CN112200238A - 基于声响特征的硬岩拉剪破裂识别方法与装置 - Google Patents

基于声响特征的硬岩拉剪破裂识别方法与装置 Download PDF

Info

Publication number
CN112200238A
CN112200238A CN202011068722.2A CN202011068722A CN112200238A CN 112200238 A CN112200238 A CN 112200238A CN 202011068722 A CN202011068722 A CN 202011068722A CN 112200238 A CN112200238 A CN 112200238A
Authority
CN
China
Prior art keywords
fracture
hard rock
ivm
sample
tension
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
Application number
CN202011068722.2A
Other languages
English (en)
Other versions
CN112200238B (zh
Inventor
苏国韶
黄杰
蒋剑青
许华杰
张研
罗丹旎
粟明杰
蓝兰
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Guangxi University
Original Assignee
Guangxi University
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Guangxi University filed Critical Guangxi University
Priority to CN202011068722.2A priority Critical patent/CN112200238B/zh
Publication of CN112200238A publication Critical patent/CN112200238A/zh
Application granted granted Critical
Publication of CN112200238B publication Critical patent/CN112200238B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G06F18/2415—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on parametric or probabilistic models, e.g. based on likelihood ratio or false acceptance rate versus a false rejection rate
    • G06F18/24155—Bayesian classification
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/40—Extraction of image or video features
    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
    • G06F2218/08—Feature extraction
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/40—Extraction of image or video features
    • G06V10/46—Descriptors for shape, contour or point-related descriptors, e.g. scale invariant feature transform [SIFT] or bags of words [BoW]; Salient regional features
    • G06V10/467—Encoded features or binary features, e.g. local binary patterns [LBP]
    • 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
    • Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
    • Y02T90/00—Enabling technologies or technologies with a potential or indirect contribution to GHG emissions mitigation

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • Artificial Intelligence (AREA)
  • Probability & Statistics with Applications (AREA)
  • Multimedia (AREA)
  • Measurement Of Mechanical Vibrations Or Ultrasonic Waves (AREA)

Abstract

本发明公开了一种基于声响特征的硬岩拉剪破裂识别方法及装置，主要解决了现场硬岩拉剪破裂识别不易的问题。包括以下步骤，S1：测定硬岩几何物理参数；S2：记录现场环境噪声；S3：提取硬岩张拉破裂和剪切破裂去噪后声音信号的MFCC特征和LBP特征；步骤S4：将获取的两种特征作为训练样本集合训练IVM模型；S5：现场监测硬岩破裂声音信号，并进行去噪处理；S6：提取监测信号的MFCC和LBP特征，输入已训练的IVM模型中，确定硬岩破裂类型；S7：将IVM分类良好的预测样本作为新的训练样本加入到训练集合中，训练IVM，对之后现场监测声音进行预测。本发明适用于岩溶地区的硬岩中等尺度至宏观尺度拉剪破裂的识别。

