CN110619264A - 基于UNet++的微地震有效信号识别方法及装置 - Google Patents
基于UNet++的微地震有效信号识别方法及装置 Download PDFInfo
- Publication number
- CN110619264A CN110619264A CN201910694037.1A CN201910694037A CN110619264A CN 110619264 A CN110619264 A CN 110619264A CN 201910694037 A CN201910694037 A CN 201910694037A CN 110619264 A CN110619264 A CN 110619264A
- Authority
- CN
- China
- Prior art keywords
- signal
- unet
- data set
- network
- training data
- 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 31
- 238000012549 training Methods 0.000 claims abstract description 59
- 230000003993 interaction Effects 0.000 claims abstract description 9
- 238000004519 manufacturing process Methods 0.000 claims abstract description 4
- 238000000926 separation method Methods 0.000 claims description 16
- 238000004458 analytical method Methods 0.000 claims description 13
- 238000005070 sampling Methods 0.000 claims description 13
- 238000001914 filtration Methods 0.000 claims description 7
- 230000009466 transformation Effects 0.000 claims description 6
- 238000013138 pruning Methods 0.000 claims description 4
- 230000004927 fusion Effects 0.000 claims description 3
- 238000001514 detection method Methods 0.000 abstract description 7
- 238000000605 extraction Methods 0.000 abstract description 7
- 230000006870 function Effects 0.000 description 8
- 230000008569 process Effects 0.000 description 6
- 238000004590 computer program Methods 0.000 description 5
- 238000013528 artificial neural network Methods 0.000 description 4
- 230000003042 antagnostic effect Effects 0.000 description 3
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 230000008901 benefit Effects 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 238000013527 convolutional neural network Methods 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 238000003860 storage Methods 0.000 description 2
- 230000003044 adaptive effect Effects 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000002068 genetic effect Effects 0.000 description 1
- 238000003709 image segmentation Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012360 testing method 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
- G01V1/00—Seismology; Seismic or acoustic prospecting or detecting
- G01V1/28—Processing seismic data, e.g. for interpretation or for event detection
