CN110308485B - 基于深度学习的微震信号分类方法、装置及存储介质 - Google Patents
基于深度学习的微震信号分类方法、装置及存储介质 Download PDFInfo
- Publication number
- CN110308485B CN110308485B CN201910601781.2A CN201910601781A CN110308485B CN 110308485 B CN110308485 B CN 110308485B CN 201910601781 A CN201910601781 A CN 201910601781A CN 110308485 B CN110308485 B CN 110308485B
- Authority
- CN
- China
- Prior art keywords
- classification
- microseismic
- deep learning
- set data
- training set
- 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.)
- Active
Links
- 238000013135 deep learning Methods 0.000 title claims abstract description 70
- 238000000034 method Methods 0.000 title claims abstract description 48
- 238000003860 storage Methods 0.000 title claims abstract description 14
- 238000012549 training Methods 0.000 claims abstract description 92
- 238000013145 classification model Methods 0.000 claims abstract description 36
- 238000000605 extraction Methods 0.000 claims abstract description 10
- 239000011159 matrix material Substances 0.000 claims abstract description 10
- 230000003595 spectral effect Effects 0.000 claims description 48
- 238000012545 processing Methods 0.000 claims description 23
- 238000013527 convolutional neural network Methods 0.000 claims description 22
- 238000004590 computer program Methods 0.000 claims description 17
- 230000004913 activation Effects 0.000 claims description 15
- 238000005422 blasting Methods 0.000 claims description 14
- 239000011435 rock Substances 0.000 claims description 12
- 238000004422 calculation algorithm Methods 0.000 claims description 9
- 238000009432 framing Methods 0.000 claims description 9
- 230000004907 flux Effects 0.000 claims description 8
- 238000010606 normalization Methods 0.000 claims description 8
- 239000013598 vector Substances 0.000 claims description 8
- 238000011176 pooling Methods 0.000 claims description 7
- 238000012795 verification Methods 0.000 claims description 5
- 238000011160 research Methods 0.000 claims description 3
- 238000012544 monitoring process Methods 0.000 abstract description 20
- 230000002349 favourable effect Effects 0.000 abstract 1
- 238000010586 diagram Methods 0.000 description 12
- 230000006870 function Effects 0.000 description 7
- 238000001228 spectrum Methods 0.000 description 7
- 238000004364 calculation method Methods 0.000 description 5
- 230000008859 change Effects 0.000 description 5
- 238000009826 distribution Methods 0.000 description 5
- 230000000694 effects Effects 0.000 description 5
