CN109597123A - 一种有效信号检测方法及系统 - Google Patents
一种有效信号检测方法及系统 Download PDFInfo
- Publication number
- CN109597123A CN109597123A CN201811256943.5A CN201811256943A CN109597123A CN 109597123 A CN109597123 A CN 109597123A CN 201811256943 A CN201811256943 A CN 201811256943A CN 109597123 A CN109597123 A CN 109597123A
- Authority
- CN
- China
- Prior art keywords
- training
- signal
- convolutional neural
- neural networks
- signal detection
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
- 238000001514 detection method Methods 0.000 title claims abstract description 59
- 238000012549 training Methods 0.000 claims abstract description 89
- 238000013527 convolutional neural network Methods 0.000 claims abstract description 32
- 238000000034 method Methods 0.000 claims abstract description 15
- 238000007689 inspection Methods 0.000 claims abstract description 12
- 238000012545 processing Methods 0.000 claims abstract description 6
- 230000008569 process Effects 0.000 description 7
- 230000006870 function Effects 0.000 description 5
- 238000013528 artificial neural network Methods 0.000 description 4
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 238000003062 neural network model Methods 0.000 description 3
- 230000008901 benefit Effects 0.000 description 2
- 230000008878 coupling Effects 0.000 description 2
- 230000001537 neural effect Effects 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 230000010485 coping Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 238000005192 partition Methods 0.000 description 1
- 238000011897 real-time detection Methods 0.000 description 1
- 238000004064 recycling Methods 0.000 description 1
- 238000000926 separation method Methods 0.000 description 1
- 238000010183 spectrum analysis Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01V—GEOPHYSICS; GRAVITATIONAL MEASUREMENTS; DETECTING MASSES OR OBJECTS; TAGS
- G01V1/00—Seismology; Seismic or acoustic prospecting or detecting
- G01V1/28—Processing seismic data, e.g. for interpretation or for event detection
- G01V1/288—Event detection in seismic signals, e.g. microseismics
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01V—GEOPHYSICS; GRAVITATIONAL MEASUREMENTS; DETECTING MASSES OR OBJECTS; TAGS
- G01V2210/00—Details of seismic processing or analysis
- G01V2210/10—Aspects of acoustic signal generation or detection
- G01V2210/14—Signal detection