- G01V1/36—Effecting static or dynamic corrections on records, e.g. correcting spread; Correlating seismic signals; Eliminating effects of unwanted energy
- G01V1/364—Seismic filtering
- G01V1/366—Seismic filtering by correlation of seismic signals
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/02—Preprocessing
- G06F2218/04—Denoising
- G06F2218/06—Denoising by applying a scale-space analysis, e.g. using wavelet analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/12—Classification; Matching
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
- Y02A90/30—Assessment of water resources
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Physics & Mathematics (AREA)
- Remote Sensing (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Environmental & Geological Engineering (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Life Sciences & Earth Sciences (AREA)
- Geology (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Geophysics (AREA)
- Evolutionary Biology (AREA)
- Acoustics & Sound (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Business, Economics & Management (AREA)
- Emergency Management (AREA)
- Image Analysis (AREA)
Abstract
本发明提出一种基于UNet++的微地震有效信号识别方法及装置，所述方法包括：获取微地震原始信号集，并制作训练数据集；构造深度卷积生成对抗网络DCGAN，将所述训练数据集输入所述DCGAN网络中训练，通过生成器和判别器的相互作用生成与输入数据集相似度高的样本集，通过所述样本集对所述训练数据集进行扩充；将所述扩充后的训练数据集输入到端对端的UNet++网络中进行训练，得到训练好的UNet++网络模型；通过所述训练好的UNet++网络模型对待检测信号进行分类，获取有效信号初至点。本发明的方法可以实现对小样本数据集中的微地震信号进行有效检测，利用UNet++网络模型实现像素级的特征提取，提高检测精度。
Description
技术领域
本发明属于微地震有效信号检测技术领域，具体涉及一种联合DCGAN和 UNet++网络的微地震有效信号识别方法及装置。
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，而且往往需要消耗大量的时间，这显然无法满足当今大数据时代的需求。
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，训练过程也十分不稳定，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
本发明针对现有技术中弱信噪比下的有效信号提取精度差、无法准确的学 习到小样本数据集中信号的特征等问题，提出一种联合DCGAN和UNet++网 络的微地震有效信号识别方法及装置。
本发明第一方面，提出一种基于UNet++的微地震有效信号识别方法，所 述方法包括：
S1、获取不同的原始信号，提取出有效信号道，并实现信号和噪音分离；
S2、确定所述有效信号道中有效信号的初至位置，做成标签，并制作训练 数据集；
S3、构造深度卷积生成对抗网络DCGAN，将所述训练数据集输入所述 DCGAN网络中训练，通过生成器和判别器的相互作用生成与输入的训练数据 集相似度高的样本集，通过所述样本集对所述训练数据集进行扩充。
S4、将所述扩充后的训练数据集输入到端对端的UNet++网络中进行训练， 得到训练好的UNet++网络模型；
S5、通过所述训练好的UNet++网络模型对待检测信号进行分类，获取有 效信号初至点。
优选的，所述步骤S1具体包括：
S11、运用matlab读取并绘出所述原始信号的剖面图，从中观察信号的采 样点，从中提取出有效信号道、剔除无效道；
S21、采用S变换对所述有效信号进行时频分析，通过低通或高通滤波实 现信号和噪音的分离；所述时频分析的公式为：
其中，为高斯窗函数，t代表时间，f代表频率， j为虚数单位，τ为高斯窗函数在时间轴上的位置。
优选的，所述步骤S4中，所述UNet++网络模型包括上采样层、下采样层、 跳层结构以及层与层之间的特征融合并且加入剪枝操作，利用UNet++网络端对 端的特点对信号不同层次的特征进行像素级的提取。
优选的，所述步骤S5中，通过UNet++网络模型中的softmax层对待检测 信号进行二分类，预测有效信号初至点的所在位置x的概率，0表示非初至位 置，1表示初至位置，获取有效信号的初至点；计算概率公式为：
其中i＝0,1分别代表初至点和非初至点。
本发明第二方面，提出一种基于UNet++的微地震有效信号识别装置，所 述装置包括：
数据集制作模块：获取不同的原始信号，提取出有效信号道，并实现信号 和噪音分离；确定所述有效信号道中有效信号的初至位置，做成标签，并制作 训练数据集；
数据集扩充模块：构造深度卷积生成对抗网络DCGAN，将所述训练数据 集输入所述DCGAN网络中训练，通过生成器和判别器的相互作用生成与输入 训练数据集相似度高且含有有效信号及一定噪音的样本集，通过所述样本集对 所述训练数据集进行扩充；
模型训练模块：将所述扩充后的训练数据集输入到端对端的UNet++网络 中进行训练，得到训练好的UNet++网络模型；
信号识别模块：通过所述训练好的UNet++网络模型对待检测信号进行分 类，获取有效信号初至点。
优选的，所述数据集制作模块具体包括：
预处理单元：运用matlab读取并绘出所述原始信号的剖面图，从中观察信 号的采样点，从中提取出有效信号道、剔除无效道；
信噪分离单元：采用S变换对所述有效信号进行时频分析，通过低通或高 通滤波实现信号和噪音的分离；所述时频分析的公式为：
其中，为高斯窗函数，t代表时间，f代表频率， j为虚数单位，τ为高斯窗函数在时间轴上的位置。
标签制作单元：确定所述有效信号道中有效信号的初至位置，做成标签， 根据所述有效信号道及对应的标签制作训练数据集；
优选的，所述信号识别模块中，通过UNet++网络模型中的softmax层对待 检测信号进行二分类，预测有效信号初至点的所在位置x的概率，0表示非初 至位置，1表示初至位置，获取有效信号的初至点；softmax计算概率的公式为：
其中i＝0,1分别代表初至点和非初至点。
本发明的有益效果是：
1.本发明的方法可以实现对小样本数据集中的微地震信号进行有效检测， 通过DCGAN的生成器和判别器的相互作用生成样本集，从而达到扩容的目的， 且能提高数据集样本的质量和精确度。
2.利用UNet++网络模型实现像素级的特征提取，同时端对端的对数据集进 行处理可以有效防止信息丢失，从而准确获取有效信号初至点的位置，提高检 测精度。
3.本发明的方法还可以用于低信噪比环境下有效信号的检测。
附图说明
为了更清楚地说明本发明的技术方案，下面将对本发明技术描述中所需要 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为本发明实施例提供的的有效信号识别方法流程示意图；
图2为原始信号剖面图；
图3为待检测信号；
图4为图3的信号识别结果；
图5为本发明实施例提供的的有效信号识别装置结构示意图。
具体实施方式
本发明利用DCGAN对原始的小样本数据集进行扩容，然后结合UNet++ 网络提取有效信号特征，识别有效信号初至点，最终检测出有效信号。
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。
请参阅图1，本发明提出一种基于UNet++的微地震有效信号识别方法，所 述方法包括：
S1、获取微地震原始信号集，提取出原始信号中的有效信号道，并实现信 号和噪音分离；
进一步的，所述步骤S1具体包括：
S11、运用matlab读取并绘出所述原始信号的剖面图，从中观察信号的采 样点，从中提取出有效信号道、剔除无效道；
S21、采用S变换对所述有效信号进行时频分析，通过低通或高通滤波实 现信号和噪音的分离；所述时频分析的公式为：
其中，为高斯窗函数，t代表时间，f代表频率， j为虚数单位，τ为高斯窗函数在时间轴上的位置。
具体的，根据不同的原始信号，运用matlab读取并绘出原始信号的剖面图， 请参阅图2，图2为某原始信号的剖面图。从中观察信号的采样点，从中提取 出有效信号道、剔除无效道，然后再利用matlab对信号进行时频分析、通过低 通或高通滤波实现信号和噪音的分离。
S2、确定所述有效信号道中有效信号的初至位置，做成标签，并制作训练 数据集；
具体的，根据matlab绘出的原始信号剖面图，观图确定有效信号道，再确 定已提取各信号道中有效信号的初至位置，做成标签，同时提取各信号道作为 训练数据集。
S3、构造深度卷积生成对抗网络DCGAN，将所述训练数据集输入所述 DCGAN网络中训练，通过生成器和判别器的相互作用生成与输入的训练训练 数据集相似度高通过所述样本集对所述训练数据集进行扩容；
具体的，本发明使用深度卷积生成对抗神经网络(Deep Convolution GenerativeAdversarial Networks，DCGAN)对信号进行处理，扩充训练集。 DCGAN网络是GAN与CNN的结合，利用DCGAN网络的生成器和判别器的 相互作用，通过卷积神经网络达到从数据集中提取到有效信号的特征的目的， 从而生成与输入数据集相似度高的样本集，该样本集含有有效信号及一定噪音， 可用于扩充数据集，丰富样本量较小的数据集。
S4、将所述扩充后的训练数据集输入到端对端的UNet++网络中进行训练， 得到训练好的UNet++网络模型；
进一步的，所述步骤S4中，所述UNet++网络模型包括上采样层、下采样 层、跳层结构以及层与层之间的特征融合并且加入剪枝操作，利用UNet++网络 端对端的特点对信号不同层次的特征进行像素级的提取。
2018年6月Zongwei Zhou在A Nested U-Net Architecture for Medical ImageSegmentation文章中提出UNet++(Nested-Unet)网络，该网络相较于传统的 UNet网络改进了跳层结构并加入了剪枝技术，可以提取不同层次的特征，并且 通过特征叠加的方式整合。在训练过程中前向传播，剪掉部分对前面的输出无 影响，在测试阶段前向、反向传播，剪掉部分可以帮助权重更新，UNet++端对 端的特点可以对信号不同层次的特征进行像素级的提取，上一层的输出作为下 一层的输入，最后通过一个卷积层对所有的特征进行叠加整合。softmax层对待 检测信号进行二分类，获取有效信号的初至点。
S5、通过所述训练好的UNet++网络模型对待检测信号进行分类，获取有 效信号初至点。
进一步的，所述步骤S5中，通过UNet++网络模型中的softmax层对待检 测信号进行二分类，预测有效信号初至点的所在位置x的概率，0表示非初至 位置，1表示初至位置，获取有效信号的初至点；计算概率公式为：
其中i＝0,1分别代表初至点和非初至点。
请参阅图3、图4，图3为待检测信号，图4为图3的信号识别结果，图4 中横轴代表有效信号出现位置，纵轴代表在该点出现的概率。由图4可知本发 明所提出的方法可以准确获取有效信号初至点的位置，识别出有效信号。
请参阅图5，本发明提出一种基于UNet++的微地震有效信号识别装置，所 述装置包括：
数据集制作模块510：获取微地震原始信号集，提取出原始信号中的有效 信号道，并实现信号和噪音分离；确定所述有效信号道中有效信号的初至位置， 做成标签，并制作训练数据集；
数据集扩充模块520：构造深度卷积生成对抗网络DCGAN，将所述训练 数据集输入所述DCGAN网络中训练，通过生成器和判别器的相互作用生成与 输入训练数据集相似度高且含有有效信号及一定噪音的样本集，通过所述样本 集对所述训练数据集进行扩充；
模型训练模块530：将所述扩充后的训练数据集输入到端对端的UNet++网 络中进行训练，得到训练好的UNet++网络模型；
信号识别模块540：通过所述训练好的UNet++网络模型对待检测信号进行 分类，获取有效信号初至点。
进一步的，所述数据集制作模块具体包括：
预处理单元：运用matlab读取并绘出所述原始信号的剖面图，从中观察信 号的采样点，从中提取出有效信号道、剔除无效道；
信噪分离单元：采用S变换对所述有效信号进行时频分析，通过低通或高 通滤波实现信号和噪音的分离；所述时频分析的公式为：
其中，为高斯窗函数，t代表时间，f代表频率， j为虚数单位，τ为高斯窗函数在时间轴上的位置。
标签制作单元：确定所述有效信号道中有效信号的初至位置，做成标签， 根据所述有效信号道及对应的标签制作训练数据集；
进一步的，所述信号识别模块中，通过UNet++网络模型中的softmax层对 待检测信号进行二分类，预测有效信号初至点的所在位置x的概率，0表示非 初至位置，1表示初至位置，获取有效信号的初至点；softmax计算概率的公式 为：
其中i＝0,1分别代表初至点和非初至点。
为了实现对于小样本数据集中有效信号的识别，本发明利用DCGAN可以 生成特征图片的优势来扩充数据集，强化训练过程，使之学习到丰富的信号特 征，然后再联合UNet++网络模型确定有效信号的初至点，进而检测出有效信号。
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。
所述集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或 使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明 实现上述实施例方法中的全部或部分流程，也可以通过计算机程序来指令相关 的硬件来完成，所述的计算机程序可存储于一计算机可读存储介质中，该计算 机程序在被处理器执行时，可实现上述各个方法实施例的步骤。其中，所述计 算机程序包括计算机程序代码，所述计算机程序代码可以为源代码形式、对象 代码形式、可执行文件或某些中间形式等。所述计算机可读介质可以包括：能 够携带所述计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(ROM，Read-Only Memory)、随机 存取存储器(RAM，Random Access Memory)、电载波信号、电信信号以及软 件分发介质等。需要说明的是，所述计算机可读介质包含的内容可以根据司法 管辖区内立法和专利实践的要求进行适当的增减，例如在某些司法管辖区，根 据立法和专利实践，计算机可读介质不包括电载波信号和电信信号。
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 (7)
1.一种基于UNet++的微地震有效信号识别方法，其特征在于，所述方法包括：
S1、获取微地震原始信号集，提取出原始信号中的有效信号道，并实现信号和噪音分离；
S2、确定所述有效信号道中有效信号的初至位置，做成标签，并制作训练数据集；
S3、构造深度卷积生成对抗网络DCGAN，将所述训练数据集输入所述DCGAN网络中训练，通过生成器和判别器的相互作用生成与输入数据集相似度高的样本集，通过所述样本集对所述训练数据集进行扩充；
S4、将所述扩充后的训练数据集输入到端对端的UNet++网络中进行训练，得到训练好的UNet++网络模型；
S5、通过所述训练好的UNet++网络模型对待检测信号进行分类，获取有效信号初至点。
2.根据权利要求1所述基于UNet++的微地震有效信号识别方法，其特征在于，所述步骤S1具体包括：
S11、运用matlab读取并绘出原始信号的剖面图，从中观察信号的采样点，从中提取出有效信号道、剔除无效道；
S21、采用S变换对所述有效信号进行时频分析，通过低通或高通滤波实现信号和噪音的分离；所述时频分析的公式为：
其中，为高斯窗函数，t代表时间，f代表频率，j为虚数单位，τ为高斯窗函数在时间轴上的位置。
3.根据权利要求1所述基于UNet++的微地震有效信号识别方法，其特征在于，所述步骤S4中，所述UNet++网络模型包括上采样层、下采样层、跳层结构以及层与层之间的特征融合并且加入剪枝操作，利用UNet++网络端对端的特点对信号不同层次的特征进行像素级的提取。
4.根据权利要求1所述基于UNet++的微地震有效信号识别方法，其特征在于，所述步骤S5中，通过UNet++网络模型中的softmax层对待检测信号进行二分类，预测有效信号初至点的所在位置x的概率，0表示非初至位置，1表示初至位置，获取有效信号的初至点；softmax计算概率的公式为：
其中i＝0,1分别代表初至点和非初至点。
5.一种基于UNet++的微地震有效信号识别装置，其特征在于，所述装置包括：
数据集制作模块：获取微地震原始信号集，提取出原始信号中的有效信号道，并实现信号和噪音分离；确定所述有效信号道中有效信号的初至位置，做成标签，并制作训练数据集；
数据集扩充模块：构造深度卷积生成对抗网络DCGAN，将所述训练数据集输入所述DCGAN网络中训练，通过生成器和判别器的相互作用生成与输入的训练数据集相似度高的样本集，通过所述样本集对所述训练数据集进行扩充；
模型训练模块：将所述扩充后的训练数据集输入到端对端的UNet++网络中进行训练，得到训练好的UNet++网络模型；
信号识别模块：通过所述训练好的UNet++网络模型对待检测信号进行分类，获取有效信号初至点。
6.根据权利要求5所述基于UNet++的微地震有效信号识别装置，其特征在于，所述数据集制作模块具体包括：
预处理单元：运用matlab读取并绘出所述原始信号的剖面图，从中观察信号的采样点，从中提取出有效信号道、剔除无效道；
信噪分离单元：采用S变换对所述有效信号进行时频分析，通过低通或高通滤波实现信号和噪音的分离；所述时频分析的公式为：
其中，为高斯窗函数，t代表时间，f代表频率，j为虚数单位，τ为高斯窗函数在时间轴上的位置；
标签制作单元：确定所述有效信号道中有效信号的初至位置，做成标签，根据所述有效信号道及对应的标签制作训练数据集。
7.根据权利要求5所述基于UNet++的微地震有效信号识别装置，其特征在于，所述信号识别模块中，通过UNet++网络模型中的softmax层对待检测信号进行二分类，预测有效信号初至点的所在位置x的概率，0表示非初至位置，1表示初至位置，获取有效信号的初至点；softmax计算概率的公式为：
其中i＝0,1分别代表初至点和非初至点。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910694037.1A CN110619264B (zh) | 2019-07-30 | 2019-07-30 | 基于UNet++的微地震有效信号识别方法及装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910694037.1A CN110619264B (zh) | 2019-07-30 | 2019-07-30 | 基于UNet++的微地震有效信号识别方法及装置 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN110619264A true CN110619264A (zh) | 2019-12-27 |
| CN110619264B CN110619264B (zh) | 2023-06-16 |
Family
ID=68921767
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910694037.1A Active CN110619264B (zh) | 2019-07-30 | 2019-07-30 | 基于UNet++的微地震有效信号识别方法及装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN110619264B (zh) |
Cited By (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111507155A (zh) * | 2020-01-17 | 2020-08-07 | 长江大学 | 联合U-Net++和UDA的微地震有效信号初至拾取方法及装置 |
| CN111695413A (zh) * | 2020-04-28 | 2020-09-22 | 长江大学 | 联合U-Net和Temporal Ensembling的信号初至拾取方法及装置 |
| CN113609971A (zh) * | 2021-08-04 | 2021-11-05 | 广州威拓电子科技有限公司 | 微地震观测设备的检查方法、装置、设备及存储介质 |
| CN114063164A (zh) * | 2020-08-05 | 2022-02-18 | 中国石油天然气股份有限公司 | 基于U-net++卷积神经网络的初至波拾取方法及装置 |
| CN114998471A (zh) * | 2022-06-22 | 2022-09-02 | 中国科学院自动化研究所 | 基于RecNet模型的磁粒子成像重建方法 |
Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107609587A (zh) * | 2017-09-11 | 2018-01-19 | 浙江工业大学 | 一种基于深度卷积生成对抗网络的多类别多视图数据生成方法 |
| US20180232632A1 (en) * | 2017-02-10 | 2018-08-16 | Synaptics Incorporated | Efficient connectionist temporal classification for binary classification |
| CN109284780A (zh) * | 2018-09-10 | 2019-01-29 | 中山大学 | 矿石矿物图像自动识别与分类方法 |
| CN109919230A (zh) * | 2019-03-10 | 2019-06-21 | 西安电子科技大学 | 基于循环特征金字塔的医学图像肺结节检测方法 |
| CN109961051A (zh) * | 2019-03-28 | 2019-07-02 | 湖北工业大学 | 一种基于聚类和分块特征提取的行人重识别方法 |
| CN110007341A (zh) * | 2019-02-28 | 2019-07-12 | 长江大学 | 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 |
| CN110037680A (zh) * | 2019-03-12 | 2019-07-23 | 平安科技（深圳）有限公司 | 心电图的识别方法及装置、存储介质、计算机设备 |
| CN110059538A (zh) * | 2019-02-27 | 2019-07-26 | 成都数之联科技有限公司 | 一种基于深度密集神经网络的水体识别方法 |
-
2019
- 2019-07-30 CN CN201910694037.1A patent/CN110619264B/zh active Active
Patent Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20180232632A1 (en) * | 2017-02-10 | 2018-08-16 | Synaptics Incorporated | Efficient connectionist temporal classification for binary classification |
| CN107609587A (zh) * | 2017-09-11 | 2018-01-19 | 浙江工业大学 | 一种基于深度卷积生成对抗网络的多类别多视图数据生成方法 |
| CN109284780A (zh) * | 2018-09-10 | 2019-01-29 | 中山大学 | 矿石矿物图像自动识别与分类方法 |
| CN110059538A (zh) * | 2019-02-27 | 2019-07-26 | 成都数之联科技有限公司 | 一种基于深度密集神经网络的水体识别方法 |
| CN110007341A (zh) * | 2019-02-28 | 2019-07-12 | 长江大学 | 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 |
| CN109919230A (zh) * | 2019-03-10 | 2019-06-21 | 西安电子科技大学 | 基于循环特征金字塔的医学图像肺结节检测方法 |
| CN110037680A (zh) * | 2019-03-12 | 2019-07-23 | 平安科技（深圳）有限公司 | 心电图的识别方法及装置、存储介质、计算机设备 |
| CN109961051A (zh) * | 2019-03-28 | 2019-07-02 | 湖北工业大学 | 一种基于聚类和分块特征提取的行人重识别方法 |
Non-Patent Citations (2)
| Title |
|---|
| ZONGWEI ZHOU等: "UNet++: A Nested U-Net Architecture for Medical Image Segmentation" * |
| 刁瑞等: "微地震监测数据时频域去噪方法" * |
Cited By (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111507155A (zh) * | 2020-01-17 | 2020-08-07 | 长江大学 | 联合U-Net++和UDA的微地震有效信号初至拾取方法及装置 |
| CN111695413A (zh) * | 2020-04-28 | 2020-09-22 | 长江大学 | 联合U-Net和Temporal Ensembling的信号初至拾取方法及装置 |
| CN111695413B (zh) * | 2020-04-28 | 2023-06-20 | 长江大学 | 联合U-Net和Temporal Ensembling的信号初至拾取方法及装置 |
| CN114063164A (zh) * | 2020-08-05 | 2022-02-18 | 中国石油天然气股份有限公司 | 基于U-net++卷积神经网络的初至波拾取方法及装置 |
| CN113609971A (zh) * | 2021-08-04 | 2021-11-05 | 广州威拓电子科技有限公司 | 微地震观测设备的检查方法、装置、设备及存储介质 |
| CN114998471A (zh) * | 2022-06-22 | 2022-09-02 | 中国科学院自动化研究所 | 基于RecNet模型的磁粒子成像重建方法 |
| CN114998471B (zh) * | 2022-06-22 | 2022-12-16 | 中国科学院自动化研究所 | 基于RecNet模型的磁粒子成像重建方法 |
| US11835602B1 (en) | 2022-06-22 | 2023-12-05 | Institute Of Automation, Chinese Academy Of Sciences | Magnetic particle imaging (MPI) reconstruction method based on RecNet model |
Also Published As
| Publication number | Publication date |
|---|---|
| CN110619264B (zh) | 2023-06-16 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110619264A (zh) | 基于UNet++的微地震有效信号识别方法及装置 | |
| CN113255694B (zh) | 训练图像特征提取模型和提取图像特征的方法、装置 | |
| CN110570433B (zh) | 基于生成对抗网络的图像语义分割模型构建方法和装置 | |
| CN110082821B (zh) | 一种无标签框微地震信号检测方法及装置 | |
| CN110929839B (zh) | 训练神经网络的方法和装置、电子设备和计算机存储介质 | |
| CN108320306B (zh) | 融合tld和kcf的视频目标跟踪方法 | |
| CN112488999B (zh) | 一种图像中小目标检测方法、系统、存储介质及终端 | |
| CN112910811B (zh) | 基于联合学习的噪声水平未知条件下的盲调制识别方法和装置 | |
| CN110826457B (zh) | 一种复杂场景下的车辆检测方法及装置 | |
| CN108171119B (zh) | 基于残差网络的sar图像变化检测方法 | |
| CN113850162A (zh) | 一种视频审核方法、装置及电子设备 | |
| CN104778238A (zh) | 一种视频显著性的分析方法及装置 | |
| CN115114949A (zh) | 一种基于水声信号的舰船目标智能识别方法及系统 | |
| Duan et al. | Multi-scale convolutional neural network for SAR image semantic segmentation | |
| CN114818864A (zh) | 一种基于小样本的手势识别方法 | |
| CN108491796B (zh) | 一种时域周期点目标检测方法 | |
| CN112488043B (zh) | 一种基于边缘智能的无人机车辆目标检测方法 | |
| CN114169425A (zh) | 训练目标跟踪模型和目标跟踪的方法和装置 | |
| CN116482680B (zh) | 一种身体干扰识别方法、装置、系统和存储介质 | |
| CN113298188A (zh) | 字符识别及神经网络训练方法和装置 | |
| CN113327628A (zh) | 音频处理方法、装置、可读介质和电子设备 | |
| CN116152576B (zh) | 图像处理方法、装置、设备及存储介质 | |
| CN112784841A (zh) | 文本识别方法及装置 | |
| CN110007341B (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 | |
| CN112288702A (zh) | 一种基于车联网的道路图像检测方法 |
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 |