- 230000008569 process Effects 0.000 description 5
- 238000005070 sampling Methods 0.000 description 5
- 238000010200 validation analysis Methods 0.000 description 4
- 238000005553 drilling Methods 0.000 description 3
- 238000004880 explosion Methods 0.000 description 3
- 230000005641 tunneling Effects 0.000 description 3
- 238000005311 autocorrelation function Methods 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000006467 substitution reaction Methods 0.000 description 2
- 230000001133 acceleration Effects 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 238000013136 deep learning model Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 239000003550 marker Substances 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 230000000306 recurrent effect Effects 0.000 description 1
- 238000005728 strengthening Methods 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- 238000011179 visual inspection Methods 0.000 description 1
Images
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
- G01V1/282—Application of seismic models, synthetic seismograms
-
- 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
- G01V1/307—Analysis for determining seismic attributes, e.g. amplitude, instantaneous phase or frequency, reflection strength or polarity
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01V—GEOPHYSICS; GRAVITATIONAL MEASUREMENTS; DETECTING MASSES OR OBJECTS; TAGS
- G01V2210/00—Details of seismic processing or analysis
- G01V2210/60—Analysis
- G01V2210/63—Seismic attributes, e.g. amplitude, polarity, instant phase
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
本发明公开了一种基于深度学习的微震信号分类方法、装置及存储介质，该分类方法包括：获取微震信号；对所述微震信号进行特征提取，得到用于表征所述微震信号的表达特征，其中，所述表达特征为基于分帧和各分帧对应的时域及频域特征确定的二维特征矩阵；基于所述表达特征和用于分类的分类模型进行分类识别，确定所述微震信号对应的分类结果；其中，所述分类模型为基于训练集数据进行深度学习训练确定的模型。其可以实现对微震传感器监测的微震信号按照预设的分类模型进行自动准确分类，利于提升地压灾害监测的智能化水平。
Description
技术领域
本发明涉及微震监测技术领域，具体涉及一种基于深度学习的微震信号分类方法、装置及存储介质。
背景技术
微震监测传感器属于振动传感器，任何能够产生一定振幅的震源均会被监测系统采集。因此，除岩体破裂事件外，矿山生产过程中的掘进爆破、采场爆破、溜井放矿、凿岩过程以及人为活动干扰等震动源信号均被系统完整记录下来。在分析处理微震监测数据时，第一要务是明确震源类型，否则错误地判定震源类型将可能导致截然不同的处理结果以及由此得出的地压灾害结论。例如，部分溜井放矿事件与岩体破裂事件较为相似，如将此部分溜井放矿事件当作岩体破裂事件，则可能导致事故误报。由此可见，准确地判定事件的震源类型是后续数据分析的前提。
然而，对监测信号进行准确分类是一项极其困难且耗时的工作。目前，对监测信号进行分类由数据处理人员完成，通过对每条信号进行肉眼检查，加之经验判断，得出信号类型。此项工作一方面费时费力，另一方面由于数据处理人员经验差异，因而具有较强的主观性。因此，突破微震监测信号自动分类核心技术，是实现智能化地压灾害监测的重要的一环。
发明内容
有鉴于此，本发明实施例提供了一种基于深度学习的微震信号分类方法、装置及存储介质，旨在实现微震信号的自动分类。
本发明实施例的技术方案是这样实现的：
第一方面，本发明实施例提供一种基于深度学习的微震信号分类方法，该方法包括：
获取微震信号；
对所述微震信号进行特征提取，得到用于表征所述微震信号的表达特征，其中，所述表达特征为基于分帧和各分帧对应的时域及频域特征确定的二维特征矩阵；
