CN110133714A - 一种基于深度学习的微震信号分类辨识方法 - Google Patents
一种基于深度学习的微震信号分类辨识方法 Download PDFInfo
- Publication number
- CN110133714A CN110133714A CN201910348744.5A CN201910348744A CN110133714A CN 110133714 A CN110133714 A CN 110133714A CN 201910348744 A CN201910348744 A CN 201910348744A CN 110133714 A CN110133714 A CN 110133714A
- Authority
- CN
- China
- Prior art keywords
- signal
- microseismic signals
- formula
- coal petrography
- blasting vibration
- 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
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. analysis, for interpretation, for correction
- 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. analysis, for interpretation, for correction
- G01V1/30—Analysis
Abstract
本发明公开了一种基于深度学习的微震信号分类辨识方法,属于信号分析及识别领域。本发明方法包括以下步骤:步骤1、建立微震信号与爆破信号的样本数据库;步骤2、提取样本信号的主频、峰后衰减系数和能量重心系数特征,构成样本特征数据训练集和测试集;步骤3、使用样本特征数据训练集训练深度神经网络分类辨识模型,利用测试集数据验证信号分类辨识模型的分类辨识效果,并通过交叉训练不断提升分类精度;步骤4、提取待辨识信号的特征向量,输入信号分类模型中,得到辨识结果。本发明方法具有算法简单、自适应性和实时性强、辨识准确率高的特点,能对煤矿微震信号和爆破信号进行有效的分类,具有很好的技术价值和应用前景。
Description
技术领域
本发明属于信号分析及识别领域,具体涉及一种基于深度学习的微震信号分类辨识方法。
背景技术
煤矿微震监测系统采集到的信号中除了大量有效的煤岩破裂微震信号,还包含了煤矿爆破作业产生的大量爆破震动信号,煤岩破裂微震信号波形与爆破震动信号波形又极为相似,需将煤岩破裂微震信号从海量监测数据中识别出来,采用人工识别方式,识别难度大,工作效率低。
目前,国内外对煤矿微震信号和爆破信号的识别方法主要包括傅里叶变换、小波变换、小波包变换和经验模态分解(Empirical Mode Decomposition,EMD)等。如传统的傅里叶变换主要用于分析周期性平稳信号,对包含有尖峰和突变的随机性、非平稳性微震信号分析效果欠佳;EMD方法存在边界效应及模态混叠现象,导致EMD分解信号具有不稳定性和不唯一性,EMD的这些缺陷使得在信号辨识时难免存在弊端。这些方法用于信号分析时均存在一定程度的解决了两类震动信号的辨识问题,但忽略了当前煤矿监测大数据环境和深度学习等新一代信息化技术在信号分类辨识技术中的应用,影响了信号分类辨识精度的进一步提高。
发明内容
本发明的目的在于提供一种基于深度学习的微震信号分类辨识方法,从煤岩破裂微震信号和爆破震动信号中提取辨识敏感特征,应用深度学习技术,构建基于深度神经网络的两类震动信号分类辨识模型,利用分类器对测试集数据进行识别。
为了实现上述目的,本发明采用了如下技术方案:
一种基于深度学习的微震信号分类辨识方法,依次包括如下步骤:
步骤1:分别选取M个煤岩破裂微震信号和N个爆破震动信号构成两类震动信号的样本数据集;
步骤2:提取M个煤岩破裂微震信号和N个爆破震动信号的主频Fm、峰后衰减系数b、能量重心系数Cx构成样本特征数据训练集和测试集;
步骤3:基于四层深度神经网络构建煤岩破裂微震信号与爆破震动信号的分类辨识模型,用训练集数据训练该信号分类模型,利用测试集数据验证信号分类模型的分类辨识效果,通过交叉训练不断提升分类精度;
步骤4:提取待辨识信号的特征向量,输入所述的分类辨识模型中,得到辨识结果。
进一步的,步骤2中,提取所述的M个煤岩破裂微震信号和N个爆破震动信号的主频Fm的具体步骤为:
假设煤岩破裂微震信号或爆破震动信号为x(t),t=1,2,…,T;
步骤2.1.1:根据式(1)计算得到信号的频谱;