Landscapes
- Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Environmental & Geological Engineering (AREA)
- Remote Sensing (AREA)
- Physics & Mathematics (AREA)
- Emergency Management (AREA)
- Business, Economics & Management (AREA)
- Acoustics & Sound (AREA)
- Geology (AREA)
- General Life Sciences & Earth Sciences (AREA)
- General Physics & Mathematics (AREA)
- Geophysics (AREA)
- Geophysics And Detection Of Objects (AREA)
- Filters That Use Time-Delay Elements (AREA)
Abstract
本发明公开了一种有效信号检测方法及系统，用于信号检测领域。本发明提供的方法包括：通过对大样本指数衰减信号随机加噪处理生成预训练训练集，并根据实际采集的微地震信号生成训练集；调整卷积神经网络Faster RCNN，设置多种大小的卷积核；利用所述预训练训练集对所述卷积神经网络Faster RCNN进行预训练后，再通过所述训练集对初步训练后的所述卷积神经网络Faster RCNN进行训练，得到信号检测模型；通过所述信号检测模型检测并标定待检测信号中的有效信号。本发明可以快速准确的检测强背景噪音下的有效信号，保证信号检测的实时性和准确率。
Description
技术领域
本发明涉及信号检测领域，尤其涉及一种有效信号检测方法及系统。
背景技术
实际微地震信号检测过程中，采集的微地震信号常常会受到各种噪音的影响。噪音会与有效信号叠加导致信号波形发生变化，进而干扰判定。常规的有效信号检测只适用于弱噪音或单一类型噪音背景下的信号检测，针对强噪音背景下的有效信号检测常常不准确。
目前，针对强噪音背景的信号检测，常采用的手段有自适应滤波、子波变换、高阶谱分析及时频分析等，这些方式可以提升信号检测的准确性，但由于计算过程过于复杂，检测过程比较耗费时间，难以保证有效信号检测的实时性。
发明内容
本发明实施例提供了一种有效信号检测方法及系统，用于快速准确的检测强背景噪音下有效信号的检测识别。
在本发明实施例的第一方面，提供了一种有效信号检测方法，包括：
通过对大样本指数衰减信号随机加噪处理生成预训练训练集，并根据实际采集的微地震信号生成训练集；
调整卷积神经网络Faster RCNN，设置多种大小的卷积核；
利用所述预训练训练集对所述卷积神经网络Faster RCNN进行预训练后，再通过所述训练集对初步训练后的所述卷积神经网络Faster RCNN进行训练，得到信号检测模型；
通过所述信号检测模型检测并标定待检测信号中的有效信号。
在本发明实施例的第二方面，提供了一种有效信号检测系统，包括：
生成模型：用于通过对大样本指数衰减信号随机加噪处理生成预训练训练集，并根据实际采集的微地震信号生成训练集；
调整模型：用于调整卷积神经网络Faster RCNN，设置多种大小的卷积核；
训练模块：用于利用所述预训练训练集对所述卷积神经网络Faster RCNN进行预训练后，再通过所述训练集对初步训练后的所述卷积神经网络Faster RCNN进行训练，得到信号检测模型；
检测模块：用于通过所述信号检测模型检测并标定待检测信号中的有效信号。
从以上技术方案可以看出，本发明实施例具有以下优点：
本发明实施例中，分别制作预训练训练集和训练集，在对神经网络模型调整后，分别通过预训练训练集和训练集对神经网络模型进行训练，得到检测模型。使得通过检测模型可以快速准确的检测标定待检测信号，保障对强背景噪音下的有效信号检测的实时性。同时，还可以对多种类的信号进行检测识别。
附图说明
为了更清楚地说明本发明实施例中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
图1为本发明实施例一提供的有效信号检测方法的流程示意图；
图2为本发明实施例二提供的有效信号检测系统的结构示意图；
具体实施方式
本发明实施例提供了一种有效信号检测方法及系统，用于实时检测强背景噪音下有效信号。
为使得本发明的发明目的、特征、优点能够更加的明显和易懂，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，下面所描述的实施例仅仅是本发明一部分实施例，而非全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其它实施例，都属于本发明保护的范围。
实施例一：
请参阅图1，本发明实施例提供的有效信号检测方法的流程示意图，包括：
S101、通过对大样本指数衰减信号随机加噪处理生成预训练训练集，并根据实际采集的微地震信号生成训练集；
所述大样本指数衰减信号是指大量按一定规律变化的样本信号，且该信号呈衰减变化，所述加噪处理是指为衰减信号增加噪音信号。示例性的，利用MATLAB生成大样本衰减信号，初始频率为衰减信号可用sin(x)*e^(-x)表示，并增加SNR为-5至-10的随机噪音，对噪音进行随机剪裁和随机翻转等。
所述预训练训练集集用于对神经网络进行预训练，由人为制作的信号生成的训练集。所述训练集为通过实际采集的微地震信号制作生成。