基于所述表达特征和用于分类的分类模型进行分类识别，确定所述微震信号对应的分类结果；其中，所述分类模型为基于训练集数据进行深度学习训练确定的模型。
第二方面，本发明实施例提供一种基于深度学习的微震信号分类装置，该装置包括：
获取模块，用于获取微震信号；
特征提取模块，用于对所述微震信号进行特征提取，得到用于表征所述微震信号的表达特征，其中，所述表达特征为基于分帧和各分帧对应的时域及频域特征确定的二维特征矩阵；
分类识别模块，用于基于所述表达特征和用于分类的分类模型进行分类识别，确定所述微震信号对应的分类结果；其中，所述分类模型为基于训练集数据进行深度学习训练确定的模型。
第三方面，本发明实施例提供一种基于深度学习的微震信号分类设备，该设备包括：
存储器，用于存储计算机程序；
处理器，用于执行所述存储器中存储的计算机程序时，实现本发明实施例的基于深度学习的微震信号分类方法。
第四方面，本发明实施例一种存储介质，存储有计算机程序，所述计算机程序被处理器执行时，实现本发明实施例的基于深度学习的微震信号分类方法。
本发明实施例的技术方案中，通过获取微震信号，对所述微震信号进行特征提取，得到用于表征所述微震信号的表达特征，基于所述表达特征和用于分类的分类模型进行分类识别，确定所述微震信号对应的分类结果；其中，所述表达特征为基于分帧和各分帧对应的时域及频域特征确定的二维特征矩阵，所述分类模型为基于训练集数据进行深度学习训练确定的模型，其可以实现对微震传感器监测的微震信号按照预设的分类模型进行自动准确分类，利于提升地压灾害监测的智能化水平。
附图说明
构成本发明的一部分的附图用来提供对本发明的进一步理解，本发明的示意性实施例及其说明用于解释本发明，并不构成对本发明的不当限定。在附图中：
图1为本发明一实施例中基于深度学习的微震信号分类方法的流程示意图；
图2为本发明一实施例中微震信号分帧的原理示意图；
图3为本发明一实施例中卷积神经网络调整后网络参数的示意图；
图4为本发明一实施例基于深度学习的微震信号分类装置的结构示意图；
图5为本发明一实施例基于深度学习的微震信号分类设备的结构示意图。
具体实施方式
以下结合说明书附图及具体实施例对本发明技术方案做进一步的详细阐述。应当理解，此处所提供的实施例仅仅用以解释本发明，并不用于限定本发明。另外，以下所提供的实施例是用于实施本发明的部分实施例，而非提供实施本发明的全部实施例，在不冲突的情况下，本发明实施例记载的技术方案可以任意组合的方式实施。
除非另有定义，本文所使用的所有的技术和科学术语与属于本发明的技术领域的技术人员通常理解的含义相同。本文中在本发明的说明书中所使用的术语只是为了描述具体的实施例的目的，不是旨在于限制本发明。本文所使用的术语“和/或”包括一个或多个相关的所列项目的任意的和所有的组合。
本发明实施例提供一种基于深度学习的微震信号分类方法，请参阅图1，该微震信号分类方法包括：
步骤101，获取微震信号。
本发明实施例中，可以通过接收微震监测传感器生成的微震信号来获取实时的微震信号。该微震监测传感器可以为加速度型传感器，且微震信号可以经采集基站发送给微震信号分类设备。进一步地，微震信号分类设备获取的微震信号可以为经过滤波处理后的微震信号，即滤除了噪声干扰后的微震信号。
步骤102，对所述微震信号进行特征提取，得到用于表征所述微震信号的表达特征，其中，所述表达特征为基于分帧和各分帧对应的时域及频域特征确定的二维特征矩阵。
微震信号由于所用的频率较高，一条信号包括的采样点个数从几千个到几万个不等，若直接采用信号振幅作为算法输入，一方面没有较好的区分度，另一方面又需要超强的计算能力。本发明实施例中，通过对微震信号进行一系列转换，增强输入数据区分度，同时降低输入数据维度。
相关技术中，考虑到信号特征的多样性，一般采用事件震源参数特征进行自动分类研究，诚然，不同类型事件的震源参数差距是非常大的，以此作为分类特征具有较好的效果，然而，为实现智能化的地压灾害监测，这种数据处理顺序显然无法满足要求。一般而言，智能化微震监测系统中，首先需要判定事件类型，从而决定该事件是否需要进行后续处理，数据处理之后才得到震源参数。本发明实施例中，通过直接从微震信号的波形中提取分类特征，不依赖于任何后续数据处理工作，从而实现微震监测数据自动分类。
本发明实施例中，所述对所述微震信号进行特征提取得到用于表征所述微震信号的表达特征，包括：对微震信号基于设定的帧长度进行分帧处理，得到多个分帧，其中，所述多个分帧中相邻两分帧部分重叠；针对每个所述分帧，确定各所述分帧对应的时域特征和频域特征；基于所述多个分帧和各所述分帧对应的时域特征和频域特征确定所述表达特征；其中，所述时域特征包括以下至少之一：能量、过零率及能量熵；所述频域特征包括以下至少之一：谱质心、谱宽度、谱熵、谱通量、谱滚降、梅尔频率倒谱系数、谐波比、基础频率及色度向量。
在一些实施例方式中，针对微震信号，采用设定视窗长度作为基本研究单位，且为了使数据具有更好的连续性，通常一段时窗和下一段时窗间具有一定的重叠部分。通过统计单位时窗内的信号基本特征，实现对信号的表征，此方法相对单个采样点而言不仅具有较好的统计特征，而且大大减少了计算量。信号分帧方法如图2所示。
设定微震信号长度为N(采样点总个数)，分帧帧长度L，重叠率为α，则分帧总帧数为：
其中，floor为取整函数。
将微震信号分为Nframe帧后，对每个分帧分别计算M个特征，则单个微震信号被构建成Nframe×M的二维特征矩阵，即将N×1的一维信号转换为Nframe×M的二维特征矩阵。
其中，各分帧对应的M个特征包括时域特征和频域特征。
示例性地，时域特征可以包括：能量、过零率及能量熵中的一个或者多个。频域特征可以包括：谱质心、谱宽度、谱熵、谱通量、谱滚降、梅尔频率倒谱系数、谐波比、基础频率及色度向量中的一个或者多个。
对各分帧的时域特征和频域特征对应的各特征解释说明如下：
1、能量
设xi(n)，n＝1，…，WL为微震信号的第i帧的序号，其中WL是该帧的长度。该帧的能量可以通过下式计算：
