CN110007341A - 一种基于IfnoGAN和SSD模型的微地震有效信号的识别方法及系统 - Google Patents
一种基于IfnoGAN和SSD模型的微地震有效信号的识别方法及系统 Download PDFInfo
- Publication number
- CN110007341A CN110007341A CN201910151946.0A CN201910151946A CN110007341A CN 110007341 A CN110007341 A CN 110007341A CN 201910151946 A CN201910151946 A CN 201910151946A CN 110007341 A CN110007341 A CN 110007341A
- Authority
- CN
- China
- Prior art keywords
- ifnogan
- data set
- useful signal
- microseism
- generator
- 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
- 238000000034 method Methods 0.000 title claims abstract description 25
- 238000012549 training Methods 0.000 claims abstract description 41
- 230000003993 interaction Effects 0.000 claims abstract description 5
- 239000000284 extract Substances 0.000 claims description 13
- 238000001514 detection method Methods 0.000 claims description 10
- 238000000605 extraction Methods 0.000 claims description 10
- 230000008569 process Effects 0.000 claims description 6
- 238000000926 separation method Methods 0.000 claims description 6
- 208000001613 Gambling Diseases 0.000 claims description 5
- 230000008901 benefit Effects 0.000 claims description 3
- 238000013480 data collection Methods 0.000 claims description 3
- 239000000203 mixture Substances 0.000 claims description 3
- 230000004069 differentiation Effects 0.000 claims 1
- 238000004064 recycling Methods 0.000 claims 1
- 238000013528 artificial neural network Methods 0.000 abstract description 5
- 206010054949 Metaplasia Diseases 0.000 abstract description 3
- 230000015689 metaplastic ossification Effects 0.000 abstract description 3
- 238000010586 diagram Methods 0.000 description 3
- 238000006243 chemical reaction Methods 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 238000013473 artificial intelligence Methods 0.000 description 1
- 239000012141 concentrate Substances 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 210000005036 nerve Anatomy 0.000 description 1
- 238000010008 shearing Methods 0.000 description 1
- 230000009466 transformation Effects 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
- G01V1/00—Seismology; Seismic or acoustic prospecting or detecting
- G01V1/28—Processing seismic data, e.g. for interpretation or for event detection
- G01V1/30—Analysis
Landscapes
- Engineering & Computer Science (AREA)
- Remote Sensing (AREA)
- Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Environmental & Geological Engineering (AREA)
- Geology (AREA)
- Acoustics & Sound (AREA)