式(1)中,X(ω)为信号x(t)的频谱,j2=-1;
步骤2.1.2:根据式(2)计算信号的主频:
Fm=max(X(ω)) (2)。
进一步的,步骤2中,提取所述的M个煤岩破裂微震信号和N个爆破震动信号的峰后衰减系数b的具体步骤为:假设煤岩破裂微震信号或爆破震动信号为x(t),t=1,2,…,T;
采用长短时窗法(STA/LTA)自动拾取信号的终止时刻点,其中:
CF(j)=x(j)2-x(j-1)·x(j+1) (6)
上述式(3)-式(6)中:i为第i个采样点,sn为短时窗长度,ln为长时窗长度,λ为STA/LTA的触发阀值,CF(j)为j时刻的关于信息的特征函数值;
求解信号峰后衰减系数b的具体步骤如下:
步骤2.2.1:利用长短时窗法拾取信号的终止时刻点;
步骤2.2.2:利用三次样条插值法求取信号的包络线;
步骤2.2.3:利用式(7)对包络线进行拟合;
x=atb (7)
式(7)中:x为信号振幅,t为采样点,a、b为拟合参数;参数a与信号峰相关,参数b与信号衰减速率相关,通常b值越大,信号的衰减速率越快,反之亦然;因此将参数b定义为信号的衰减系数。
进一步的,步骤2中,提取所述的M个煤岩破裂微震信号和N个爆破震动信号的能量重心系数Cx的具体步骤为:假设煤岩破裂微震信号或爆破震动信号为x(t),t=1,2,…,T;
步骤2.3.1:对信号x(t),t=1,2,…,T进行VMD分解,得到的K个变分模态分量,记为{U1,…,Uk,…,UK};
步骤2.3.2:根据式(8)计算各分量Uk对应的能量为Ek,即
式(8)中,xki(k=1,2,…,K;i=1,2,…,T)为第k个变分模态分量Uk的离散点幅值,T为信号的采样点个数,K为变分模态个数;
步骤2.3.3:根据式(9)计算各模态分量能量占原始信号总能量的百分比为;
得到能量分布特征向量P=(P(1),…,P(k),…,P(E)),并构造能量分布平面;
步骤2.3.4:根据式(10)计算能量分布X轴能量重心系数Cx(0<Cx≤1):
进一步的,在步骤3中,所述的四层的深度神经网络中包括输入层、输出层和两层隐含层,两层隐含层分别包含10个隐含神经元。
本发明原理如下:
为实现煤岩破裂微震信号和爆破震动信号的有效分类辨识,本发明应用深度学习技术,以两种震动信号的三个敏感辨识特征为辨识特征向量,构建基于深度神经网络的分类辨识模型。首先从历史监测数据中选择M个起跳明显的煤岩破裂微震信号和N个典型爆破震动信号构成样本数据集;分别对M个微震信号和N个爆破信号提取主频Fm、峰后衰减系数b、能量重心系数Cx构成样本特征数据训练集和测试集;基于四层深度神经网络构建分类辨识模型,利用训练集数据训练信号分类模型,利用训练好的信号分类模型,对测试集数据进行识别,通过交叉训练法不断提升分类精度;提取待辨识信号的特征向量,输入信号模型中,得到辨识结果。该方法可以实现对煤岩破裂微震信号和爆破震动信号的有效辨识。
与现有技术相比,本发明带来了以下有益技术效果:
本发明基于当前煤矿监测大数据环境,根据煤岩破裂微震信号和爆破震动信号的自身特性与特点,通过提取两类震动信号的辨识敏感特征,采用深度学习技术建立深度神经网络模型,训练深度神经网络分类器,实现对两类震动信号的准确、有效辨识。该方法具有算法简单、自适应性和实时性强、辨识准确率高的特点,能对煤矿煤岩破裂微震信号和爆破震动信号进行有效的分类,具有很好的技术价值和应用前景。
附图说明
下面结合附图对本发明做进一步说明:
图1为本发明一种基于深度学习的微震信号分类辨识方法的流程图;
图2为待辨识信号x(t)的示意图;
图3为提取待辨识信号x(t)的主频特征示意图;
图4为提取待辨识信号x(t)的峰后衰减系数特征示意图;
图5为提取待辨识信号x(t)的能量重心系数特征示意图;
图6为本发明信号分类辨识模型的四层深度神经网络结构示意图。
具体实施方式
本发明提出了一种基于深度学习的微震信号分类辨识方法,为了使本发明的优点、技术方案更加清楚、明确,下面结合具体实施例对本发明做详细说明。
一种基于深度学习的微震信号分类辨识方法,其流程如图1所示,具体包括如下步骤:
步骤1:分别选取M个煤岩破裂微震信号和N个爆破震动信号构成两类震动信号的样本数据集;
步骤2:提取M个煤岩破裂微震信号和N个爆破震动信号的主频Fm、峰后衰减系数b、能量重心系数Cx构成样本特征数据训练集和测试集;
进一步的,步骤2中,提取所述的M个煤岩破裂微震信号和N个爆破震动信号的主频Fm的具体步骤为:
假设煤岩破裂微震信号或爆破震动信号为x(t),t=1,2,…,T;
步骤2.1.1:根据式(1)计算得到信号的连续频谱;
式(1)中,X(ω)为信号x(t)的频谱,j2=-1;
步骤2.2.2:根据式(2)计算信号的主频:
Fm=max(X(ω)) (2)