为了减少帧长对其的影响，将上式(2)除以帧长，即得：
能量的变化在微震信号中较大，可能会出现不断快速交替的现象。为减少这种影响，使用能量标准方差σ2与能量平均值μ的比值作为指标，
采用
作为能量指标，可以有效区分不同类型的监测信号，可以作为训练特征。
2、过零率
过零率是指信号振幅在单位时间内的符号变化率。换句话说，它是指振幅从正到负或者从负到正的次数。过零率定义如下：
其中，sgn()是符号函数：
由于过零率在噪声段明显高于振动活动段，因此，过零率可以作为噪声的重要标记。
3、能量熵
短时能量熵可以表征为微震信号的能级突然变化的量度。计算时，首先将每个分帧划分为固定长度的K个子帧。然后，对于每个子帧j，计算其能量，并除以当前分帧的总能量。计算公式如下：
其中，
最终，序列ej的熵H(i)可通过下式计算：
当一个子帧拥有较高能量时，其能量熵较低。因此，一般在信号能量突变时，会出现能量熵较小值。据此，可以将能量熵用于信号能量显著变化过程检测，如爆破信号到达时。
4、谱质心
谱质心是描述波谱位置的一项参数。第i帧的谱质心的计算公式为：
对于不同的信号类型，其谱质心具有明显的区分度，可以作为深度学习训练输入特征。
5、谱宽度
谱宽度是描述波谱形状的一项参数。谱宽度可从谱质心推导而来，计算公式如下：
谱宽度表征了波谱围绕谱质心进行分布的状态。较低的谱宽度意味着其波谱紧密聚集在谱质心附近。对于不同的信号类型，其谱宽度具有明显的区分度，可以作为深度学习训练输入特征。
6、谱熵
谱熵同能量熵的计算类似，只需将时域替换为频域即可。首先将一帧的信号划分为L个子带，随后，将第f个带的能量进行归一化，即
最后，谱熵H按下式计算：
对于不同的信号类型，其谱熵具有明显的区分度，可以作为深度学习训练输入特征。
7、谱通量
谱通量表征两相邻帧间的波谱变化。通过下式计算：
对于不同的信号类型，其谱通量具有明显的区分度，可以作为深度学习训练输入特征。
8、谱滚降
设第m个离散傅里叶变换DFT系数对应于第i帧的谱滚降，则满足下式：
其中，C是采用的百分比参数。通常将其进行归一化，即将其除以WFL，其值在0到1之间。归一化后，信号的最大频率即采样率的一半对应于1。
谱滚降可用于区分信号中的噪声段和活动段，也可用于区分不同信号类型。
9、梅尔频率倒谱系数
梅尔频率倒谱是基于声音频率的非线性梅尔刻度(mel scale)的对数能量频谱的线性变换。梅尔频率倒谱系数(Mel-Frequency Cepstrum Coefficients,MFCC)就是组成梅尔频率倒谱的系数。倒谱和梅尔频率倒谱的区别在于，梅尔频率倒谱的频带划分是在梅尔刻度上等距划分的，它比用于正常的对数倒频谱中的线性间隔的频带更能近似人类的听觉系统。这样的非线性表示，使得梅尔频率倒谱系数广泛应用于各类信号处理工作中，如语音识别，音乐风格分类，人声分类，以及其他音频分类等。
从微震信号帧中提取MFCC的主要流程如下：
1)对微震信号进行离散傅里叶变换DFT。
2)DFT作为梅尔尺度下的过滤器输入，计算频率扭曲函数：
fw＝1127.01048×log(f/700+1) (14)
3)设
是第k阶过滤器输出的功率，则：
对于不同的信号类型，其MFCC具有明显的区分度，可以作为深度学习训练输入特征。
10、谐波比和基础频率
谐波比和基础频率的计算步骤主要包括：
1)计算每一帧的自相关函数，如下式
其中WL是每一帧的采样点数，Ri(m)对应于第i帧与其时间延迟m为的信号的自相关性。
2)归一化自相关函数：
3)计算Γ的最大值，即谐波比：
HRi＝max{Γi(m)} (18)
4)基础频率即为谐波比最大时时刻的倒数，如下式：
对于不同类型的信号，谐波比和基础频率都具有极为明显的区分度。
11、色度向量
色度向量是12个表征频谱能量的值。计算时，通过将DFT系数分成12组，得到色度向量。
其中Sk是与DFT系数相对应的频率的子集，Nk是Sk的基数。
在一些实施方式中，综合上述特征的提取方法，通过将一条微震信号分为Nframe帧，每一帧可提取出35个特征值，如表1所示，可以得到大小为Nframe×35的矩阵作为表达特征，由此表征一条微震信号。
表1
步骤103，基于所述表达特征和用于分类的分类模型进行分类识别，确定所述微震信号对应的分类结果；其中，所述分类模型为基于训练集数据进行深度学习训练确定的模型。
本实施例中，需要预先建立用于分类的分类模型。若已存在分类模型，则可以基于所述表达特征和用于分类的分类模型进行分类识别，确定所述微震信号对应的分类结果。
其中，建立用于分类的分类模型具体包括：
获取所述训练集数据，所述训练集数据包括经过人工分类标注的微震信号对应的表达特征；
基于所述训练集数据和深度学习算法进行深度学习训练，确定所述分类模型。
在一些实施方式中，所述训练集数据包括：岩体破裂微震事件对应的第一训练集数据、爆破事件对应的第二训练集数据集及噪声对应的第三训练集数据。其中，爆破事件又可分为采场爆破和掘进爆破；噪声种类较多，可细分为：溜井放矿、钻机凿岩、电流干扰、其他噪声等。
由于对微震信号进行分类的主要任务是为后续数据处理提供决策支持，对于噪声类型而言，无论其产生原因，均不会影响到安全预警结果，因此不需要对其进行处理，而对爆破类型而言，无论掘进爆破或采场爆破，均需要对这一事件进行处理。故此，本发明实施例根据大类进行分类，即将监测数据分为三类：岩体破裂微震事件、爆破事件和噪声。
本发明实施例采用深度学习算法确定分类模型，相较于机器学习算法，能够利用多层的方式自动从原始数据中提取出为达成自身任务目标而需要的特征。该深度学习算法可以采用深度信念网络DBN、循环神经网络RNN或者卷积神经网络CNN。在一些实施方式中，对所述训练集数据输入CNN进行深度学习训练，调整所述CNN的网络参数，得到所述分类模型。