在本发明实施例中，分别制作生成两个训练集，可以对神经网络进行二次训练。
S102、调整卷积神经网络Faster RCNN，设置多种大小的卷积核；
所述卷积神经网络Faster RCNN是一种深度前馈人工神经网络，通过对原始卷积神经网络模型调整并训练，可以对信号中的特征点进行标记。优选的，采用基于卷积神经网络VGG16的神经网络架构Faster-RCNN，基于信号特征对神经网络结构进行改进，所述Faster-RCNN可用于信号的检测与标定。VGG16-Net采用了16层的深度网络，一般的，所有的卷积层都使用多个较小的3*3的卷积核，卷积间隔为1，3*3的卷积层都有一个像素的填充，3*3的卷积核相对于大的卷积核使网络计算量更小，减少参数的同时增加了网络的拟合能力。
在本发明实施例中，采用多种大小的卷积核，如采用大小为1*1,3*3,5*5的卷积核，多个卷积核使得网络可学习到更多的特征，而多种不同大小的卷积核能学习信号的多尺度特征及细微特征，使得有效信号检测更为准确。
进一步的，使用多个丢弃率为0.5的dropout层防止模型过拟合，保留Relu激活函数，以克服梯度消失的问题，修改网络输出维度，调整得到了适合信号处理的卷积神经网络模型。
可选的，调整还包括：设置卷积步长、填充和所述卷积神经网络的学习率。所述填充指的是在图像之间添加额外的零层，以使输出图像的大小与输入相同。
S103、利用所述预训练训练集对所述卷积神经网络Faster RCNN进行预训练后，再通过所述训练集对初步训练后的所述卷积神经网络Faster RCNN进行训练，得到信号检测模型；
通过所述预训练训练集对卷积神经网络Faster RCNN进行初步训练，再利用所述训练集进行进一步训练，这样可以减少实际采集样本量，利用模型间的相似性可以在二次训练时快速收敛，并提高有效信号识别检测的准确性。
所述信号检测模型为经过二次训练后的卷积神经网络模型。训练后的卷积神经网络模型可以对实际采集信号进行识别检测。
S104、通过所述信号检测模型检测并标定待检测信号中的有效信号。
可选的，所述待检测信号被识别检测后，添加到新创建的训练集中，利用所述新创建的训练集对所述检测模型进一步训练。
应理解，上述实施例中各步骤的序号的大小并不意味着执行顺序的先后，各过程的执行顺序应以其功能和内在逻辑确定，而不应对本发明实施例的实施过程构成任何限定。
实施例二：
上面主要描述了一种有效信号检测方法，下面将对一种有效信号检测系统进行详细描述。
图2示出了本发明实施例提供的有效信号检测系统一个实施例结构图，所述系统包括：
生成模型210：用于通过对大样本指数衰减信号随机加噪处理生成预训练训练集，并根据实际采集的微地震信号生成训练集；
调整模型220：用于调整卷积神经网络Faster RCNN，设置多种大小的卷积核；
可选的，所述调整卷积神经网络Faster RCNN，设置多种大小的卷积核还包括：
设置卷积步长、填充和所述卷积神经网络的学习率。
训练模块230：用于利用所述预训练训练集对所述卷积神经网络Faster RCNN进行预训练后，再通过所述训练集对初步训练后的所述卷积神经网络Faster RCNN进行训练，得到信号检测模型；
检测模块240：用于通过所述信号检测模型检测并标定待检测信号中的有效信号。
可选的，所述通过所述信号检测模型检测并标定待检测信号中的有效信号还包括：
所述待检测信号被检测标定后，添加到新创建的训练集中，利用所述新创建的训练集对所述模型强化训练
述有效信号检测系统可以实时准确的检测强背景噪音下的有效信号，保证信号检测的效率。
所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的系统，装置和单元的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
在上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述或记载的部分，可以参见其它实施例的相关描述。
本领域普通技术人员可以意识到，结合本文中所公开的实施例描述的各实施例的模块、单元和/或方法步骤，能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本发明的范围。
在本申请所提供的几个实施例中，应该理解到，所揭露的系统，装置和方法，可以通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如，所述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，装置或单元的间接耦合或通信连接，可以是电性，机械或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外，在本发明各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。
以上所述，以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。
Claims (6)
1.一种有效信号检测方法，其特征在于，包括：
通过对大样本指数衰减信号随机加噪处理生成预训练训练集，并根据实际采集的微地震信号生成训练集；
调整卷积神经网络Faster RCNN，设置多种大小的卷积核；
利用所述预训练训练集对所述卷积神经网络Faster RCNN进行预训练后，再通过所述训练集对初步训练后的所述卷积神经网络Faster RCNN进行训练，得到信号检测模型；
通过所述信号检测模型检测并标定待检测信号中的有效信号。