进一步的,步骤2中,提取所述的M个煤岩破裂微震信号和N个爆破震动信号的峰后衰减系数b的具体步骤为:
假设煤岩破裂微震信号或爆破震动信号为x(t),t=1,2,…,T;
采用长短时窗法(STA/LTA)自动拾取信号的终止时刻点。其中:
CF(j)=x(j)2-x(j-1)·x(j+1) (6)
其中,i为第i个采样点,sn为短时窗长度,ln为长时窗长度,λ为STA/LTA的触发阀值,CF(j)为j时刻的关于信息的特征函数值。
求解信号峰后衰减系数的具体步骤如下:
步骤2.2.1:利用长短时窗法拾取信号的终止时刻点;
步骤2.2.2:利用三条样条插值法求取两种信号的包络线;
步骤2.2.3:利用式(7)对包络线进行拟合;
x=atb (7)
其中,x为信号振幅,t为采样点,a、b为拟合参数。参数a与信号峰值相关,参数b与信号衰减速率相关,通常b值越大,信号的衰减速率越快,反之亦然。因此将参数b定义为信号的衰减系数。
进一步的,步骤2中,提取所述的M个煤岩破裂微震信号和N个爆破震动信号的能量重心系数Cx的具体步骤为:
假设煤岩破裂微震信号或爆破震动信号为x(t),t=1,2,…,T;
步骤2.3.1:对信号x(t),t=1,2,…,T进行VMD分解,得到的K个变分模态分量,记为{U1,…,Uk,…,UK};
步骤2.3.2:根据式(8)计算各分量Uk对应的能量为Ek,即
式中,xki(k=1,2,…,K;i=1,2,…,T)为第k个变分模态分量Uk的离散点幅值,T为信号的采样点个数,K为变分模态个数。
步骤2.3.3:根据式(9)计算各模态分量能量占原始信号总能量的百分比为;
得到能量分布特征向量P=(P(1),…,P(k),…,P(E)),并构造能量分布平面;
步骤2.3.4:根据公式(10)计算能量分布X轴重心系数Cx(0<Cx≤1):
步骤3:基于四层深度神经网络构建煤岩破裂微震信号与爆破震动信号的分类辨识模型,用训练集数据训练该信号分类模型,利用测试集数据验证信号分类模型的分类辨识效果,通过交叉训练不断提升分类精度;
步骤4:提取待辨识信号的特征向量,输入信号分类模型中,得到辨识结果。
如图2所示,从监测数据中获取以时间(s)为横轴,振幅为纵轴,采样频率fs=1000Hz的待辨识信号x(t),t=1,2,…,4000,微震信号采样点数据见表1。
表1待辨识信号采样点数据(可以存储于Excel表中)
序号 | 采样点(N) | 振幅 |
1*1/fs | 1 | -2.097e-06 |
2*1/fs | 2 | -8.842e-06 |
3*1/fs | 3 | -9.590e-06 |
4*1/fs | 4 | 3.960e-06 |
5*1/fs | 5 | 6.416e-06 |
… | … | … |
3999*1/fs | 3999 | 2.920e-05 |
4000*1/fs | 4000 | 2.804e-05 |
按照步骤2中的提取主频的步骤提取待辨识信号x(t),t=1,2,…,4000主频Fm的结果为Fm=24.5,如图3所示。
按照步骤2中的提取峰后衰减系数的步骤提取待辨识信号x(t),t=1,2,…,4000峰后衰减系数b,取微震信号的短时窗sn=10,长时窗ln=180,触发阀值λ=7。用三次样条插值法对信号求取包络线,并对包络线进行拟合。拟合精度用校正相关系数Adj.R-Square表示,该系数越接近1,说明拟合精度越高,信号衰减过程越平稳。得到的峰后衰减系数b=6.238,结果如图4所示,相关值如表2所示。
表2峰后衰减系数b的相关值
Equation | Adj.R-Square | a | b | 峰后衰减系数b |
x=a×t<sup>b</sup> | 0.9696 | 1.231e+17 | -6.238 | 6.24 |
按照步骤2中的提取能量重心系数Cx的步骤提取待检测信号x(t),t=1,2,…,4000的能量重心系数Cx,对信号x(t)进行VMD分解,取K=6,计算分解各模态分量能量占原始信号总能量的百分比如表3所示。
表3待辨识信号各模态分量能量占原始信号总能量的百分比(%)
P(1) | P(2) | P(3) | P(4) | P(5) | P(6) |
0.4495 | 1.8778 | 1.1972 | 69.4277 | 16.6905 | 10.3571 |
得到的微震信号的能量分布特征向量P,即P=(0.4495,1.8778,1.1972,69.4277,16.6905,10.3571)。并按照步骤2中公式(10)计算能量中心系数Cx=0.7185,如图5所示,图6为本发明信号辨识模型的四层深度神经网络结构示意图。
按照步骤4,将待辨识信号的特征向量值(24.5,6.238,0.7185)输入由步骤3训练好的信号分类辨识模型中,得到辨识结果为该辨识信号是煤岩破裂微震信号。
为进一步验证本发明中的信号分类辨识模型的分类精度,从测试集中分别选择15个煤岩破裂微震信号和15个爆破震动信号,其特征数据如表4所示。
表4 15个微震信号和15个爆破信号的样本数据测试集
利用上述测试集数据验证模型的分类辨识效果,其测试结果如表5所示。
表5 15个微震信号和15个爆破信号的测试结果
信号类型 | 序号 | 标签 | 辨识结果 | 信号类型 | 序号 | 标签 | 辨识结果 |
煤岩破裂微震信号 | 1 | 0 | 0 | 爆破震动信号 | 1 | 1 | 1 |
煤岩破裂微震信号 | 2 | 0 | 0 | 爆破震动信号 | 2 | 1 | 1 |
煤岩破裂微震信号 | 3 | 0 | 0 | 爆破震动信号 | 3 | 1 | 1 |
煤岩破裂微震信号 | 4 | 0 | 0 | 爆破震动信号 | 4 | 1 | 1 |
煤岩破裂微震信号 | 5 | 0 | 0 | 爆破震动信号 | 5 | 1 | 1 |
煤岩破裂微震信号 | 6 | 0 | 0 | 爆破震动信号 | 6 | 1 | 1 |
煤岩破裂微震信号 | 7 | 0 | 0 | 爆破震动信号 | 7 | 1 | 1 |
煤岩破裂微震信号 | 8 | 0 | 0 | 爆破震动信号 | 8 | 1 | 1 |
煤岩破裂微震信号 | 9 | 0 | 0 | 爆破震动信号 | 9 | 1 | 1 |
煤岩破裂微震信号 | 10 | 0 | 0 | 爆破震动信号 | 10 | 1 | 1 |
煤岩破裂微震信号 | 11 | 0 | 0 | 爆破震动信号 | 11 | 1 | 0 |
煤岩破裂微震信号 | 12 | 0 | 0 | 爆破震动信号 | 12 | 1 | 1 |
煤岩破裂微震信号 | 13 | 0 | 0 | 爆破震动信号 | 13 | 1 | 1 |
煤岩破裂微震信号 | 14 | 0 | 0 | 爆破震动信号 | 14 | 1 | 1 |
煤岩破裂微震信号 | 15 | 0 | 0 | 爆破震动信号 | 15 | 1 | 1 |
由表5可知,在该30个测试信号中,29个信号的辨识结果正确,仅1组辨识错误,总的分类辨识准确率为96.67%。
煤岩破裂微震信号和爆破震动信号虽然同为震动信号,但两类震动信号在主频、峰后衰减系数及能量重心系数三个特征上差异显著,因此可根据这一特点,通过提取已明确类别的信号的特征向量,利用深度学习的技术建立信号分类器,将待辨识信号的特征向量输入分类器中,即可实现对待检测信号的分类辨识。
本发明中未述及的部分借鉴现有技术即可实现。
需要说明的是,在本说明书的教导下本领域技术人员所做出的任何等同方式,或明显变型方式均应在本发明的保护范围内。
Claims (5)
1.一种基于深度学习的微震信号分类辨识方法,其特征在于,依次包括如下步骤:
步骤1:分别选取M个煤岩破裂微震信号和N个爆破震动信号构成两类震动信号的样本数据集;
步骤2:提取M个煤岩破裂微震信号和N个爆破震动信号的主频Fm、峰后衰减系数b、能量重心系数Cx构成样本特征数据训练集和测试集;
步骤3:基于四层深度神经网络构建煤岩破裂微震信号与爆破震动信号的分类辨识模型,用训练集数据训练该信号分类模型,利用测试集数据验证信号分类模型的分类辨识效果,通过交叉训练不断提升分类精度;
步骤4:提取待辨识信号的特征向量,输入所述的分类辨识模型中,得到辨识结果。
2.根据权利要求1所述的一种基于深度学习的微震信号分类辨识方法,其特征在于:步骤2中,提取所述的M个煤岩破裂微震信号和N个爆破震动信号的主频Fm的具体步骤为:假设煤岩破裂微震信号或爆破震动信号为x(t),t=1,2,…,T;
步骤2.1.1:根据式(1)计算得到信号的频谱;
式(1)中,X(ω)为信号x(t)的频谱,j2=-1;
步骤2.1.2:根据式(2)计算信号的主频:
Fm=max(X(ω)) (2)。
3.根据权利要求2所述的一种基于深度学习的微震信号分类辨识方法,其特征在于:步骤2中,提取所述的M个煤岩破裂微震信号和N个爆破震动信号的峰后衰减系数b的具体步骤为:假设煤岩破裂微震信号或爆破震动信号为x(t),t=1,2,…,T;
采用长短时窗法(STA/LTA)自动拾取信号的终止时刻点,其中:
CF(j)=x(j)2-x(j-1)·x(j+1) (6)
上述式(3)-式(6)中:i为第i个采样点,sn为短时窗长度,ln为长时窗长度,λ为STA/LTA的触发阀值,CF(j)为j时刻的关于信息的特征函数值;
求解信号峰后衰减系数b的具体步骤如下:
步骤2.2.1:利用长短时窗法拾取信号的终止时刻点;
步骤2.2.2:利用三次样条插值法求取信号的包络线;
步骤2.2.3:利用式(7)对包络线进行拟合;