在一些实施方式中，所述CNN采用16层网络结构，包括依序连接：输入层、第一卷积层、第一激活层、第一跨通道归一化层、第一最大池化层、第二卷积层、第二激活层、第二跨通道归一化层、第二最大池化层、第一全连接层、第三激活层、第二全连接层、第四激活层、第三全连接层、第五激活层及输出层。具体地，16层网络的CNN结构包括：输入层→卷积层→ReLu激活层→跨通道归一化层→最大池化层→卷积层→ReLu激活层→跨通道归一化层→最大池化层→全连接层→ReLu激活层→全连接层→ReLu激活层→全连接层→softmax激活层→输出层。
在一示例中，通过不断调整网络参数，以达到最佳学习效果，最终通过调整后的网络参数如图3所示。
在一些实施例中，所述对所述训练集数据输入CNN进行深度学习训练之前，包括：对所述训练集数据划分为两部分，一部分作为验证集数据，另一部分作为输入CNN的训练集数据。
为更好的评价训练结果，训练开始前通过随机数发生器将数据集(譬如，岩体破裂微震事件3656条，爆破事件3903条，噪声3191条)随机分为训练集和验证集，其中训练集占比75％，验证集占比25％。这样的好处是避免当数据全部进行训练时，由于每条数据都参与了网络学习，从而导致准确率虚高的现象。
根据确定的训练集，利用CNN进行深度学习训练。为了提高深度学习训练效率，可以使用Nvidia GPU加速训练。
在训练过程中，训练集准确率是根据训练后的权重(weights)和偏差(biases)进行前馈运算，对已经学习过的信号进行分类预测的准确度；而验证集准确率则恰恰相反，是对从未参与学习的信号进行分类预测的准确度。训练集准确率常常可能存在虚高现象，而验证集准确率则是深度学习训练结果的真实反映。
除准确率外，另一方面，交叉熵损失(loss)也是训练结果度量的一个重要指标。交叉熵刻画的是实际输出(概率)与期望输出(概率)的距离，也就是交叉熵的值越小，两个概率分布就越接近。假设概率分布p为期望输出，概率分布q为实际输出，H(p,q)为交叉熵，则：
在一示例中，训练过程的中的前几次迭代(mini-batch)，准确率从15％迅速上升至58％，随后出现一定下降后开始稳步上长，最终训练集准确率稳定在100％左右，在此参数下的验证集准确率达到96％。交叉熵损失从最初的1.1开始随着迭代次数逐步下降，最终训练集交叉熵损失稳定在0.03，验证集交叉熵损失稳定在0.15。由于多次迭代，准确率和交叉熵损失不再变化，训练完成。
本发明实施例通过一系列的层操作，深度学习通过强化关键特征，从而达到分类问题的高准确度。
为了验证分类的准确率，本发明实施例微震信号分类方法以某一矿山微震监测系统应用为例进行试验，共有经过人工标记的岩体破裂微震事件842条，爆破事件1498条，噪声事件1164条。首先根据每条信号波形提取为35×50的特征矩阵，随后以矩阵为输入，根据所训练的深度学习模型，输出该信号分别属于这三类的概率，其中概率最大的类型即为预测分类。最终，在842条岩体破裂微震事件中792条识别正确，1498条爆破事件中1477条识别正确，在1164条噪声事件中1113条识别正确。综合识别准确率为96.1％，如表2所示。
表2
由以上的描述可以得知，本发明实施例基于深度学习的微震信号分类方法，可以实现对微震传感器监测的微震信号按照预设的分类模型进行自动准确分类，利于提升地压灾害监测的智能化水平。且综合识别的准确率可以达到96％以上。
为了实现本发明实施例的方法，本发明实施例还提供一种基于深度学习的微震信号分类装置，请参阅图4，该分类装置400包括：
获取模块401，用于获取微震信号；
特征提取模块402，用于对所述微震信号进行特征提取，得到用于表征所述微震信号的表达特征，其中，所述表达特征为基于分帧和各分帧对应的时域及频域特征确定的二维特征矩阵；
分类识别模块403，用于基于所述表达特征和用于分类的分类模型进行分类识别，确定所述微震信号对应的分类结果；其中，所述分类模型为基于训练集数据进行深度学习训练确定的模型。
在一些实施例中，特征提取模块402具体用于：
对微震信号基于设定的帧长度进行分帧处理，得到多个分帧，其中，所述多个分帧中相邻两分帧部分重叠；
针对每个所述分帧，确定各所述分帧对应的时域特征和频域特征；
基于所述多个分帧和各所述分帧对应的时域特征和频域特征确定所述表达特征；
其中，所述时域特征包括以下至少之一：能量、过零率及能量熵；
所述频域特征包括以下至少之一：谱质心、谱宽度、谱熵、谱通量、谱滚降、梅尔频率倒谱系数、谐波比、基础频率及色度向量。
在一些实施例中，该分类装置还包括：建模模块404，用于建立分类模型。该建模模块404具体用于：
获取所述训练集数据，所述训练集数据包括经过人工分类标注的微震信号对应的表达特征；
基于所述训练集数据和深度学习算法进行深度学习训练，确定所述分类模型。
在一些实施例中，所述训练集数据包括：岩体破裂微震事件对应的第一训练集数据、爆破事件对应的第二训练集数据集及噪声对应的第三训练集数据。
在一些实施例中，建模模块404具体用于：
对所述训练集数据输入卷积神经网络CNN进行深度学习训练，调整所述CNN的网络参数，得到所述分类模型。
在一些实施例中，所述CNN采用16层网络结构，包括依序连接：输入层、第一卷积层、第一激活层、第一跨通道归一化层、第一最大池化层、第二卷积层、第二激活层、第二跨通道归一化层、第二最大池化层、第一全连接层、第三激活层、第二全连接层、第四激活层、第三全连接层、第五激活层及输出层。
在一些实施例中，建模模块404还用于对所述训练集数据输入CNN进行深度学习训练之前，对所述训练集数据划分为两部分，一部分作为验证集数据，另一部分作为输入CNN的训练集数据。
需要说明的是：上述实施例提供的基于深度学习的微震信号分类装置在进行基于深度学习的微震信号分类时，仅以上述各程序模块的划分进行举例说明，实际应用中，可以根据需要而将上述处理分配由不同的程序模块完成，即将基于深度学习的微震信号分类装置的内部结构划分成不同的程序模块，以完成以上描述的全部或者部分处理。另外，上述实施例提供的基于深度学习的微震信号分类装置与基于深度学习的微震信号分类方法实施例属于同一构思，其具体实现过程详见方法实施例，这里不再赘述。