- General Life Sciences & Earth Sciences (AREA)
- General Physics & Mathematics (AREA)
- Geophysics (AREA)
- Business, Economics & Management (AREA)
- Emergency Management (AREA)
- Image Analysis (AREA)
Abstract
本发明涉及一种基于IfnoGAN和SSD模型的微地震有效信号的识别方法及系统，本方法通过采用最大互信息化生成对抗神经网络InfoGAN结合SSD模型，实现对小样本微地震数据集中的信号进行微地震有效检测，通过生成器、分类器和判别器的相互作用，提高生成数据集样本的质量和精确度，将经过InfoGAN中分类器分离出的特征结合SSD预训练模型进行再次训练，准确识别有效信号。
Description
技术领域
本发明涉及微地震有效信号检测技术领域，特别涉及一种基于IfnoGAN和SSD模型的微地震有效信号的识别方法及系统。
背景技术
微地震有效信号检测技术是微地震数据处理的重要技术之一，传统的检测技术基于小波变换、曲波或者剪切波变换对信号进行变换域转换之后，通过有效信号和噪音的时频特性的不同，达到去除噪音保留有效信号的目的。然而，传统的微地震信号检测技术不仅无法满足弱信噪比下的有效信号提取精度的要求，而且往往需要大量的时间，这显然无法满足当今大数据时代的需要。
深度学习作为人工智能的一个重要分支，近些年受到了越来越广泛的关注。其参数多、容量众的特点，使深度网络对于海量数据拥有强大的处理能力。但是传统的深度神经网络无法准确的学习到小样本数据集中信号的特征，造成检测精度大大下降。针对该问题，GAN生成对抗神经网络于2014年由Ian Good fellow提出(Generative AdversarialNets)。然而，传统的生成对抗神经网络由于加入的随机噪具有不确定性，所以生成的数据和原训练集相差甚远，甚至不具备相似性。
发明内容
针对现有，本发明提出一种基于IfnoGAN和SSD模型的微地震有效信号的识别方法及系统，运用IfnoGAN生成特征图片的优势扩充数据集，强化训练，提取信号特征，然后再结合SSD模型对信号进行检测。
为实现上述目的，本发明提供一种基于IfnoGAN和SSD模型的微地震有效信号的识别方法，所述方法包括以下步骤：
S1、根据微地震原始数据集中不同的原始信号，进行初步分离出信号和噪音；
S2、将初步处理后的微地震原始数据集输入IfnoGAN中，通过IfnoGAN中的生成器在无监督条件下通过最大互信息化提取有效特征；
S3、根据生成器中的隐编码，分类器从中提取出特征，再利用生成器和判别器的相互博弈过程，生成与原始数据集相似度高且精确度不小于设定阈值的数据集；
S4、根据步骤S3中生成的大于设定阈值的数据集与原始数据集组成SSD模型的训练集，并将所述训练集中的信号进行标记，将标记后的训练集输入SSD预训练模型中并结合步骤S2中提取的特征进行充分训练，由此准确识别出有效信号；
S5、重复执行步骤S4，通过再次的训练对信号和噪声进行有效识别，并利用SSD模型框出有效信号，从而检测出有效信号。
在上述技术方案中，所述步骤S2中原始数据集输入IfnoGAN中，将获得生成器G(z,c),其中Z为随机噪音且不可压缩，C为隐编码。
在上述技术方案中，所述生成器提取的有效特征存储于隐编码C中。
在上述技术方案中，所述步骤S3包括以下步骤：
S31、生成器生成图片，生成器中的隐编码C输入IfnoGAN的分类器中进行解码后，提取出有效特征；
S32、所述生成的图片输入IfnoGAN的判别器中进行评判同时反馈至生成器，通过生成器与判别器之间的相互作用，生成和原始数据集相似度高的数据集，并检测数据集的精确度。
在上述技术方案中，所述步骤S32中，数据集的精确度阈值根据需要进行设定。
本发明公开一种基于IfnoGAN和SSD模型的微地震有效信号的识别系统，所述系统包括初始模块、提取模块、生成模块、训练模块以及识别模块；
初始模块，用于根据微地震原始数据集中不同的原始信号，进行初步分离出信号和噪音；
提取模块，用于将初步处理后的微地震原始数据集输入IfnoGAN中，通过IfnoGAN中的生成器在无监督条件下通过最大互信息化提取有效特征；
生成模块，用于根据生成器中的隐编码，分类器从中提取出特征，再利用生成器和判别器的相互博弈过程，生成与原始数据集相似度高且精确度不小于设定阈值的数据集；
训练模块，用于根据生成模块中生成的大于设定阈值的数据集与原始数据集组成SSD模型的训练集，并将所述训练集中的信号进行标记，将标记后的训练集输入SSD预训练模型中并结合提取模块中提取的特征进行充分训练，由此准确识别出有效信号；
识别模块，用于重复执行训练模块，通过再次的训练对信号和噪声进行有效识别，并利用SSD模型框出有效信号，从而检测出有效信号。
本发明一种基于IfnoGAN和SSD模型的微地震有效信号的识别方法及系统，具有以下有益效果：本发明采用最大交互信息化生成对抗神经网络InfoGAN结合SSD模型，实现对小样本数据集中的信号进行微地震有效检测，通过生成器、分类器和判别器的相互作用，提高数据集样本的质量和精确度，从而达到扩容的目的，将经过InfoGAN中分类器分离出的特征结合SSD预训练模型进行再次训练，从而提高检测准确度，同时本发明还用于低信噪比环境下有效信号的检测。
附图说明
图1为本发明一种基于IfnoGAN和SSD模型的微地震有效信号的识别方法流程图；
图2为本发明数据集示意图；
图3为本发明原始信号示意图；
图4为信号检测结果示意图；
图5为本发明一种基于IfnoGAN和SSD模型的微地震有效信号的识别系统模块图；
具体实施方式
下面结合附图对本发明作进一步详细描述，本发明提供一种基于IfnoGAN和SSD模型的微地震有效信号的识别方法，所述方法包括以下步骤，如图1所示：