x=at3 (7)
式(7)中:x为信号振幅,t为采样点,a、b为拟合参数;参数a与信号峰相关,参数b与信号衰减速率相关,通常b值越大,信号的衰减速率越快,反之亦然;因此将参数b定义为信号的衰减系数。
4.根据权利要求3所述的一种基于深度学习的微震信号分类辨识方法,其特征在于:步骤2中,提取所述的M个煤岩破裂微震信号和N个爆破震动信号的能量重心系数Cx的具体步骤为:假设煤岩破裂微震信号或爆破震动信号为x(t),t=1,2,…,T;
步骤2.3.1:对信号x(t),t=1,2,…,T进行VMD分解,得到的K个变分模态分量,记为{U1,…,Uk,…,UK};
步骤2.3.2:根据式(8)计算各分量Uk对应的能量为Ek,即
式(8)中,xki(k=1,2,…,K;i=1,2,…,T)为第k个变分模态分量Uk的离散点幅值,T为信号的采样点个数,K为变分模态个数;
步骤2.3.3:根据式(9)计算各模态分量能量占原始信号总能量的百分比为;
得到能量分布特征向量P=(P(1),…,P(k),…,P(K)),并构造能量分布平面;
步骤2.3.4:根据式(10)计算能量分布X轴能量重心系数Cx(0<Cx≤1):
5.根据权利要求1所述的一种基于深度学习的微震信号分类辨识方法,其特征在于,在步骤3中,所述的四层的深度神经网络中包括输入层、输出层和两层隐含层,两层隐含层分别包含10个隐含神经元。
Priority Applications (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
PCT/CN2019/088270 WO2020220416A1 (zh) | 2019-04-28 | 2019-05-24 | 一种基于深度学习的微震信号分类辨识方法 |
CN201910348744.5A CN110133714B (zh) | 2019-06-05 | 2019-06-05 | 一种基于深度学习的微震信号分类辨识方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910348744.5A CN110133714B (zh) | 2019-06-05 | 2019-06-05 | 一种基于深度学习的微震信号分类辨识方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110133714A true CN110133714A (zh) | 2019-08-16 |
CN110133714B CN110133714B (zh) | 2020-11-10 |
Family
ID=67575459
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910348744.5A Active CN110133714B (zh) | 2019-04-28 | 2019-06-05 | 一种基于深度学习的微震信号分类辨识方法 |
Country Status (2)
Country | Link |
---|---|
CN (1) | CN110133714B (zh) |
WO (1) | WO2020220416A1 (zh) |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110632643A (zh) * | 2019-09-23 | 2019-12-31 | 北京无线电计量测试研究所 | 一种防第三方施工开挖检测报警方法 |
CN110956764A (zh) * | 2019-12-03 | 2020-04-03 | 西安科技大学 | 基于神经网络的地埋线破坏预警装置及预警方法 |
WO2020220416A1 (zh) * | 2019-04-28 | 2020-11-05 | 山东科技大学 | 一种基于深度学习的微震信号分类辨识方法 |
CN112380949A (zh) * | 2020-11-10 | 2021-02-19 | 大连理工大学 | 一种微震波到时点检测方法及系统 |
CN113514878A (zh) * | 2021-07-09 | 2021-10-19 | 长沙矿山研究院有限责任公司 | 一种矿山微震波形类型自动识别方法 |
CN116990865A (zh) * | 2023-09-28 | 2023-11-03 | 中国石油大学(华东) | 基于深度迁移学习的微地震事件检测方法及系统 |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114563826B (zh) * | 2022-01-25 | 2023-03-03 | 中国矿业大学 | 基于深度学习融合驱动的微震稀疏台网定位方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105740840A (zh) * | 2016-02-29 | 2016-07-06 | 中南大学 | 一种岩体破裂信号与爆破振动信号的非线性识别方法 |
CN105956526A (zh) * | 2016-04-22 | 2016-09-21 | 山东科技大学 | 基于多尺度排列熵的低信噪比微震事件辨识方法 |
CN107505652A (zh) * | 2017-07-26 | 2017-12-22 | 山东科技大学 | 一种基于能量分布特征的矿山微震信号辨识方法 |
CN107944469A (zh) * | 2017-11-03 | 2018-04-20 | 桂林电子科技大学 | 一种基于重排st的低信噪比微震事件辨识方法 |
Family Cites Families (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
AU2011383266B2 (en) * | 2011-12-16 | 2015-04-30 | Halliburton Energy Services, Inc. | Methods of calibration transfer for a testing instrument |
CN106407649B (zh) * | 2016-08-26 | 2019-01-29 | 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 |
CN106405640B (zh) * | 2016-08-26 | 2018-07-10 | 中国矿业大学(北京) | 基于深度信念神经网络的微震信号到时自动拾取方法 |
CN106646587B (zh) * | 2016-12-29 | 2018-08-21 | 北京知觉科技有限公司 | 基于声振动信号的目标检测与识别方法及系统 |
CN109613610B (zh) * | 2019-01-17 | 2020-04-14 | 中南大学 | 微震信号到时差的自动拾取方法 |
WO2020220416A1 (zh) * | 2019-04-28 | 2020-11-05 | 山东科技大学 | 一种基于深度学习的微震信号分类辨识方法 |
-
2019
- 2019-05-24 WO PCT/CN2019/088270 patent/WO2020220416A1/zh active Application Filing
- 2019-06-05 CN CN201910348744.5A patent/CN110133714B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105740840A (zh) * | 2016-02-29 | 2016-07-06 | 中南大学 | 一种岩体破裂信号与爆破振动信号的非线性识别方法 |
CN105956526A (zh) * | 2016-04-22 | 2016-09-21 | 山东科技大学 | 基于多尺度排列熵的低信噪比微震事件辨识方法 |
CN107505652A (zh) * | 2017-07-26 | 2017-12-22 | 山东科技大学 | 一种基于能量分布特征的矿山微震信号辨识方法 |
CN107944469A (zh) * | 2017-11-03 | 2018-04-20 | 桂林电子科技大学 | 一种基于重排st的低信噪比微震事件辨识方法 |
Non-Patent Citations (2)
Title |
---|
尚雪义 等: "FSWT-SVD模型在岩体微震信号特征提取中的应用", 《振动与冲击》 * |
李保林: "煤矿微震与爆破信号特征提取及识别研究", 《中国优秀硕士学位论文全文数据库 工程科技I辑》 * |
Cited By (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2020220416A1 (zh) * | 2019-04-28 | 2020-11-05 | 山东科技大学 | 一种基于深度学习的微震信号分类辨识方法 |
CN110632643A (zh) * | 2019-09-23 | 2019-12-31 | 北京无线电计量测试研究所 | 一种防第三方施工开挖检测报警方法 |
CN110632643B (zh) * | 2019-09-23 | 2021-03-16 | 北京无线电计量测试研究所 | 一种防第三方施工开挖检测报警方法 |
CN110956764A (zh) * | 2019-12-03 | 2020-04-03 | 西安科技大学 | 基于神经网络的地埋线破坏预警装置及预警方法 |
CN110956764B (zh) * | 2019-12-03 | 2021-07-27 | 西安科技大学 | 基于神经网络的地埋线破坏预警装置及预警方法 |
CN112380949A (zh) * | 2020-11-10 | 2021-02-19 | 大连理工大学 | 一种微震波到时点检测方法及系统 |
CN112380949B (zh) * | 2020-11-10 | 2024-03-26 | 大连理工大学 | 一种微震波到时点检测方法及系统 |
CN113514878A (zh) * | 2021-07-09 | 2021-10-19 | 长沙矿山研究院有限责任公司 | 一种矿山微震波形类型自动识别方法 |
CN113514878B (zh) * | 2021-07-09 | 2022-06-24 | 长沙矿山研究院有限责任公司 | 一种矿山微震波形类型自动识别方法 |
CN116990865A (zh) * | 2023-09-28 | 2023-11-03 | 中国石油大学(华东) | 基于深度迁移学习的微地震事件检测方法及系统 |
CN116990865B (zh) * | 2023-09-28 | 2024-01-16 | 中国石油大学(华东) | 基于深度迁移学习的微地震事件检测方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
CN110133714B (zh) | 2020-11-10 |
WO2020220416A1 (zh) | 2020-11-05 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110133714A (zh) | 一种基于深度学习的微震信号分类辨识方法 | |
CN111913156B (zh) | 基于深度学习模型与特征联合的雷达辐射源个体识别方法 | |
CN107290741B (zh) | 基于加权联合距离时频变换的室内人体姿态识别方法 | |
CN112308008B (zh) | 基于迁移学习的工作模式开集的雷达辐射源个体识别方法 | |
CN110133599B (zh) | 基于长短时记忆模型的智能雷达辐射源信号分类方法 | |
CN110166484A (zh) | 一种基于LSTM-Attention网络的工业控制系统入侵检测方法 | |
CN111798312A (zh) | 一种基于孤立森林算法的金融交易系统异常识别方法 | |
CN105679313A (zh) | 一种音频识别报警系统及方法 | |
CN111428231A (zh) | 基于用户行为的安全处理方法、装置及设备 | |
CN111881723A (zh) | 雷电地闪回击波形的自动识别方法、系统及电子设备 | |
CN111199127A (zh) | 基于深度强化学习的雷达干扰决策方法 | |
CN105116397A (zh) | 基于mmfa模型的雷达高分辨率距离像目标识别方法 | |
CN108846307B (zh) | 一种基于波形图像的微震与爆破事件识别方法 | |
CN112528774B (zh) | 一种复杂电磁环境下未知雷达信号智能分选系统及方法 | |
CN111126434B (zh) | 基于随机森林的微震初至波到时自动拾取方法及系统 | |
CN104796365A (zh) | 低信噪比下基于复杂度特征的调制信号识别方法 | |
CN111175719A (zh) | 基于bp神经网络的智能航迹起始方法 | |
CN110929842A (zh) | 非合作无线电信号突发时间区域精确智能检测方法 | |
CN113792685A (zh) | 一种基于多尺度卷积神经网络的微地震事件检测方法 | |
CN113516228A (zh) | 一种基于深度神经网络的网络异常检测方法 | |
CN106529393A (zh) | 一种esmd样本熵结合fcm的电磁信号频谱数据分类方法 | |
CN109409216B (zh) | 基于子载波动态选择的速度自适应室内人体检测方法 | |
CN114662405A (zh) | 基于少样本度量和集成学习的岩爆预测方法 | |
CN113109782B (zh) | 一种直接应用于雷达辐射源幅度序列的分类方法 | |
CN104977602A (zh) | 一种地震数据采集施工的控制方法及装置 |
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 |