在实际应用中，上述各程序模块均可由微震信号分类设备上的中央处理器(CPU，Central Processing Unit)、微处理器(MPU，Micro Processor Unit)、数字信号处理器(DSP，Digital Signal Processor)、或现场可编程门阵列(FPGA，Field ProgrammableGate Array)等实现。
基于上述微震信号分类装置的硬件实现，本发明实施例提供的一种微震信号分类设备，请参阅图5，该微震信号分类设备500包括：至少一个处理器501、存储器502、用户接口503和至少一个网络接口504。微震信号分类设备500中的各个组件通过总线系统505耦合在一起。可以理解，总线系统505用于实现这些组件之间的连接通信。总线系统505除包括数据总线之外，还包括电源总线、控制总线和状态信号总线。但是为了清楚说明起见，在图5中将各种总线都标为总线系统505。
其中，用户接口503可以包括显示器、键盘、鼠标、轨迹球、点击轮、按键、按钮、触感板或者触摸屏等。
可以理解，存储器502可以是易失性存储器或非易失性存储器，也可包括易失性和非易失性存储器两者。
本发明实施例中的存储器502用于存储各种类型的数据以支持基于深度学习的微震信号分类装置的操作。这些数据的示例包括：用于在微震信号分类设备500上运行的任何计算机程序，如可执行程序5021，实现本发明实施例的基于深度学习的微震信号分类方法的程序可以包含在可执行程序5021中。
本发明实施例揭示的基于深度学习的微震信号分类方法可以应用于处理器501中，或者由处理器501实现。处理器501可能是一种集成电路芯片，具有信号的处理能力。在实现过程中，基于深度学习的微震信号分类方法的各步骤可以通过处理器501中的硬件的集成逻辑电路或者软件形式的指令完成。上述的处理器501可以是通用处理器、数字信号处理器(DSP，Digital Signal Processor)，或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。处理器501可以实现或者执行本发明实施例中的公开的各方法、步骤及逻辑框图。通用处理器可以是微处理器或者任何常规的处理器等。结合本发明实施例所公开的方法的步骤，可以直接体现为硬件译码处理器执行完成，或者用译码处理器中的硬件及软件模块组合执行完成。软件模块可以位于存储介质中，该存储介质位于存储器502，处理器501读取存储器502中的信息，结合其硬件完成本发明实施例提供的基于深度学习的微震信号分类方法的步骤。
本发明实施例还提供了一种存储介质，该存储介质可以包括：移动存储设备、随机存取存储器(RAM，Random Access Memory)、只读存储器(ROM，Read-Only Memory)、磁碟或者光盘等各种可以存储程序代码的介质。所述可读存储介质存储有计算机程序；所述计算机程序用于被处理器执行时实现本发明任一实施例所述的基于深度学习的微震信号分类方法。
本领域内的技术人员应明白，本发明实施例可提供为方法、系统、或计算机程序产品。因此，本发明实施例可采用硬件实施例、软件实施例、或结合软件和硬件方面的实施例的形式。而且，本发明实施例可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器和光学存储器等)上实施的计算机程序产品的形式。
本发明实施例是参照根据本发明实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理系统的处理器以产生一个机器，使得通过计算机或其他可编程数据处理系统的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理系统以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理系统上，使得在计算机或其他可编程系统上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程系统上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
以上所述，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到变化或替换，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应以所述权利要求的保护范围为准。
Claims (7)
1.一种基于深度学习的微震信号分类方法，其特征在于，
获取微震信号；
对所述微震信号进行特征提取，得到用于表征所述微震信号的表达特征，其中，所述表达特征为基于分帧和各分帧对应的时域及频域特征确定的二维特征矩阵；
基于所述表达特征和用于分类的分类模型进行分类识别，确定所述微震信号对应的分类结果；其中，所述分类模型为基于训练集数据进行深度学习训练确定的模型；
所述对所述微震信号进行特征提取得到用于表征所述微震信号的表达特征，包括：
对微震信号基于设定的帧长度进行分帧处理，得到多个分帧，其中，所述多个分帧中相邻两分帧部分重叠；
针对每个所述分帧，确定各所述分帧对应的时域特征和频域特征；
基于所述多个分帧和各所述分帧对应的时域特征和频域特征确定所述表达特征；
所述时域特征包括：能量、过零率及能量熵；
所述频域特征包括：谱质心、谱宽度、谱熵、谱通量、谱滚降、梅尔频率倒谱系数、谐波比、基础频率及色度向量；
所述基于所述表达特征和用于分类的分类模型进行分类识别，确定所述微震信号对应的分类结果之前，还包括：
获取所述训练集数据，所述训练集数据包括经过人工分类标注的微震信号对应的表达特征；
基于所述训练集数据和深度学习算法进行深度学习训练，确定所述分类模型；