S1、根据微地震原始数据集中不同的原始信号，进行初步分离出信号和噪音；
S2、将初步处理后的微地震原始数据集输入IfnoGAN中，通过IfnoGAN中的生成器在无监督条件下通过最大互信息化提取有效特征；
其中，所述步骤S2中原始数据集输入IfnoGAN中，将获得生成器G(z,c),其中Z为随机噪音且不可压缩，C为隐编码。
其中，所述生成器提取的有效特征存储于隐编码C中。
其中，IfnoGAN为最大互信息化生成对抗神经网络(Information MaximizingGenerative Adversarial Network)，最大互信息化的公式为：
I(c；G(z,c))＝H(c)-H(c|G(z,c))＝H(G(z,c))-H(G(z,c)|c)，其中c代表隐编码，G(z,c)代表生成器中输入的随机噪和隐编码，根据获取的特征i得到自编码公式为：y(i)＝x(i)，其中，x为原始数据集，Y为生成器生成的图片。
S3、根据生成器的隐编码，分类器从中提取出特征，再利用生成器和判别器的相互博弈过程，生成与原始数据集相似度高且精确度不小于设定阈值的数据集；
所述步骤S3包括以下步骤：
S31、生成器生成图片，生成器中的隐编码C输入IfnoGAN的分类器中进行解码后，提取出有效特征；
S32、所述生成的图片输入IfnoGAN的判别器中进行评判同时反馈至生成器，通过生成器与判别器之间的相互作用，生成和原始数据集相似度高的数据集，并检测数据集的精确度。如图2所示为数据集图。
其中，所述步骤S32中，数据集的精确度阈值根据需要进行设定。
通过生成的数据集，筛选出精确度高于设定阈值的数据集，结合SSD模型进行训练。
S4、根据步骤S3中生成的大于设定阈值的数据集与原始数据集组成SSD模型的训练集，并将所述训练集中的信号进行标记，将标记后的训练集输入SSD预训练模型中并结合步骤S2中提取的特征进行充分训练，由此准确识别出有效信号；
S5、重复执行步骤S4，通过再次的训练对信号和噪声进行有效识别，并利用SSD模型框出有效信号，从而检测出有效信号。如图3和如图4所示为原始信号图与信号检测结果图。
本发明还提供一种基于IfnoGAN和SSD模型的微地震有效信号的识别系统，如图5所示，所述系统包括初始模块、提取模块、生成模块、训练模块以及识别模块；
初始模块，用于根据微地震原始数据集中不同的原始信号，进行初步分离出信号和噪音；
提取模块，用于将初步处理后的微地震原始数据集输入IfnoGAN中，通过IfnoGAN中的生成器在无监督条件下通过最大互信息化提取有效特征；
生成模块，用于根据生成器中的隐编码，分类器从中提取出特征，再利用生成器和判别器的相互博弈过程，生成与原始数据集相似度高且精确度不小于设定阈值的数据集；
训练模块，用于根据生成模块中生成的大于设定阈值的数据集与原始数据集组成SSD模型的训练集，并将所述训练集中的信号进行标记，将标记后的训练集输入SSD预训练模型中并结合提取模块中提取的特征进行充分训练，由此准确识别出有效信号；
识别模块，用于重复执行训练模块，通过再次的训练对信号和噪声进行有效识别，并利用SSD模型框出有效信号，从而检测出有效信号。
说明书中未阐述的部分均为现有技术或公知常识。本实施方式仅用于说明该发明，而不用于限制本发明的范围，本领域技术人员对于本发明所做的等价置换等修改均认为是落入该发明权利要求书所保护范围内。
Claims (6)
1.一种基于IfnoGAN和SSD模型的微地震有效信号的识别方法，其特征在于，所述方法包括以下步骤：
S1、根据微地震原始数据集中不同的原始信号，进行初步分离出信号和噪音；
S2、将初步处理后的微地震原始数据集输入IfnoGAN中，通过IfnoGAN中的生成器在无监督条件下通过最大互信息化提取有效特征；
S3、根据生成器中的隐编码，分类器中提取出特征，再利用生成器和判别器的相互博弈过程，生成与原始数据集相似度高且精确度不小于设定阈值的数据集；
S4、根据步骤S3中生成的大于设定阈值的数据集与原始数据集组成SSD模型的训练集，并将所述训练集中的信号进行标记，将标记后的训练集输入SSD预训练模型中并结合步骤S2中提取的特征进行充分训练，由此准确识别出有效信号；
S5、重复执行步骤S4，通过再次的训练对信号和噪声进行有效识别，并利用SSD模型框出有效信号，从而检测出有效信号。
2.根据权利要求1所述一种基于IfnoGAN和SSD模型的微地震有效信号的识别方法，其特征在于，所述步骤S2中原始数据集输入IfnoGAN中，将获得生成器G(z,c),其中Z为随机噪音且不可压缩，C为隐编码。
3.根据权利要求2所述一种基于IfnoGAN和SSD模型的微地震有效信号的识别方法，其特征在于，所述生成器提取的有效特征存储于隐编码C中。
4.根据权利要求3所述一种基于IfnoGAN和SSD模型的微地震有效信号的识别方法，所述步骤S3包括以下步骤：
S31、生成器生成图片，生成器中的隐编码C输入IfnoGAN的分类器中进行解码后，提取出有效特征；
S32、所述生成的图片输入IfnoGAN的判别器中进行评判同时反馈至生成器，通过生成器与判别器之间的相互作用，生成和原始数据集相似度高的数据集，并检测数据集的精确度。
5.根据权利要求3所述一种基于IfnoGAN和SSD模型的微地震有效信号的识别方法，所述步骤S32中，数据集的精确度阈值根据需要进行设定。
6.一种基于IfnoGAN和SSD模型的微地震有效信号的识别系统，其特征在于，所述系统包括初始模块、提取模块、生成模块、训练模块以及识别模块；
初始模块，用于根据微地震原始数据集中不同的原始信号，进行初步分离出信号和噪音；
提取模块，用于将初步处理后的微地震原始数据集输入IfnoGAN中，通过IfnoGAN中的生成器在无监督条件下通过最大互信息化提取有效特征；
生成模块，用于根据生成器中的隐编码，分类器从中提取出特征，再利用生成器与判别器的相互博弈过程，生成与原始数据集相似度高且精确度不小于设定阈值的数据集；
训练模块，用于根据生成模块中生成的大于设定阈值的数据集与原始数据集组成SSD模型的训练集，并将所述训练集中的信号进行标记，将标记后的训练集输入SSD预训练模型中并结合提取模块中提取的特征进行充分训练，由此准确识别出有效信号；
识别模块，用于重复执行训练模块，通过再次的训练对信号和噪声进行有效识别，并利用SSD模型框出有效信号，从而检测出有效信号。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910151946.0A CN110007341B (zh) | 2019-02-28 | 2019-02-28 | 一种基于IfnoGAN和SSD模型的微地震有效信号的识别方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910151946.0A CN110007341B (zh) | 2019-02-28 | 2019-02-28 | 一种基于IfnoGAN和SSD模型的微地震有效信号的识别方法及系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN110007341A true CN110007341A (zh) | 2019-07-12 |
| CN110007341B CN110007341B (zh) | 2020-10-20 |
Family
ID=67166391
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910151946.0A Active CN110007341B (zh) | 2019-02-28 | 2019-02-28 | 一种基于IfnoGAN和SSD模型的微地震有效信号的识别方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN110007341B (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110619264A (zh) * | 2019-07-30 | 2019-12-27 | 长江大学 | 基于UNet++的微地震有效信号识别方法及装置 |
| CN112289324A (zh) * | 2020-10-27 | 2021-01-29 | 湖南华威金安企业管理有限公司 | 声纹身份识别的方法、装置和电子设备 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20100223010A1 (en) * | 2005-08-15 | 2010-09-02 | Baker Hughes Incorporated | Wide Band Gap Semiconductor Photodetector Based Gamma Ray Detectors for Well Logging Applications |
| CN107610193A (zh) * | 2016-06-23 | 2018-01-19 | 西门子保健有限责任公司 | 使用深度生成式机器学习模型的图像校正 |
| AU2018100325A4 (en) * | 2018-03-15 | 2018-04-26 | Nian, Xilai MR | A New Method For Fast Images And Videos Coloring By Using Conditional Generative Adversarial Networks |
| CN108898066A (zh) * | 2018-06-06 | 2018-11-27 | 天津大学 | 一种基于生成式对抗网络的人体运动检测方法 |
| CN109143353A (zh) * | 2018-08-20 | 2019-01-04 | 电子科技大学 | 一种基于深度卷积生成对抗网络的叠前地震波形分类方法 |
-
2019
- 2019-02-28 CN CN201910151946.0A patent/CN110007341B/zh active Active
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20100223010A1 (en) * | 2005-08-15 | 2010-09-02 | Baker Hughes Incorporated | Wide Band Gap Semiconductor Photodetector Based Gamma Ray Detectors for Well Logging Applications |
| CN107610193A (zh) * | 2016-06-23 | 2018-01-19 | 西门子保健有限责任公司 | 使用深度生成式机器学习模型的图像校正 |
| AU2018100325A4 (en) * | 2018-03-15 | 2018-04-26 | Nian, Xilai MR | A New Method For Fast Images And Videos Coloring By Using Conditional Generative Adversarial Networks |
| CN108898066A (zh) * | 2018-06-06 | 2018-11-27 | 天津大学 | 一种基于生成式对抗网络的人体运动检测方法 |
| CN109143353A (zh) * | 2018-08-20 | 2019-01-04 | 电子科技大学 | 一种基于深度卷积生成对抗网络的叠前地震波形分类方法 |
Non-Patent Citations (1)
| Title |
|---|