2.根据权利要求1所述的方法，其特征在于，所述调整卷积神经网络Faster RCNN，设置多种大小的卷积核还包括：
设置卷积步长、填充和所述卷积神经网络的学习率。
3.根据权利要求1所述的方法，其特征在于，所述通过所述信号检测模型检测并标定待检测信号中的有效信号还包括：
所述待检测信号被检测标定后，添加到新创建的训练集中，利用所述新创建的训练集对所述模型强化训练。
4.一种有效信号检测系统，其特征在于，包括：
生成模型：用于通过对大样本指数衰减信号随机加噪处理生成预训练训练集，并根据实际采集的微地震信号生成训练集；
调整模型：用于调整卷积神经网络Faster RCNN，设置多种大小的卷积核；
训练模块：用于利用所述预训练训练集对所述卷积神经网络Faster RCNN进行预训练后，再通过所述训练集对初步训练后的所述卷积神经网络Faster RCNN进行训练，得到信号检测模型；
检测模块：用于通过所述信号检测模型检测并标定待检测信号中的有效信号。
5.根据权利要求4所述的系统，其特征在于，所述调整卷积神经网络Faster RCNN，设置多种大小的卷积核还包括：
设置卷积步长、填充和所述卷积神经网络的学习率。
6.根据权利要求4所述的系统，其特征在于，所述通过所述信号检测模型检测并标定待检测信号中的有效信号还包括：
所述待检测信号被检测标定后，添加到新创建的训练集中，利用所述新创建的训练集对所述模型强化训练。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201811256943.5A CN109597123B (zh) | 2018-10-26 | 2018-10-26 | 一种有效信号检测方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201811256943.5A CN109597123B (zh) | 2018-10-26 | 2018-10-26 | 一种有效信号检测方法及系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN109597123A true CN109597123A (zh) | 2019-04-09 |
| CN109597123B CN109597123B (zh) | 2021-02-19 |
Family
ID=65957407
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201811256943.5A Active CN109597123B (zh) | 2018-10-26 | 2018-10-26 | 一种有效信号检测方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN109597123B (zh) |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110308485A (zh) * | 2019-07-05 | 2019-10-08 | 中南大学 | 基于深度学习的微震信号分类方法、装置及存储介质 |
| CN110336631A (zh) * | 2019-06-04 | 2019-10-15 | 浙江大学 | 一种基于深度学习的信号检测方法 |
| CN111126471A (zh) * | 2019-12-18 | 2020-05-08 | 中国石油大学(华东) | 微地震事件检测方法及系统 |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106407649A (zh) * | 2016-08-26 | 2017-02-15 | 中国矿业大学(北京) | 基于时间递归神经网络的微震信号到时自动拾取方法 |
| CN107358203A (zh) * | 2017-07-13 | 2017-11-17 | 西安电子科技大学 | 一种基于深度卷积阶梯网络的高分辨sar图像分类方法 |
| CN107679526A (zh) * | 2017-11-14 | 2018-02-09 | 北京科技大学 | 一种人脸微表情识别方法 |
| US9953634B1 (en) * | 2013-12-17 | 2018-04-24 | Knowles Electronics, Llc | Passive training for automatic speech recognition |
| CN108229676A (zh) * | 2017-05-18 | 2018-06-29 | 北京市商汤科技开发有限公司 | 神经网络模型的训练方法和装置、电子设备和计算机存储介质 |
| CN108399373A (zh) * | 2018-02-06 | 2018-08-14 | 北京达佳互联信息技术有限公司 | 人脸关键点的模型训练及其检测方法和装置 |
-
2018
- 2018-10-26 CN CN201811256943.5A patent/CN109597123B/zh active Active
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US9953634B1 (en) * | 2013-12-17 | 2018-04-24 | Knowles Electronics, Llc | Passive training for automatic speech recognition |