所述训练集数据包括：岩体破裂微震事件对应的第一训练集数据、爆破事件对应的第二训练集数据集及噪声对应的第三训练集数据；
针对微震信号，采用设定时 窗长度作为基本研究单位；通过统计单位时窗内的信号基本特征，实现对信号的表征。
2.如权利要求1所述的基于深度学习的微震信号分类方法，其特征在于，所述基于所述训练集数据和深度学习算法进行深度学习训练，确定所述分类模型，包括：
对所述训练集数据输入卷积神经网络CNN进行深度学习训练，调整所述CNN的网络参数，得到所述分类模型。
3.如权利要求2所述的基于深度学习的微震信号分类方法，其特征在于，
所述CNN采用16层网络结构，包括依序连接：输入层、第一卷积层、第一激活层、第一跨通道归一化层、第一最大池化层、第二卷积层、第二激活层、第二跨通道归一化层、第二最大池化层、第一全连接层、第三激活层、第二全连接层、第四激活层、第三全连接层、第五激活层及输出层。
4.如权利要求2所述的基于深度学习的微震信号分类方法，其特征在于，所述对所述训练集数据输入CNN进行深度学习训练之前，包括：
对所述训练集数据划分为两部分，一部分作为验证集数据，另一部分作为输入CNN的训练集数据。
5.一种基于深度学习的微震信号分类装置，其特征在于，包括：
获取模块，用于获取微震信号；
特征提取模块，用于对所述微震信号进行特征提取，得到用于表征所述微震信号的表达特征，其中，所述表达特征为基于分帧和各分帧对应的时域及频域特征确定的二维特征矩阵；
分类识别模块，用于基于所述表达特征和用于分类的分类模型进行分类识别，确定所述微震信号对应的分类结果；其中，所述分类模型为基于训练集数据进行深度学习训练确定的模型；
建模模块，用于建立分类模型；
所述特征提取模块具体用于：
对微震信号基于设定的帧长度进行分帧处理，得到多个分帧，其中，所述多个分帧中相邻两分帧部分重叠；
针对每个所述分帧，确定各所述分帧对应的时域特征和频域特征；
基于所述多个分帧和各所述分帧对应的时域特征和频域特征确定所述表达特征；
所述时域特征包括：能量、过零率及能量熵；
所述频域特征包括：谱质心、谱宽度、谱熵、谱通量、谱滚降、梅尔频率倒谱系数、谐波比、基础频率及色度向量；
所述建模模块具体用于：
获取所述训练集数据，所述训练集数据包括经过人工分类标注的微震信号对应的表达特征；
基于所述训练集数据和深度学习算法进行深度学习训练，确定所述分类模型；
所述训练集数据包括：岩体破裂微震事件对应的第一训练集数据、爆破事件对应的第二训练集数据集及噪声对应的第三训练集数据；
针对微震信号，采用设定时窗 长度作为基本研究单位；通过统计单位时窗内的信号基本特征，实现对信号的表征。
6.一种基于深度学习的微震信号分类设备，其特征在于，包括：
存储器，用于存储计算机程序；
处理器，用于执行所述存储器中存储的计算机程序时，实现如权利要求1至4任一所述的基于深度学习的微震信号分类方法。
7.一种存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时，实现如权利要求1至4任一所述的基于深度学习的微震信号分类方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910601781.2A CN110308485B (zh) | 2019-07-05 | 2019-07-05 | 基于深度学习的微震信号分类方法、装置及存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910601781.2A CN110308485B (zh) | 2019-07-05 | 2019-07-05 | 基于深度学习的微震信号分类方法、装置及存储介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN110308485A CN110308485A (zh) | 2019-10-08 |
| CN110308485B true CN110308485B (zh) | 2022-02-11 |
Family
ID=68079212
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910601781.2A Active CN110308485B (zh) | 2019-07-05 | 2019-07-05 | 基于深度学习的微震信号分类方法、装置及存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN110308485B (zh) |
Families Citing this family (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110910613B (zh) * | 2019-12-10 | 2022-04-05 | 大连理工大学 | 一种岩体微震无线监测接收预警系统 |
| CN111916091B (zh) * | 2020-07-15 | 2022-06-17 | 北京科技大学 | 利用语音识别的煤岩失稳前兆信息特征提取的方法和装置 |
| CN113960657A (zh) * | 2020-07-20 | 2022-01-21 | 中国石油天然气股份有限公司 | 地震数据特征获取方法及系统 |
| CN112230275B (zh) * | 2020-09-14 | 2024-01-26 | 河南省地震局 | 地震波形的识别方法、装置及电子设备 |
| CN112282739B (zh) * | 2020-11-18 | 2024-04-30 | 中国石油天然气集团有限公司 | 一种随钻井径测量中的岩屑散射体识别方法 |
| CN112526606A (zh) * | 2021-02-08 | 2021-03-19 | 南京云创大数据科技股份有限公司 | 一种基于异构多分类模型的震源类型预测方法和系统 |
| CN113050158B (zh) * | 2021-03-19 | 2022-05-31 | 中国科学院武汉岩土力学研究所 | 近场微震信号波形的分析方法、装置、设备及存储介质 |
| 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 |
| 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 |
Family Cites Families (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20140019057A1 (en) * | 2012-07-16 | 2014-01-16 | Nanoseis Llc | Microseismic Event Verification Using Sub-stacks |
| CN107784276B (zh) * | 2017-10-13 | 2021-03-19 | 中南大学 | 微震事件识别方法和装置 |
| CN109597123B (zh) * | 2018-10-26 | 2021-02-19 | 长江大学 | 一种有效信号检测方法及系统 |
-
2019
- 2019-07-05 CN CN201910601781.2A patent/CN110308485B/zh active Active
Non-Patent Citations (2)
| Title |
|---|
| Automatic classification of mufti-channel microseismic waveform based on DCNN-SPP;B.I. Lin et al.;《Journal of Applied Geophysics》;20180915;第447页 * |
| Automatic recognition and classification of multi-channel microseismic waveform based on DCNN and SVM;Bi Lin et al.;《Computers and Geosciences》;20181026;第113页 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN110308485A (zh) | 2019-10-08 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110308485B (zh) | 基于深度学习的微震信号分类方法、装置及存储介质 | |
| CN109473120A (zh) | 一种基于卷积神经网络的异常声音信号识别方法 | |
| CN107610707A (zh) | 一种声纹识别方法及装置 | |
| Prasomphan | Improvement of speech emotion recognition with neural network classifier by using speech spectrogram | |
| CN107492382A (zh) | 基于神经网络的声纹信息提取方法及装置 | |
| CN110299142B (zh) | 一种基于网络融合的声纹识别方法及装置 | |
| CN110047512B (zh) | 一种环境声音分类方法、系统及相关装置 | |
| CN104835498A (zh) | 基于多类型组合特征参数的声纹识别方法 | |
| CN101364408A (zh) | 一种声像联合的监控方法及系统 | |
| CN101923855A (zh) | 文本无关的声纹识别系统 | |
| CN104900235A (zh) | 基于基音周期混合特征参数的声纹识别方法 | |
| CN105448291A (zh) | 基于语音的帕金森症检测方法及检测系统 | |
| CN104658538A (zh) | 一种基于鸟鸣声的移动式鸟类识别方法 | |
| CN106601230A (zh) | 基于连续混合高斯hmm模型的物流分拣地名语音识别方法、系统及物流分拣系统 | |
| CN103440863A (zh) | 一种基于流形的语音情感识别方法 | |
| CN110364168B (zh) | 一种基于环境感知的声纹识别方法及系统 | |
| CN109308903A (zh) | 语音模仿方法、终端设备及计算机可读存储介质 | |
| CN103456302A (zh) | 一种基于情感gmm模型权重合成的情感说话人识别方法 | |
| CN116013276A (zh) | 一种基于轻量化ecapa-tdnn神经网络的室内环境音自动分类方法 | |
| Imran et al. | An analysis of audio classification techniques using deep learning architectures | |
| CN103578480A (zh) | 负面情绪检测中的基于上下文修正的语音情感识别方法 | |
| CN104992708A (zh) | 短时特定音频检测模型生成与检测方法 | |
| Dennis et al. | Analysis of spectrogram image methods for sound event classification | |
| Jadhav et al. | Sound classification using python | |
| CN111210845B (zh) | 一种基于改进自相关特征的病理语音检测装置 |
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 |