| XI CHEN EL.: ""InfoGAN: Interpretable Representation Learning by Information Maximizing Generative Adversarial Nets"", 《30TH CONFERENCE ON NEURAL INFORMATION PROCESSING SYSTEMS》 * |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110619264A (zh) * | 2019-07-30 | 2019-12-27 | 长江大学 | 基于UNet++的微地震有效信号识别方法及装置 |
| CN110619264B (zh) * | 2019-07-30 | 2023-06-16 | 长江大学 | 基于UNet++的微地震有效信号识别方法及装置 |
| CN112289324A (zh) * | 2020-10-27 | 2021-01-29 | 湖南华威金安企业管理有限公司 | 声纹身份识别的方法、装置和电子设备 |
| CN112289324B (zh) * | 2020-10-27 | 2024-05-10 | 湖南华威金安企业管理有限公司 | 声纹身份识别的方法、装置和电子设备 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN110007341B (zh) | 2020-10-20 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Zhang et al. | Single-shot refinement neural network for object detection | |
| Liu et al. | Picanet: Learning pixel-wise contextual attention for saliency detection | |
| Qu et al. | Radar signal intra-pulse modulation recognition based on convolutional denoising autoencoder and deep convolutional neural network | |
| Zha et al. | Exploiting image-trained CNN architectures for unconstrained video classification | |
| CN107844795B (zh) | 基于主成分分析的卷积神经网络特征提取方法 | |
| Wang et al. | Multimodal self-supervised learning of general audio representations | |
| CN103761531B (zh) | 基于形状轮廓特征的稀疏编码车牌字符识别方法 | |
| CN109978034B (zh) | 一种基于数据增强的声场景辨识方法 | |
| CN108765279A (zh) | 一种面向监控场景的行人人脸超分辨率重建方法 | |
| CN105574063A (zh) | 基于视觉显著性的图像检索方法 | |
| CN106529477A (zh) | 基于显著轨迹和时空演化信息的视频人体行为识别方法 | |
| CN104239852B (zh) | 一种基于运动平台的红外行人检测方法 | |
| CN104008401A (zh) | 一种图像文字识别的方法及装置 | |
| CN110007341A (zh) | 一种基于IfnoGAN和SSD模型的微地震有效信号的识别方法及系统 | |
| CN108509861B (zh) | 一种基于样本学习和目标检测结合的目标跟踪方法和装置 | |
| CN115424288A (zh) | 一种基于多维度关系建模的视觉Transformer自监督学习方法及系统 | |
| Li et al. | Boosting low-data instance segmentation by unsupervised pre-training with saliency prompt | |
| Sethy et al. | Off-line Odia handwritten numeral recognition using neural network: a comparative analysis | |
| CN115656958A (zh) | 实时航迹起始和航迹分类的检测方法及检测装置 | |
| Jarabese et al. | Sign to speech convolutional neural network-based filipino sign language hand gesture recognition system | |
| CN111461162A (zh) | 一种零样本目标检测模型及其建立方法 | |
| CN111046871A (zh) | 一种感兴趣区域提取方法及系统 | |
| WO2024093466A1 (zh) | 一种基于模型结构自主进化的行人图像重识别方法 | |
| Wang et al. | GAN-STD: small target detection based on generative adversarial network | |
| Xin et al. | Random part localization model for fine grained image classification |
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 |