| CN106407649A (zh) * | 2016-08-26 | 2017-02-15 | 中国矿业大学(北京) | 基于时间递归神经网络的微震信号到时自动拾取方法 |
| CN108229676A (zh) * | 2017-05-18 | 2018-06-29 | 北京市商汤科技开发有限公司 | 神经网络模型的训练方法和装置、电子设备和计算机存储介质 |
| CN107358203A (zh) * | 2017-07-13 | 2017-11-17 | 西安电子科技大学 | 一种基于深度卷积阶梯网络的高分辨sar图像分类方法 |
| CN107679526A (zh) * | 2017-11-14 | 2018-02-09 | 北京科技大学 | 一种人脸微表情识别方法 |
| CN108399373A (zh) * | 2018-02-06 | 2018-08-14 | 北京达佳互联信息技术有限公司 | 人脸关键点的模型训练及其检测方法和装置 |
Non-Patent Citations (3)
| Title |
|---|
| 李传朋 等: "基于深度卷积神经网络的图像去噪研究", 《计算机工程》 * |
| 李彦冬 等: "卷积神经网络研究综述", 《计算机应用》 * |
| 袁公萍 等: "基于深度卷积神经网络的车型识别方法", 《浙江大学学报（工学版）》 * |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110336631A (zh) * | 2019-06-04 | 2019-10-15 | 浙江大学 | 一种基于深度学习的信号检测方法 |
| CN110336631B (zh) * | 2019-06-04 | 2020-10-13 | 浙江大学 | 一种基于深度学习的信号检测方法 |
| CN110308485A (zh) * | 2019-07-05 | 2019-10-08 | 中南大学 | 基于深度学习的微震信号分类方法、装置及存储介质 |
| CN111126471A (zh) * | 2019-12-18 | 2020-05-08 | 中国石油大学(华东) | 微地震事件检测方法及系统 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN109597123B (zh) | 2021-02-19 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US11402494B2 (en) | Method and apparatus for end-to-end SAR image recognition, and storage medium | |
| CN107292333B (zh) | 一种基于深度学习的快速图像分类方法 | |
| CN109597123A (zh) | 一种有效信号检测方法及系统 | |
| CN109886312A (zh) | 一种基于多层特征融合神经网络模型的桥梁车辆车轮检测方法 | |
| CN107844743A (zh) | 一种基于多尺度分层残差网络的图像多字幕自动生成方法 | |
| CN107315996A (zh) | 一种基于imf能量熵与pca的水下船舰噪声特征提取方法 | |
| CN110390942A (zh) | 基于婴儿哭声的情绪检测方法及其装置 | |
| CN110084320A (zh) | 甲状腺乳头状癌超声图像识别方法、装置、系统及介质 | |
| CN108334937A (zh) | 一种基于卷积神经网络的水上油膜相对厚度提取方法及系统 | |
| CN110610717A (zh) | 复杂频谱环境混合信号的分离方法 | |
| CN108764243A (zh) | 一种图像处理方法及装置 | |
| CN109472315A (zh) | 一种基于深度可分离卷积的目标检测方法和系统 | |
| CN110069959A (zh) | 一种人脸检测方法、装置及用户设备 | |
| CN110197212A (zh) | 图像分类方法、系统及计算机可读存储介质 | |
| CN112084897A (zh) | 一种gs-ssd的交通大场景车辆目标快速检测方法 | |
| CN115499092A (zh) | 天文射电暂现信号搜寻方法、系统、装置及可读存储介质 | |
| CN114359387A (zh) | 基于改进yolov4算法的袋料栽培香菇检测方法 | |
| CN116580290B (zh) | 无人机的识别方法、装置及存储介质 | |
| CN112966815A (zh) | 基于脉冲神经网络的目标检测方法、系统及设备 | |
| CN109102073A (zh) | 一种稀疏训练方法 | |
| CN116912483A (zh) | 目标检测方法、电子设备以及存储介质 | |
| CN108228285A (zh) | 一种端到端的多模态人机交互指令识别方法 | |
| CN115374925A (zh) | 一种用于水下目标识别的硬件加速方法 | |
| CN113469287A (zh) | 一种基于实例分割网络的航天器多局部构件检测方法 | |
| CN111898525A (zh) | 烟雾识别模型的构建方法、进行烟雾检测的方法及装置 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |