CN111562612B - 一种基于注意力机制的深度学习微震事件识别方法及系统 - Google Patents
一种基于注意力机制的深度学习微震事件识别方法及系统 Download PDFInfo
- Publication number
- CN111562612B CN111562612B CN202010428687.4A CN202010428687A CN111562612B CN 111562612 B CN111562612 B CN 111562612B CN 202010428687 A CN202010428687 A CN 202010428687A CN 111562612 B CN111562612 B CN 111562612B
- Authority
- CN
- China
- Prior art keywords
- attention
- channel
- module
- microseismic
- attention weight
- 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
- 238000000034 method Methods 0.000 title claims abstract description 37
- 238000013135 deep learning Methods 0.000 title claims abstract description 24
- 230000007246 mechanism Effects 0.000 title claims abstract description 18
- 239000011435 rock Substances 0.000 claims abstract description 198
- 238000000605 extraction Methods 0.000 claims abstract description 83
- 239000013598 vector Substances 0.000 claims abstract description 61
- 230000009467 reduction Effects 0.000 claims abstract description 26
- 238000011176 pooling Methods 0.000 claims abstract description 12
- 230000010354 integration Effects 0.000 claims abstract description 10
- 230000002776 aggregation Effects 0.000 claims description 27
- 238000004220 aggregation Methods 0.000 claims description 27
- 238000013527 convolutional neural network Methods 0.000 claims description 9
- 239000000203 mixture Substances 0.000 claims description 3
- 238000012545 processing Methods 0.000 abstract description 10
- 210000002569 neuron Anatomy 0.000 description 24
- 238000013528 artificial neural network Methods 0.000 description 16
- 238000012544 monitoring process Methods 0.000 description 16
- 208000037170 Delayed Emergence from Anesthesia Diseases 0.000 description 10
- 238000010586 diagram Methods 0.000 description 10
- 238000004422 calculation algorithm Methods 0.000 description 8
- 208000010392 Bone Fractures Diseases 0.000 description 4
- 206010017076 Fracture Diseases 0.000 description 4
- 238000007781 pre-processing Methods 0.000 description 4
- 230000008569 process Effects 0.000 description 4
- 238000000354 decomposition reaction Methods 0.000 description 3
- 230000007547 defect Effects 0.000 description 3
- 230000006870 function Effects 0.000 description 3
- 230000000694 effects Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000001228 spectrum Methods 0.000 description 2
- 230000001629 suppression Effects 0.000 description 2
- 208000013201 Stress fracture Diseases 0.000 description 1
- 230000004931 aggregating effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000013145 classification model Methods 0.000 description 1
- 230000019771 cognition Effects 0.000 description 1
- 239000012141 concentrate Substances 0.000 description 1
- 238000012790 confirmation Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 238000013524 data verification Methods 0.000 description 1
- 238000002372 labelling Methods 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 230000002787 reinforcement Effects 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 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
