中，通过输入层输入大小为C×W×1的地震信号，其中C为通道数量，W为宽度，1为地震信号高度(由于输入的是三分量的地震波形信号，高度恒为1)；然后采用卷积层提取信号每个通道的特征，为了防止过拟合和增加模型的非线性表达能力，在卷积操作之前加入BN和ReLU激活函数。
3.根据权利要求1所述的基于深度残差收缩网络的低信噪比地震检测模型，其特征在于：所述A步骤中，所述卷积层通过提取输入对象的特征，将上一层输出特征映射与卷积核按照一定规则相乘，
4.根据权利要求3所述的基于深度残差收缩网络的低信噪比地震检测模型，其特征在于：所述A步骤中，在通过卷积层提取到输入对象的特征后，再通过批量归一化处理对提取到的数据进行归一化处理，提高卷积神经网络的收敛速度和泛化能力，并引入拉伸参数γ与偏移参数β，以恢复网络层学习的特征分布；其中
5.根据权利要求4所述的基于深度残差收缩网络的低信噪比
6.根据权利要求5所述的基于深度残差收缩网络的低信噪比地震检测模型，其特征在于：在利用软阈值模块对阈值估计时，先对特征映射的绝对值使用GAP得到一维向量，再将一维向量传递到两层FC中，得到尺度参数αc，最后利用Sigmoid函数将尺度参数缩放到(0,1)之间，尺度参数计算公式为：
7.根据权利要求1所述的基于深度残差收缩网络的低信噪比地震检测模型，其特征在于：在自适应斜率模块中，利用注意力机制自动推断出信号最合适的斜率，其输出为
8.根据权利要求1所述的基于深度残差收缩网络的低信噪比地震检测模型，其特征在于：所述步骤B中，所建立的地震检测模型包括训练集、验证集和测试集，将样本随机按比例8:1:1分配到所建立的训练集、验证集和测试集中，分别用于模型的训练、模型超参数的调整以及模型地震事件检测效果的测试。
9.根据权利要求8所述的基于深度残差收缩网络的低信噪比地震检测模型，其特征在于：在训练集中，设置多次迭代训练，经过反复训练调优试验，使训练结果的误差最小，模型收敛，得到最优模型；在模型经过训练集训练完成后，对测试集中的样本对所建立的地震检测模型进行验证。
...【技术特征摘要】
1.一种基于深度残差收缩网络的低信噪比地震检测模型，其特征在于：包括以下步骤：
2.根据权利要求1所述的基于深度残差收缩网络的低信噪比地震检测模型，其特征在于：所述a步骤中，通过输入层输入大小为c×w×1的地震信号，其中c为通道数量，w为宽度，1为地震信号高度(由于输入的是三分量的地震波形信号，高度恒为1)；然后采用卷积层提取信号每个通道的特征，为了防止过拟合和增加模型的非线性表达能力，在卷积操作之前加入bn和relu激活函数。
3.根据权利要求1所述的基于深度残差收缩网络的低信噪比地震检测模型，其特征在于：所述a步骤中，所述卷积层通过提取输入对象的特征，将上一层输出特征映射与卷积核按照一定规则相乘，
4.根据权利要求3所述的基于深度残差收缩网络的低信噪比地震检测模型，其特征在于：所述a步骤中，在通过卷积层提取到输入对象的特征后，再通过批量归一化处理对提取到的数据进行归一化处理，提高卷积神经网络的收敛速度和泛化能力，并引入拉伸参数γ与偏移参数β，以恢复网络层学习的特征分布；其中
5.根据权利要求4所述的基于深度残差收缩网络的低信噪比地震检测模型，其特征在于：在进行卷积操作后，利用软阈值模块对软阈值函数的阈值进行估计，添加自适应斜率模块(asb)，构成基于自适...
【专利技术属性】
技术研发人员：徐彬，曹欢，王琮煜，王绍，赵潇翔，冯俊，王权锋，张艳芳，
申请(专利权)人：成都理工大学，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。