- G01V1/288—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
- G01V2210/12—Signal generation
- G01V2210/123—Passive source, e.g. microseismics
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)
- Image Analysis (AREA)
Abstract
本发明涉及一种基于注意力机制的深度学习微震事件识别方法及系统。该方法包括：获取多通道岩石微震波形段；将多通道岩石微震波形段进行特征提取；将特征提取后的岩石微震波形段输入至第一个层级注意力模块、第二个层级注意力模块、第三个层级注意力模块、第四个层级注意力模块和第五个层级注意力模块，得到同时加载空间注意力权重和通道注意力权重的岩石微震特征图谱；将岩石微震特征图谱输入全局池化层进行整合，得到整合后的特征向量；将整合后的特征向量输入全连接层进行降维，得到降维后的特征向量；将降维后的特征向量输入分类器进行分类，得到噪声概率和微震事件概率。本发明能够综合判断多通道数据，实现微震波形数据的智能处理。
Description
技术领域
本发明涉及岩体工程灾害智能监测领域，特别是一种基于注意力机制的深度学习微震事件识别方法及系统。
背景技术
水利水电、交通运输等领域所涉及到的高陡岩质边坡、深埋长大隧道等工程建设日益成为大型岩体工程中至关重要的一步。由于高陡边坡的坡陡坡高、深长隧道埋深大且距离长的特点，容易发生危害施工人员及财产安全的岩体工程灾害。微震监测技术是一种实时监测隧道结构和周围岩体的破裂状态，从而达到灾害预警推断的有效手段。该技术已被广泛应用到世界各地的大型岩石工程领域中。
微震监测是通过传感器来捕捉岩石破裂时所释放出的微震能量，从而获得岩石破裂的波形数据，供微震专业技术人员分析岩体工程灾害的一种技术。
在实际的岩体工程中，仅一组监测点，每天将产生数以万计的监测数据，造成数据分析人员的任务繁重。即使目前存在各种微震数据预处理算法尝试代替人工处理，但该类方法十分依赖工程师或科研人员对数据进行的特征参数提取工作，即用一组特征参数来代替整段波形进行数据处理。该类方法无法充分利用微震监测的原始数据，并且对一些非典型微震波形数据的判别能力较差。
微震监测的数据分析大致可分为三个步骤，即数据分类、波形到时拾取、定位算法。本发明主要是解决数据分类的庞大人力资源消耗，利用机器来完成波形数据的智能分类任务。
卷积神经网络算法可以通过深度学习，自动提取大量原始波形数据的高阶特征，完成波形分类任务，从而有效避免人为认知偏见和数据利用率低效的问题。在数据生成的层面上，深度学习作为大数据时代的产物，很适合岩体工程中微震监测数据产出的量级。目前用于处理微震数据的神经网络存在以下几点不足：(1)当网络结构过于简单时，无法充分拟合大量样本的分布，对于简单样本表现尚可，但是当样本的信噪比大且含有欺骗度高的噪声信息时，分类往往会出现错误；(2)当网络结构过于复杂时，虽然可以充分拟合各种样本的分布，但会造成网络结构臃肿，参数量大大增加，易用性降低，如此庞大的架构也不宜向移动端或客户端移植，所有的计算应都需要在云资源上完成；(3)往往一个微震事件会被一组微震监测传感器所捕捉，形成多通道的波形数据。工程师在判断多通道微震信号时，通常也是结合不同通道上的波形综合进行判断。然而，目前的神经网络方法只接收单通道的微震波形作为输入数据，无法建立不同通道之间的相互关系。
发明内容
本发明的目的是提供一种基于注意力机制的深度学习微震事件识别方法及系统，能够综合判断多通道数据，实现微震波形数据的智能处理。
为实现上述目的，本发明提供了如下方案：
一种基于注意力机制的深度学习微震事件识别方法，包括：
获取多通道岩石微震波形段；
将所述多通道岩石微震波形段进行特征提取，得到特征提取后的岩石微震波形段；
将所述特征提取后的岩石微震波形段输入至第一个层级注意力模块、第二个层级注意力模块、第三个层级注意力模块、第四个层级注意力模块和第五个层级注意力模块，得到同时加载空间注意力权重和通道注意力权重的岩石微震特征图谱；
将所述岩石微震特征图谱输入全局池化层进行整合，得到整合后的特征向量，所述整合后的特征向量包含一个特征向量；
将所述整合后的特征向量输入全连接层进行降维，得到降维后的特征向量；
将所述降维后的特征向量输入分类器进行分类，得到噪声概率和微震事件概率。
可选的，所述将所述多通道岩石微震波形段进行特征提取，得到特征提取后的岩石微震波形段，具体包括：
将所述多通道岩石微震波形段通过残差模块或者卷积神经网络进行特征提取，得到特征提取后的岩石微震波形段。
可选的，所述将所述特征提取后的岩石微震波形段输入至第一个层级注意力模块、第二个层级注意力模块、第三个层级注意力模块、第四个层级注意力模块和第五个层级注意力模块，得到同时加载空间注意力权重和通道注意力权重的岩石微震特征图谱，具体包括：
将所述特征提取后的岩石微震波形段输入至第一个层级注意力模块，得到第一个同时加载空间注意力权重和通道注意力权重的岩石微震特征图谱，所述第一个同时加载空间注意力权重和通道注意力权重的岩石微震特征图谱为第一特征图谱；
将所述特征提取后的岩石微震波形段输入至第二个层级注意力模块，得到第二个同时加载空间注意力权重和通道注意力权重的岩石微震特征图谱，所述第二个同时加载空间注意力权重和通道注意力权重的岩石微震特征图谱为第二特征图谱；
将所述特征提取后的岩石微震波形段输入至第三个层级注意力模块，得到第三个同时加载空间注意力权重和通道注意力权重的岩石微震特征图谱，所述第三个同时加载空间注意力权重和通道注意力权重的岩石微震特征图谱为第三特征图谱；
将所述特征提取后的岩石微震波形段输入至第四个层级注意力模块，得到第四个同时加载空间注意力权重和通道注意力权重的岩石微震特征图谱，所述第四个同时加载空间注意力权重和通道注意力权重的岩石微震特征图谱为第四特征图谱；
将所述特征提取后的岩石微震波形段输入至第五个层级注意力模块，得到第五个同时加载空间注意力权重和通道注意力权重的岩石微震特征图谱，所述第五个同时加载空间注意力权重和通道注意力权重的岩石微震特征图谱为第五特征图谱。
可选的，所述第一个层级注意力模块的组成结构包括依次连接的逐通道空间注意力建模单元、聚合单元、通道注意力建模单元和权重施加单元；
所述逐通道空间注意力建模单元用于将所述特征提取后的岩石微震波形段逐通道空间注意力建模，得到空间注意力权重；所述聚合单元用于将所述空间注意力权重施加到特征提取后的岩石微震波形段，再进行聚合操作，得到特征值；所述通道注意力建模单元用于将所述特征值进行通道注意力权重提取，得到通道注意力权重；所述权重施加单元用于将所述空间注意力权重和所述通道注意力权重加载至所述特征提取后的岩石微震波形段，得到第一特征图谱。
可选的，所述第二个层级注意力模块和所述第三个层级注意力模块结构相同，所述第四个层级注意力模块和所述第五个层级注意力模块结构相同。
可选的，所述将所述特征提取后的岩石微震波形段输入至第一个层级注意力模块，得到第一个同时加载空间注意力权重和通道注意力权重的岩石微震特征图谱，所述第一个同时加载空间注意力权重和通道注意力权重的岩石微震特征图谱为第一特征图谱，具体包括：
将所述特征提取后的岩石微震波形段进行逐通道空间注意力建模，得到空间注意力权重；
将所述空间注意力权重施加到特征提取后的岩石微震波形段，再进行聚合操作，得到特征值；
将所述特征值进行通道注意力建模，得到通道注意力权重；
将所述空间注意力权重和所述通道注意力权重输入至所述特征提取后的岩石微震波形段，得到第一个同时加载空间注意力权重和通道注意力权重的岩石微震特征图谱。
一种基于注意力机制的深度学习微震事件识别系统，包括：
多通道岩石微震波形段获取模块，用于获取多通道岩石微震波形段；
特征提取模块，用于将所述多通道岩石微震波形段进行特征提取，得到特征提取后的岩石微震波形段；
岩石微震特征图谱确定模块，用于将所述特征提取后的岩石微震波形段输入至第一个层级注意力模块、第二个层级注意力模块、第三个层级注意力模块、第四个层级注意力模块和第五个层级注意力模块，得到同时加载空间注意力权重和通道注意力权重的岩石微震特征图谱；
特征向量整合模块，用于将所述岩石微震特征图谱输入全局池化层进行整合，得到整合后的特征向量，所述整合后的特征向量包含一个特征向量；
特征向量降维模块，用于将所述整合后的特征向量输入全连接层进行降维，得到降维后的特征向量；
分类模块，用于将所述降维后的特征向量输入分类器进行分类，得到噪声概率和微震事件概率。
可选的，所述特征提取模块，具体包括：
特征提取单元，用于将所述多通道岩石微震波形段通过残差模块或者卷积神经网络进行特征提取，得到特征提取后的岩石微震波形段。
可选的，所述岩石微震特征图谱确定模块，具体包括：
第一特征图谱确定单元，用于将所述特征提取后的岩石微震波形段输入至第一个层级注意力模块，得到第一个同时加载空间注意力权重和通道注意力权重的岩石微震特征图谱，所述第一个同时加载空间注意力权重和通道注意力权重的岩石微震特征图谱为第一特征图谱；
第二特征图谱确定单元，用于将所述第一特征图谱输入至第二个层级注意力模块，得到第二个同时加载空间注意力权重和通道注意力权重的岩石微震特征图谱，所述第二个同时加载空间注意力权重和通道注意力权重的岩石微震特征图谱为第二特征图谱；
第三特征图谱确定单元，用于将所述第二特征图谱输入至第三个层级注意力模块，得到第三个同时加载空间注意力权重和通道注意力权重的岩石微震特征图谱，所述第三个同时加载空间注意力权重和通道注意力权重的岩石微震特征图谱为第三特征图谱；
第四特征图谱确定单元，用于将所述第三特征图谱输入至第四个层级注意力模块，得到第四个同时加载空间注意力权重和通道注意力权重的岩石微震特征图谱，所述第四个同时加载空间注意力权重和通道注意力权重的岩石微震特征图谱为第四特征图谱；
第五特征图谱确定单元，用于将所述第四特征图谱输入至第五个层级注意力模块，得到第五个同时加载空间注意力权重和通道注意力权重的岩石微震特征图谱，所述第五个同时加载空间注意力权重和通道注意力权重的岩石微震特征图谱为第五特征图谱。
可选的，所述第一个层级注意力模块的组成结构包括依次连接的逐通道空间注意力建模单元、聚合单元、通道注意力建模单元和权重施加单元；
所述逐通道空间注意力建模单元用于将所述特征提取后的岩石微震波形段逐通道空间注意力建模，得到空间注意力权重；所述聚合单元用于将所述空间注意力权重施加到特征提取后的岩石微震波形段，再进行聚合操作，得到特征值；所述通道注意力建模单元用于将所述特征值进行通道注意力权重提取，得到通道注意力权重；所述权重施加单元用于将所述空间注意力权重和所述通道注意力权重加载至所述特征提取后的岩石微震波形段，得到第一特征图谱。
根据本发明提供的具体实施例，本发明公开了以下技术效果：
1、本发明提出了一种基于注意力机制的深度学习微震事件识别方法及系统。通过利用微震监测数据分类的轻量级注意力模块DSCA，在基本不增加计算资源消耗的情况下提高微震信号识别的准确度，并且该模块是可并行的，计算比较方便。
2、本发明将DSCA应用到降噪及多通道数据识别上，克服了传统微震数据处理算法的缺点。
3、本发明将DSCA与改进的残差网络相结合，应用到岩体工程灾害微震智能监测中，能够提高岩体工程灾害微震信号识别率。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例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为本发明基于注意力机制的深度学习微震事件识别方法流程图；
图2为本发明第一个层级注意力模块内部数据处理流程图；
图3为本发明DSCA模块嵌入进残差模块示意图；
图4为本发明空间注意力抑制噪声示意图；
图5为本发明被用于微震事件分类的完整网络结构示意图；
图6为本发明特征向量维度示意图；
图7为本发明基于注意力机制的深度学习微震事件识别系统结构图。
具体实施方式
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，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。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他实施例，都属于本发明保护的范围。
本发明提供基于注意力机制的深度学习微震事件识别方法及系统，能够综合判断多通道数据，实现微震波形数据的智能处理。
为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合附图和具体实施方式对本发明作进一步详细的说明。
图1为本发明基于注意力机制的深度学习微震事件识别方法流程图。如图 1所示，一种基于注意力机制的深度学习微震事件识别方法包括：
步骤101：获取多通道岩石微震波形段。
步骤102：将所述多通道岩石微震波形段进行特征提取，得到特征提取后的岩石微震波形段，具体包括：
将所述多通道岩石微震波形段通过残差模块或者卷积神经网络进行特征提取，得到特征提取后的岩石微震波形段。
步骤103：将所述特征提取后的岩石微震波形段输入至第一个层级注意力模块、第二个层级注意力模块、第三个层级注意力模块、第四个层级注意力模块和第五个层级注意力模块，得到同时加载空间注意力权重和通道注意力权重的岩石微震特征图谱，具体包括：
步骤1031：将所述特征提取后的岩石微震波形段输入至第一个层级注意力模块，得到第一个同时加载空间注意力权重和通道注意力权重的岩石微震特征图谱，所述第一个同时加载空间注意力权重和通道注意力权重的岩石微震特征图谱为第一特征图谱，具体包括：
将所述特征提取后的岩石微震波形段进行逐通道空间注意力建模，得到空间注意力权重。
将所述空间注意力权重施加到特征提取后的岩石微震波形段，再进行聚合操作，得到特征值。
将所述特征值进行通道注意力建模，得到通道注意力权重。
将所述空间注意力权重和所述通道注意力权重输入至所述特征提取后的岩石微震波形段，得到第一个同时加载空间注意力权重和通道注意力权重的岩石微震特征图谱。
所述第一个层级注意力模块的组成结构包括依次连接的逐通道空间注意力建模单元、聚合单元、通道注意力建模单元和权重施加单元。所述逐通道空间注意力建模单元用于将所述特征提取后的岩石微震波形段逐通道空间注意力建模，得到空间注意力权重；所述聚合单元用于将所述空间注意力权重施加到特征提取后的岩石微震波形段，再进行聚合操作，得到特征值；所述通道注意力建模单元用于将所述特征值进行通道注意力权重提取，得到通道注意力权重；所述权重施加单元用于将所述空间注意力权重和所述通道注意力权重加载至所述特征提取后的岩石微震波形段，得到第一特征图谱。
本发明中利用多种层级注意力模块(Depth-wise Spatial and ChannelAttention Module，DSCA Module)处理微震数据，该模块通过在卷积神经网络两个主要维度(通道维度和空间维度)上施加注意力权重来细化网络内部的信息流动。不同于一般的卷积注意力模块，该模块将“分解卷积”的概念引入到注意力的建模当中，先对每个通道用分组卷积方法实现空间注意力建模，具体操作是：有几个通道就定义几个卷积核，然后就可以通过卷积来生成空间注意力权重，该权重为逐点生成的，越重要的位置，权重越大。每个卷积核的尺寸均为9x1，再对每个特征图层进行聚合操作(平均池化运算)把空间注意力的建模结果整合为一个维数与通道数目相同的特征向量将该特征向量传入前馈一个三层的小神经网络进行通道注意力的建模该小神经网络共有三层神经元，且都通过全连接层链接，输入层和输出层的神经元数量都等于该特征向量的维度，隐藏层神经元数目等于输入层神经元数目的1.5倍数。
图2为本发明第一个层级注意力模块内部数据处理流程图。图3为本发明 DSCA模块嵌入进残差模块示意图。图4为本发明空间注意力抑制噪声示意图。图5为本发明被用于微震事件分类的完整网络结构示意图。图6为本发明特征向量维度示意图。
在本发明介绍的微震事件波形数据智能识别的应用中，层级注意力模块 (DSCAModule)类似一种“即插即用”的模块，对现行所有的卷积神经网络结构都有很好的适应性，可以与它们任意结合。本发明中选择将DSCA模块与残差模块相结合，再通过堆叠结合后的模块，形成ResSCA网络。
第一层为单独一个DSCA注意力模块，分层卷积的卷积核为9x1，该层可以看做一个数据预处理模块。该模块将“分解卷积”的概念引入到注意力的建模当中，通过残差块或者普通CNN进行特征抽取，形成n维(通道)数据，再进入空间注意力模块用n个尺寸为9x1的卷积核对每个通道进行空间注意力建模(n等于之前残差块中的通道数量)，此时的结果记为A，对A进行拷贝，记为B，(A＝B)，对B再进行全局平均池化操作，然后B再进入图5所示网络转化为通道注意力权重，然后再把权重施加到A上，就完成了DSCA模块的输出。
分别对每个通道数据通过卷积来生成空间注意力权重，越重要的位置，权重越大；将空间注意力权重的值乘在原始数据上，再进行聚合获得特征值，进行通道注意力建模获得通道注意力权重，将通道注意力权重加载在了空间注意力权重的数据上，完成DSCA对数据的处理，DSCA的输出就是既加载了空间注意力权重又加载了通道注意力权重的数据。将卷积核看作一个模板，该模板在整个特征图谱上滑动，用来匹配图谱中重要的部分，而什么部分是“重要的”，是通过反向传播训练的卷积核参数决定的。该权重为逐点生成的，越重要的位置，权重越大。每个卷积核的尺寸均为9x1。
具体的操作为：DSCA模块的输入数据形状为4000x6，经过分解卷积输出的空间注意力权重为4000x6，和原始数据形状一样，可以做一对一的乘法。聚合之后变成一个1x6的向量，传入一个输入层有6个神经元，隐藏层有9 个神经元，输出层有六个神经元的小神经网络，输出为通道注意力权重，形状为1x6把这六个数分别乘到已经加载过空间注意力权重的结果的六个通道上，最后输出最终结果，形状为4000x6。
将DSCA模块单独放在第一层作为第一个层级注意力模块，可以分别对每个通道的信号进行空间注意力建模，突出信号中的重要部分，即岩石微震波形段，抑制信号中对分类没有帮助的噪声部分，这样即通过应用空间注意力来实现目标波形的加强和噪声的抑制，在一定程度上可以代替传统降噪算法的功能。如图4所示，通过该第一层放置的DSCA模块，可以实现抑制左边圆圈内的噪声部分以及其他无信息的部分，突出右边方框中的微震波形部分的效果。
完成空间注意力的建模之后，DSCA会对一个多通道原始波形进行通道注意力建模，生成通道注意力权重，来衡量哪一个通道的信息更加具有代表性、更加重要，以此来建模不同通道之间的相互依赖关系。
所述第二个层级注意力模块和所述第三个层级注意力模块结构相同，所述第四个层级注意力模块和所述第五个层级注意力模块结构相同。
接下来第二个层级注意力模块、第三个层级注意力模块、第三个层级注意力模块和第四个层级注意力模块这四层模块，都是为了提取特征。即在预处理数据上提取高阶特征，以下四种模块中都插入了DSCA模块，是为了评估提取的这些特征的重要程度。放大对结果帮助大的特征，削弱对分类任务帮助小的特征。
步骤1032：将所述特征提取后的岩石微震波形段输入至第二个层级注意力模块，得到第二个同时加载空间注意力权重和通道注意力权重的岩石微震特征图谱，所述第二个同时加载空间注意力权重和通道注意力权重的岩石微震特征图谱为第二特征图谱。
第二层和第三层的都是把DSCA模块插入到基本残差块中形成的基本 ResSCA模块，即第二层和第三层均为ResSCA模块，其中，第二层的ResSCA 模块为第二个层级注意力模块，第三层的ResSCA模块为第三个层级注意力模块。
第二层的输入数据为4000x6(m*n，m为每个通道的数据，n为通道数)，使用残差模块对数据进行特征提取，其中残差模块为两个卷积层，第一个卷积层后(卷积核形状为1x7)，经过第一个卷基层数据变为2000x32，再经过残差模块中的第二个卷积层(卷积核参数为1x5)，数据维度仍为2000x32，然后传入一个DSCA模块：和上述一样的过程，经过分解卷积输出数据的空间注意力权重为2000x32，再经过Sigmoid函数，将2000x32的值归一化为0和1之间。和输入该模块的数据形状一样，这样可以和经过残差模块后的数据 (2000x32)进行逐元素相乘，形成加载空间注意力权重的数据。然后对数据进行聚合，聚合之后变成一个1x32的特征向量，将特征向量传入一个输入层为32个神经元，隐藏层为48个神经元，输出层为32个神经元的小神经网络即前馈神经网络，输出为通道注意力权重，形状为1x32，再经过Sigmoid函数，将1x32的值归一化为0和1之间，可以看作将其概率化。将通道注意力权重与加载过空间注意力权重的数据进行逐元素相乘，最后输出最终结果，形状仍为2000x32。然后把残差网络的输入4000x6，经过一个1x1卷积核的线性变换(图3中的线性变换)，变为2000x32维，和DSCA模块的输出(2000x32) 相加，这步是残差模块的常规步骤。就是在传统残差网络内部最后一层加了一个DSCA模块。
步骤1033：将所述特征提取后的岩石微震波形段输入至第三个层级注意力模块，得到第三个同时加载空间注意力权重和通道注意力权重的岩石微震特征图谱，所述第三个同时加载空间注意力权重和通道注意力权重的岩石微震特征图谱为第三特征图谱。
第三层的输入数据为2000x32，经过残差模块中第一个卷积层后(卷积核形状为1x7)，数据变为1000x64维，再经过第三层残差模块中的第二个卷积层(卷积核参数为1x5)，数据维度仍为1000x64，然后传入一个DSCA模块：和上述一样的过程，经过分解卷积输出的空间注意力权重形状为1000x64，和输入该模块的数据形状一样，可以做一对一的乘法。聚合之后变成一个1x64 的向量，传入一个输入层有64个神经元，隐藏层有96个神经元，输出层有 64个神经元的小神经网络即前馈神经网络，即输出为通道注意力权重，形状为1x64。把这64个数分别乘到该层已经加载过空间注意力权重的结果的64 个通道上，最后输出最终结果，shape仍为1000x64。然后把残差网络的输入 2000x32，经过一个1x1卷积核的线性变换，变为1000x64维，和DSCA模块的输出(1000x64)相加，这步是残差模块的常规步骤。就是在传统残差网络内部最后一层加了一个DSCA模块。
从残差模块出来之后，到分解卷积，到sigmoid门，到逐个元素相乘(相乘把空间注意力施加到主干信息流上)，到聚合操作(平均池化，得到描述所有通道的特征向量)，到前馈神经网络(即图6所示的这样一个小型神经网络，用来建模通道注意力权重)，到第二个sigmoid门，到第二个逐元素相乘(相乘把通道注意力权重施加到主干信息流上)，都是DSCA模块。然后这个相加，就是把注意力模块的输出和残差模块的输入加一起。
此时图3中的残差模块指的是基本残差模块，其中第一个基本ResSCA模块的n取7，第二个的n取5。
步骤1034：将所述特征提取后的岩石微震波形段输入至第四个层级注意力模块，得到第四个同时加载空间注意力权重和通道注意力权重的岩石微震特征图谱，所述第四个同时加载空间注意力权重和通道注意力权重的岩石微震特征图谱为第四特征图谱。
第四层和第五层为分别把DSCA模块插入到瓶颈残差模块中，即图3中的残差模块指的是瓶颈残差块，第一个瓶颈ResSCA模块中n取5，第二个瓶颈ResSCA的n取3。
第四层的输入数据为1000x64，经过瓶颈残差模块中第一个卷积层后(卷积核形状为1x1)，数据变为1000x32维，再经过该残差模块中的第二个卷积层(卷积核形状为1x5)，数据维度变为500x32，最后经过该瓶颈残差模块的最后一个1x1的卷积核，数据维度变为500x128，然后传入一个DSCA模块：和上述一样的过程，经过分解卷积输出的空间注意力权重为500x128同样也经过sigmoid门归一化，和输入该模块的数据形状一样，这样可以做一对一的乘法。聚合之后变成一个1x128维的特征向量，传入一个输入层有128个神经元，隐藏层有192个神经元，输出层有128个神经元的小神经网络，输出为通道注意力权重，形状为1x128把这128个数分别乘到已经加载过空间注意力权重的结果的128个通道上，最后输出最终结果，形状仍为500x128。然后把第四层残差网络的输入1000x64，经过一个1x1卷积核的线性变换(图3中的线性变换)，变为500x128维，和DSCA模块的输出(500x128)相加，这步是残差模块的常规步骤。就是在传统残差网络内部最后一层加了一个DSCA模块。
步骤1035：将所述特征提取后的岩石微震波形段输入至第五个层级注意力模块，得到第五个同时加载空间注意力权重和通道注意力权重的岩石微震特征图谱，所述第五个同时加载空间注意力权重和通道注意力权重的岩石微震特征图谱为第五特征图谱。
第五层的输入数据为500x128，经过瓶颈残差模块中第一个卷积层后(卷积核形状为1x1)，数据变为500x64维，再经过该残差模块中的第二个卷积层 (卷积核形状为1x3)，数据维度变为250x64，最后经过该瓶颈残差模块的最后一个1x1的卷积核，数据维度变为250x256，然后传入一个DSCA模块：和上述一样的过程，经过分解卷积和Sigmoid的输出的空间注意力权重为 250x256，和输入该模块的数据形状一样，这样可以做一对一的乘法。聚合之后变成一个1x256维的特征向量，传入一个输入层有256个神经元，隐藏层有 384个神经元，输出层有256个神经元的小神经网络，输出为通道注意力权重，形状为1x256.把这236个数分别乘到已经加载过空间注意力权重的结果的 256个通道上，最后输出最终结果，shape仍为250x256。然后把第五层残差网络的输入500x128，经过一个1x1卷积核的线性变换(图3中的线性变换)，变为250x256维，和DSCA模块的输出(250x256维)相加，这步是残差模块的常规步骤。就是在传统残差网络内部最后一层加了一个DSCA模块。
步骤104：将所述岩石微震特征图谱输入全局池化层进行整合，得到整合后的特征向量，所述整合后的特征向量包含一个特征向量。
所述全局池化层的任务是把前面五层模块提取到的特征进行精简化，整合成一个特征向量，该向量描述了原始输入数据的主要特征。所述全局池化层就是把256个通道上全部都取平均值，由250x256维的数据得到一个1x256维的向量。
步骤105：将所述整合后的特征向量输入全连接层进行降维，得到降维后的特征向量。
所述全连接层的输入层有256个神经元，输出层有128个神经元，所述全连接层的目的是为了降低特征向量的维度，输入数据1x256，输出数据1x128，用来准备把特征向量传入最后的分类器进行分类。维度低了对分类器来说负担就小，就比较容易训练。
步骤106：将所述降维后的特征向量输入分类器进行分类，得到噪声概率和微震事件概率。
所述分类器用来评判最终的特征，将特征进行分类。在本发明中分类器也为一个全连接层，所述分类器的输入为上一个全连接层的输出，为128个神经元，分类器的输出为2个神经元，分别代表属于噪声和属于微震事件的概率。
本发明的注意力模块将给予波形中富含微震信息的部分更大的注意力权重，而将波形中的噪音部分给予较小的权重。本发明无需使用降噪算法来进行预先处理，而传统的降噪算法预先处理可能会造成信息的丢失，也会导致原始数据的不完全利用。本发明运用神经网络方法抑制波形中无用的信息，进而把有限的计算资源集中到那些为完成任务有帮助的部分信息里去，可以以很小的计算代价增加网络的表现能力。
为了构造能同时考虑不同微震通道波形数据的分类模型，本发明在数据输入层上链接本发明的DSCA模块，一方面是为了分别对每个通道的原始波形数据进行“削弱噪声，加强岩石破裂波形”的空间注意力卷积，更重要的是，在通道注意力层面上让模型综合考虑多组微震信号通道。微震波形分类的完整网络结构仅仅包含不到4万个参数，运用6000个数据的验证集测试本发明的层级注意力模块，达到99.3％的准确度。
图7为本发明基于注意力机制的深度学习微震事件识别系统结构图。如图 7所示，一种基于注意力机制的深度学习微震事件识别系统包括：
多通道岩石微震波形段获取模块201，用于获取多通道岩石微震波形段。
特征提取模块202，用于将所述多通道岩石微震波形段进行特征提取，得到特征提取后的岩石微震波形段。
岩石微震特征图谱确定模块203，用于将所述特征提取后的岩石微震波形段输入至第一个层级注意力模块、第二个层级注意力模块、第三个层级注意力模块、第四个层级注意力模块和第五个层级注意力模块，得到同时加载空间注意力权重和通道注意力权重的岩石微震特征图谱。
特征向量整合模块204，用于将所述岩石微震特征图谱输入全局池化层进行整合，得到整合后的特征向量，所述整合后的特征向量包含一个特征向量。
特征向量降维模块205，用于将所述整合后的特征向量输入全连接层进行降维，得到降维后的特征向量。
分类模块206，用于将所述降维后的特征向量输入分类器进行分类，得到噪声概率和微震事件概率。
所述特征提取模块202，具体包括：
特征提取单元，用于将所述多通道岩石微震波形段通过残差模块或者卷积神经网络进行特征提取，得到特征提取后的岩石微震波形段。
所述岩石微震特征图谱确定模块203，具体包括：
第一特征图谱确定单元，用于将所述特征提取后的岩石微震波形段输入至第一个层级注意力模块，得到第一个同时加载空间注意力权重和通道注意力权重的岩石微震特征图谱，所述第一个同时加载空间注意力权重和通道注意力权重的岩石微震特征图谱为第一特征图谱。
第二特征图谱确定单元，用于将所述第一特征图谱输入至第二个层级注意力模块，得到第二个同时加载空间注意力权重和通道注意力权重的岩石微震特征图谱，所述第二个同时加载空间注意力权重和通道注意力权重的岩石微震特征图谱为第二特征图谱。
第三特征图谱确定单元，用于将所述第二特征图谱输入至第三个层级注意力模块，得到第三个同时加载空间注意力权重和通道注意力权重的岩石微震特征图谱，所述第三个同时加载空间注意力权重和通道注意力权重的岩石微震特征图谱为第三特征图谱。
第四特征图谱确定单元，用于将所述第三特征图谱输入至第四个层级注意力模块，得到第四个同时加载空间注意力权重和通道注意力权重的岩石微震特征图谱，所述第四个同时加载空间注意力权重和通道注意力权重的岩石微震特征图谱为第四特征图谱。
第五特征图谱确定单元，用于将所述第四特征图谱输入至第五个层级注意力模块，得到第五个同时加载空间注意力权重和通道注意力权重的岩石微震特征图谱，所述第五个同时加载空间注意力权重和通道注意力权重的岩石微震特征图谱为第五特征图谱。
所述第一个层级注意力模块的组成结构包括依次连接的逐通道空间注意力建模单元、聚合单元、通道注意力建模单元和权重施加单元；所述逐通道空间注意力建模单元用于将所述特征提取后的岩石微震波形段逐通道空间注意力建模，得到空间注意力权重；所述聚合单元用于将所述空间注意力权重施加到特征提取后的岩石微震波形段，再进行聚合操作，得到特征值；所述通道注意力建模单元用于将所述特征值进行通道注意力权重提取，得到通道注意力权重；所述权重施加单元用于将所述空间注意力权重和所述通道注意力权重加载至所述特征提取后的岩石微震波形段，得到第一特征图谱。
本发明相比现有技术，具有下列特点：
1、本发明提出了一种基于注意力机制的深度学习微震事件识别方法及系统。通过利用微震监测数据分类的轻量级注意力模块DSCA，在基本不增加计算资源消耗的情况下提高微震信号识别的准确度，并且该模块是可并行的，计算比较方便。
2、本发明将DSCA应用到降噪及多通道数据识别上，克服了传统微震数据处理算法的缺点。
3、本发明将DSCA与改进的残差网络相结合，应用到岩体工程灾害微震智能监测中，能够提高岩体工程灾害微震信号识别率。
实施例：
首先在监测系统获得微震监测原始数据，并利用脚本文件将传感器接受到的数据组合在一起。微震原始数据为二维坐标形式，横坐标为时间，纵坐标为电压值。由于各条时间序列的时间间隔是相等的，本发明只保留纵坐标，将二维数据降维到一维的时间序列数据。
然后将此一维时间序列直接传入本发明中的层级空间通道注意力模块。判别模型最终会输出两个值，第一个值是该序列为岩石微破裂事件的概率，第二个值为该序列为噪声的概率。对于置信度比较高的数据，如某条波形被判别器判断有90％的几率是岩石破裂波形，则直接将该组数据挑选出来，准备进行下一步的人工标注。对于置信度比较低的数据，如某条序列判别器认为只有60％的几率属于微震波形，则把它单独挑选出，等待进一步的人工确认和判断。这样不仅大大筛选出了有用的信息，而且也能最大程度的减少误判的可能(机器无法确认的，人工进一步判别)。
本说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似部分互相参见即可。
本文中应用了具体个例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想；同时，对于本领域的一般技术人员，依据本发明的思想，在具体实施方式及应用范围上均会有改变之处。综上所述，本说明书内容不应理解为对本发明的限制。
Claims (10)
1.一种基于注意力机制的深度学习微震事件识别方法，其特征在于，包括：
获取多通道岩石微震波形段；
将所述多通道岩石微震波形段进行特征提取，得到特征提取后的岩石微震波形段；
将所述特征提取后的岩石微震波形段输入至第一个层级注意力模块、第二个层级注意力模块、第三个层级注意力模块、第四个层级注意力模块和第五个层级注意力模块，得到同时加载空间注意力权重和通道注意力权重的岩石微震特征图谱；
将所述岩石微震特征图谱输入全局池化层进行整合，得到整合后的特征向量，所述整合后的特征向量包含一个特征向量；
将所述整合后的特征向量输入全连接层进行降维，得到降维后的特征向量；
将所述降维后的特征向量输入分类器进行分类，得到噪声概率和微震事件概率。
2.根据权利要求1所述的基于注意力机制的深度学习微震事件识别方法，其特征在于，所述将所述多通道岩石微震波形段进行特征提取，得到特征提取后的岩石微震波形段，具体包括：
将所述多通道岩石微震波形段通过残差模块或者卷积神经网络进行特征提取，得到特征提取后的岩石微震波形段。
3.根据权利要求1所述的基于注意力机制的深度学习微震事件识别方法，其特征在于，所述将所述特征提取后的岩石微震波形段输入至第一个层级注意力模块、第二个层级注意力模块、第三个层级注意力模块、第四个层级注意力模块和第五个层级注意力模块，得到同时加载空间注意力权重和通道注意力权重的岩石微震特征图谱，具体包括：
将所述特征提取后的岩石微震波形段输入至第一个层级注意力模块，得到第一个同时加载空间注意力权重和通道注意力权重的岩石微震特征图谱，所述第一个同时加载空间注意力权重和通道注意力权重的岩石微震特征图谱为第一特征图谱；
将所述第一特征图谱输入至第二个层级注意力模块，得到第二个同时加载空间注意力权重和通道注意力权重的岩石微震特征图谱，所述第二个同时加载空间注意力权重和通道注意力权重的岩石微震特征图谱为第二特征图谱；
将所述第二特征图谱输入至第三个层级注意力模块，得到第三个同时加载空间注意力权重和通道注意力权重的岩石微震特征图谱，所述第三个同时加载空间注意力权重和通道注意力权重的岩石微震特征图谱为第三特征图谱；
将所述第三特征图谱输入至第四个层级注意力模块，得到第四个同时加载空间注意力权重和通道注意力权重的岩石微震特征图谱，所述第四个同时加载空间注意力权重和通道注意力权重的岩石微震特征图谱为第四特征图谱；
将所述第四特征图谱输入至第五个层级注意力模块，得到第五个同时加载空间注意力权重和通道注意力权重的岩石微震特征图谱，所述第五个同时加载空间注意力权重和通道注意力权重的岩石微震特征图谱为第五特征图谱。
4.根据权利要求3所述的基于注意力机制的深度学习微震事件识别方法，其特征在于，所述第一个层级注意力模块的组成结构包括依次连接的逐通道空间注意力建模单元、聚合单元、通道注意力建模单元和权重施加单元；
所述逐通道空间注意力建模单元用于将所述特征提取后的岩石微震波形段逐通道空间注意力建模，得到空间注意力权重；所述聚合单元用于将所述空间注意力权重施加到特征提取后的岩石微震波形段，再进行聚合操作，得到特征值；所述通道注意力建模单元用于将所述特征值进行通道注意力权重提取，得到通道注意力权重；所述权重施加单元用于将所述空间注意力权重和所述通道注意力权重加载至所述特征提取后的岩石微震波形段，得到第一特征图谱。
5.根据权利要求3所述的基于注意力机制的深度学习微震事件识别方法，其特征在于，所述第二个层级注意力模块和所述第三个层级注意力模块结构相同，所述第四个层级注意力模块和所述第五个层级注意力模块结构相同。
6.根据权利要求3所述的基于注意力机制的深度学习微震事件识别方法，其特征在于，所述将所述特征提取后的岩石微震波形段输入至第一个层级注意力模块，得到第一个同时加载空间注意力权重和通道注意力权重的岩石微震特征图谱，所述第一个同时加载空间注意力权重和通道注意力权重的岩石微震特征图谱为第一特征图谱，具体包括：
将所述特征提取后的岩石微震波形段进行逐通道空间注意力建模，得到空间注意力权重；
将所述空间注意力权重施加到特征提取后的岩石微震波形段，再进行聚合操作，得到特征值；
将所述特征值进行通道注意力建模，得到通道注意力权重；
将所述空间注意力权重和所述通道注意力权重输入至所述特征提取后的岩石微震波形段，得到第一个同时加载空间注意力权重和通道注意力权重的岩石微震特征图谱。
7.一种基于注意力机制的深度学习微震事件识别系统，其特征在于，包括：
多通道岩石微震波形段获取模块，用于获取多通道岩石微震波形段；
特征提取模块，用于将所述多通道岩石微震波形段进行特征提取，得到特征提取后的岩石微震波形段；
岩石微震特征图谱确定模块，用于将所述特征提取后的岩石微震波形段输入至第一个层级注意力模块、第二个层级注意力模块、第三个层级注意力模块、第四个层级注意力模块和第五个层级注意力模块，得到同时加载空间注意力权重和通道注意力权重的岩石微震特征图谱；
特征向量整合模块，用于将所述岩石微震特征图谱输入全局池化层进行整合，得到整合后的特征向量，所述整合后的特征向量包含一个特征向量；
特征向量降维模块，用于将所述整合后的特征向量输入全连接层进行降维，得到降维后的特征向量；
分类模块，用于将所述降维后的特征向量输入分类器进行分类，得到噪声概率和微震事件概率。
8.根据权利要求7所述的基于注意力机制的深度学习微震事件识别系统，其特征在于，所述特征提取模块，具体包括：
特征提取单元，用于将所述多通道岩石微震波形段通过残差模块或者卷积神经网络进行特征提取，得到特征提取后的岩石微震波形段。
9.根据权利要求7所述的基于注意力机制的深度学习微震事件识别系统，其特征在于，所述岩石微震特征图谱确定模块，具体包括：
第一特征图谱确定单元，用于将所述特征提取后的岩石微震波形段输入至第一个层级注意力模块，得到第一个同时加载空间注意力权重和通道注意力权重的岩石微震特征图谱，所述第一个同时加载空间注意力权重和通道注意力权重的岩石微震特征图谱为第一特征图谱；
第二特征图谱确定单元，用于将所述第一特征图谱输入至第二个层级注意力模块，得到第二个同时加载空间注意力权重和通道注意力权重的岩石微震特征图谱，所述第二个同时加载空间注意力权重和通道注意力权重的岩石微震特征图谱为第二特征图谱；
第三特征图谱确定单元，用于将所述第二特征图谱输入至第三个层级注意力模块，得到第三个同时加载空间注意力权重和通道注意力权重的岩石微震特征图谱，所述第三个同时加载空间注意力权重和通道注意力权重的岩石微震特征图谱为第三特征图谱；
第四特征图谱确定单元，用于将所述第三特征图谱输入至第四个层级注意力模块，得到第四个同时加载空间注意力权重和通道注意力权重的岩石微震特征图谱，所述第四个同时加载空间注意力权重和通道注意力权重的岩石微震特征图谱为第四特征图谱；
第五特征图谱确定单元，用于将所述第四特征图谱输入至第五个层级注意力模块，得到第五个同时加载空间注意力权重和通道注意力权重的岩石微震特征图谱，所述第五个同时加载空间注意力权重和通道注意力权重的岩石微震特征图谱为第五特征图谱。
10.根据权利要求7所述的基于注意力机制的深度学习微震事件识别系统，其特征在于，所述第一个层级注意力模块的组成结构包括依次连接的逐通道空间注意力建模单元、聚合单元、通道注意力建模单元和权重施加单元；
所述逐通道空间注意力建模单元用于将所述特征提取后的岩石微震波形段逐通道空间注意力建模，得到空间注意力权重；所述聚合单元用于将所述空间注意力权重施加到特征提取后的岩石微震波形段，再进行聚合操作，得到特征值；所述通道注意力建模单元用于将所述特征值进行通道注意力权重提取，得到通道注意力权重；所述权重施加单元用于将所述空间注意力权重和所述通道注意力权重加载至所述特征提取后的岩石微震波形段，得到第一特征图谱。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010428687.4A CN111562612B (zh) | 2020-05-20 | 2020-05-20 | 一种基于注意力机制的深度学习微震事件识别方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010428687.4A CN111562612B (zh) | 2020-05-20 | 2020-05-20 | 一种基于注意力机制的深度学习微震事件识别方法及系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN111562612A CN111562612A (zh) | 2020-08-21 |
| CN111562612B true CN111562612B (zh) | 2021-03-19 |
Family
ID=72074771
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010428687.4A Active CN111562612B (zh) | 2020-05-20 | 2020-05-20 | 一种基于注意力机制的深度学习微震事件识别方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111562612B (zh) |
Families Citing this family (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112130200B (zh) * | 2020-09-23 | 2021-07-20 | 电子科技大学 | 一种基于grad-CAM注意力引导的断层识别方法 |
| 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 |
| CN112487952A (zh) * | 2020-11-27 | 2021-03-12 | 东北大学 | 一种基于深度学习的矿山微震信号自动识别方法 |
| CN114239814B (zh) * | 2022-02-25 | 2022-07-08 | 杭州研极微电子有限公司 | 用于图像处理的卷积神经网络模型的训练方法 |
| CN114879252B (zh) * | 2022-07-11 | 2022-09-13 | 中国科学院地质与地球物理研究所 | 基于深度学习的das同井监测实时微地震有效事件识别方法 |
| CN117611894A (zh) * | 2023-11-24 | 2024-02-27 | 中国矿业大学 | 一种基于自监督学习的微震有效信号智能识别方法及系统 |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110058294A (zh) * | 2019-05-10 | 2019-07-26 | 东北大学 | 一种隧道微震监测岩石破裂事件自动识别方法 |
| CN110082821A (zh) * | 2019-03-26 | 2019-08-02 | 长江大学 | 一种无标签框微地震信号检测方法及装置 |
| CN110110642A (zh) * | 2019-04-29 | 2019-08-09 | 华南理工大学 | 一种基于多通道注意力特征的行人重识别方法 |
| CN111160297A (zh) * | 2019-12-31 | 2020-05-15 | 武汉大学 | 基于残差注意机制时空联合模型的行人重识别方法及装置 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US8363959B2 (en) * | 2005-03-21 | 2013-01-29 | Yeda Research & Development Co. Ltd. | Detecting irregularities |
-
2020
- 2020-05-20 CN CN202010428687.4A patent/CN111562612B/zh active Active
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110082821A (zh) * | 2019-03-26 | 2019-08-02 | 长江大学 | 一种无标签框微地震信号检测方法及装置 |
| CN110110642A (zh) * | 2019-04-29 | 2019-08-09 | 华南理工大学 | 一种基于多通道注意力特征的行人重识别方法 |
| CN110058294A (zh) * | 2019-05-10 | 2019-07-26 | 东北大学 | 一种隧道微震监测岩石破裂事件自动识别方法 |
| CN111160297A (zh) * | 2019-12-31 | 2020-05-15 | 武汉大学 | 基于残差注意机制时空联合模型的行人重识别方法及装置 |
Non-Patent Citations (3)
| Title |
|---|
| GPU-Accelerated Automatic Microseismic Monitoring Algorithm (GAMMA) and Its Application to the 2019 Ridgecrest Earthquake Sequence;En-Jui Lee 等;《Seismological Research Letters》;20200430;第91卷(第4期);第2062-2074页 * |
| SCA-CNN: Spatial and Channel-wise Attention in Convolutional Networks for Image Captioning;Long Chen 等;《2017 IEEE Conference on Computer Vision and Pattern Recognition》;20171231;第6298-6306页 * |
| 油气地球物理技术进展;陈伟 等;《科学技术与工程》;20200210;第20卷(第4期);第1289-1301页 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN111562612A (zh) | 2020-08-21 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111562612B (zh) | 一种基于注意力机制的深度学习微震事件识别方法及系统 | |
| CN108537742B (zh) | 一种基于生成对抗网络的遥感图像全色锐化方法 | |
| CN114926746B (zh) | 基于多尺度差分特征注意力机制的sar图像变化检测方法 | |
| Tang et al. | Identification of microseismic events in rock engineering by a convolutional neural network combined with an attention mechanism | |
| CN109884419B (zh) | 一种智慧电网电能质量在线故障诊断方法 | |
| CN110705525A (zh) | 一种诊断滚动轴承故障的方法及装置 | |
| CN112200244A (zh) | 一种基于递阶对抗训练的航天发动机异常智能检测方法 | |
| Wei et al. | Characterizing rock facies using machine learning algorithm based on a convolutional neural network and data padding strategy | |
| CN106874950A (zh) | 一种暂态电能质量录波数据的识别分类方法 | |
| CN110657984A (zh) | 一种基于强化胶囊网络的行星齿轮箱故障诊断方法 | |
| CN102158486A (zh) | 一种网络入侵快速检测方法 | |
| Song et al. | Recognition of microseismic and blasting signals in mines based on convolutional neural network and stockwell transform | |
| CN115937774A (zh) | 一种基于特征融合和语义交互的安检违禁品检测方法 | |
| CN114357372A (zh) | 一种基于多传感器数据驱动的飞机故障诊断模型生成方法 | |
| CN112329804A (zh) | 基于特征随机的朴素贝叶斯岩相分类集成学习方法及装置 | |
| CN112766381A (zh) | 有限样本下属性引导的sar图像生成方法 | |
| CN115660221B (zh) | 基于混合神经网络的油气藏经济可采储量评估方法及系统 | |
| CN111832636A (zh) | 基于特征组合的朴素贝叶斯岩相分类方法及装置 | |
| CN117079098A (zh) | 一种基于位置编码的空间小目标检测方法 | |
| CN110986949A (zh) | 一种基于人工智能平台下的路径识别方法 | |
| CN115238749A (zh) | 一种基于Transformer的特征融合的调制识别方法 | |
| CN115308705A (zh) | 一种基于生成对抗网络的多姿态极窄脉冲回波生成方法 | |
| CN115374687A (zh) | 数形结合的油井工况智能诊断方法 | |
| CN111340111B (zh) | 基于小波核极限学习机识别人脸图像集方法 | |
| CN112380949B (zh) | 一种微震波到时点检测方法及系统 |
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 |