Description

基于声响特征的硬岩拉剪破裂识别方法与装置
技术领域
本发明属于岩土工程灾害防治技术领域，涉及一种基于声响特征的硬岩拉剪破裂识别方法及装置。
背景技术
我国三分之二以上的国土面积为山区，属于危岩失稳破坏灾害多发地区。危岩灾害由于它的突发、快速、大规模破坏性等特性，给社会造成来了巨大的灾害，因此引起了越来越众多研究者的关注。如何能够科学有效地提高对于硬岩灾害预警的能力成为了当前研究的热点问题。
已有研究表明，硬岩的宏观破坏均从微小的脆性破裂逐渐发育而成，加深对于脆性破裂的研究对于硬岩宏观破坏机理的揭示具有重要的意义，因此如何监测硬岩的破裂行为是现场工程中急需解决的问题。
硬岩的脆性破裂可分为张拉破裂和剪切破裂，拉剪破裂的研究对于再现硬岩内部的破坏演化以及对硬岩的破坏预警具有重要的意义。通过研究硬岩的拉剪演化，从拉剪破裂的角度进一步的揭示岩石破坏的机理。因此，对硬岩拉剪破裂进行分类识别，可以实现对硬岩中等尺度至宏观破坏地及时预警，减少硬岩破坏造成的人员伤亡和财产的损失。
张拉破裂是硬岩在外荷载状态下，当硬岩某一承载面达到抗拉强度时，硬岩产生张拉破裂，张拉破裂是在能量急剧情况下，最后能量快速释放所表现出的急剧性宏观破裂；剪切破裂是指硬岩在外荷载状态下，硬岩某一接触面达到最大抗剪强度，硬岩产生剪切破裂，剪切破裂是硬岩是内部不同尺寸颗粒接触间相互摩擦产生的连续性破裂事件，相较于张拉破裂所表现出急剧短促的特点，剪切破裂属于连续，较长时间地破裂。由于上述两种破裂过程的根本性不同，因此通过分析硬岩张拉破裂和剪切破裂时所表现出的较为明显地特征，即能做到对两种不同破裂类型的显著区分。
当前对硬岩张拉破裂和剪切破裂传统区分手段包括：数值模型分析，现场的观测等手段，但是上述等监测手段存在着诸多的问题。数值模型的计算方法耗时较大，且数学模型的建立需要较多的假设，因此对于现场硬岩的真实情况反映还有所欠缺。基于现场的监测方法手段常借助于声发射、微震等设备，但是此类监测设备的使用成本较高，经济性较差，在现场环境下难以获得较大范围地使用。
针对上述分析手段的不足，需要一种新的岩石拉剪破裂识别的方法，既能准确地进行岩石拉剪破裂机制的分析，同时还具有操作上的便利性。
当硬岩发生脆性破裂时，伴随着硬岩的宏观破裂，会发出人耳可听见的清晰声响，属于20Hz～20000Hz的中频率段信号。与传统地利用声发射、微震等专门的传感器进行接触式信号监测有所不同，声音信号能以岩体和空气作为传播介质，且不受到岩体介质对于传播过程的影响，具有采集上的便利，加强岩石破裂声音信号的研究具有极强的经济价值。当前，生物语音识别已经取得了令人瞩目的发展，被广泛地用于实践，这为声音信号在岩石力学领域的研究提供了重要的启示。如何借鉴生物语音识别技术，实现对张拉破裂和剪切破裂地定量化识别区分，成为工程防灾领域尚需解决的问题。
机器学习是人工智能的一个新兴分支，它从已知实例中自动发现规律，建立对未知实例的预测模型，与传统回归方法相比较，更适用于复杂高度非线性的回归问题。人工神经网络与支持向量机是当今代表性的机器学习方法。但人工神经网络和支持向量机均存在一些公开问题，例如，人工神经网络存在着最优网络拓扑结构与最优超参数不易确定、存在过(欠)学习风险、小样本推广能力差等问题；支持向量机的核函数及合理超参数没有可行的理论求解方法，很难保证预测的可靠性。
信息向量机(Informative Vector Machine,IVM)是一种新的机器学习方法，由Neil Lawrence于2002年提出。该方法采用基于信息熵理论的方法，从大量的训练样本中优选出部分的最具信息性的样本组成有效集，通过对有效集的学习可以达到与原训练样本集相同的学习效果，同时结合稀疏化核矩阵表示，从而大大简化学习的时间复杂度和空间复杂度。另外，IVM通过假定密度筛选与最小化KL散度(相对信息熵)实现了对非高斯分布噪声模型后验分布的近似逼近。IVM具有优异的回归性能，其超参数可自适应获取，对高度非线性回归问题具有较强的适用性。
因此本专利将语音识别中常用的MFCC特征、声纹纹理特征、与IVM结合引入到岩石破裂的语音识别技术中，提出了一种新的基于声响特征的硬岩拉剪破裂识别方法与装置，根据现场硬岩的破裂声音信号实现对于硬岩的拉剪破裂类型的识别，为岩石破裂类型的区分提供了一种新的经济性道路。
发明内容
针对上述获取参数方法的不足，本发明提出了基于声响特征的硬岩拉剪破裂识别方法，包括以下步骤：
步骤S1：测定硬岩的几何物理参数；
步骤S2：记录现场环境噪声；
步骤S3：提取硬岩去噪后的张拉破裂和剪切破裂声音信号的MFCC特征和LBP特征；
步骤S4：获取的两种特征作为训练样本训练IVM模型；
步骤S5：监测现场硬岩破裂声音信号，获取去噪后洁净的声音信号；
步骤S6：对待预测破裂声音信号进行LBP特征、MFCC特征提取，并根据IVM分类结果，确定硬岩破裂类型；
步骤S7：将IVM分类结果良好的预测样本也一同作为训练样本加入到训练集合中，对之后监测所得的声音进行预测。
对上述各个步骤进行进一步的说明：
步骤S1，根据大型危岩的成因及特点，测定硬岩的几何物理参数，包括硬岩的物理尺寸、风化程度、硬岩主控结构面位置等。
步骤S2，在现场环境下，危岩破裂声音信号的监测情况，由于在现场环境中，噪声会对监测到的破裂声音信号造成极大的干扰影响，因此为了收集现场环境中诸多可能出现的噪声，对使用的破裂声音信号进行去噪，减少现场环境下声音信号的干扰因素。在已获得现场环境噪声的基础上，一般选用小波去噪的手段，对硬岩破裂声音的原声信号进行去噪处理。
步骤S3，包括步骤S3-1、步骤S3-2和步骤S3-3，具体方法如下：
步骤S3-1：选取硬岩上代表性岩样；
本发明方法首先考虑提取硬岩进行张拉破裂和剪切破裂声音信号的样本，因此首先对现场的硬岩的代表性岩样进行取样，并且制作成便于开展实验的试样，包括张拉破裂试验试样和剪切破裂试验试样，张拉破裂试样可以用来做单纯的张拉破裂试验，获取张拉破裂的声音信号，剪切破裂试样用于开展剪切破裂实验，获取剪切破裂的声音信号。通过获取得张拉和剪切时的典型声音信号，为下一步能够实现对硬岩张拉破裂和剪切破裂声音信号的区分奠定样本基础。
步骤S3-2：开展张拉破裂试验和剪切破裂试验，获取两类典型破裂时的声音信号。在现场环境下开展该步骤时，对于所记录的张拉破裂和剪切破裂的声音信号进行了必要的去噪处理，获取纯净的破裂声音信号，具体步骤如下：
开展张拉破裂实验，并根据步骤S2中，对已获得的声音信号进行去噪处理，获取岩样张拉破裂时纯净的声音信号；
开展剪切破裂实验，并根据步骤S2中，对已获得的声音信号进行去噪处理，获取岩样剪切破裂时纯净的声音信号。
步骤S3-3：提取声音信号的MFCC特征和LBP特征；
对步骤S3-2中获取的张拉破裂声音信号和剪切破裂的声音信进行MFCC音频信息特征的提取；
对步骤S3-2中获取的张拉破裂声音信号和剪切破裂的声音信号进行短时傅里叶变换计算，获取硬岩试样张拉破裂时和剪切破裂时的声纹图，将声纹图形尺寸编辑至统一大小，对声纹图形进行LBP特征的提取。
下面对语音信号MFCC特征和声纹图LBP特征进行简要的说明。
一般常用的语音系数特征通常对语音信号特征的描述是利用傅里叶变换将语音信号从时域空间映射至频域空间，而且对于所有频率的侧重程度相同。但是在实际生活中，人耳听觉相当于一个滤波器的作用，对于不同频率特征的信号的“过滤”程度不同，换句话说：不同音调的声音信号在人耳听觉中引起的敏感度也不同，高音调的信号更会易于人耳的响应，并且会导致低音调的声音选择性“忽略”，即为“掩蔽效应”。例如当对于一个音调较高的声音信号和一个音调较低声音同时传至人耳中，人耳会首先拾取音调较高的声音，同时会“忽略”音调较低的声音信号。为了能够描述这种现象，更好的对人耳接收信号的能力进行模拟，有关研究者提出了MFCC的概念，人们为了模仿人耳对不同音调的拾取能力，按照不同的音调频率设置了多个带宽值，在每个带宽值区间内，同样有从疏到密的滤波器，通过将接受到的声音信号通过这数个滤波器，并且计算每个滤波器输出信号的能量，将信号的能量合并成一个指标作为声音信号的特征，即为MFCC特征。在频域空间中不同频率的声音信号，反映至人耳听觉梅尔谱系数MFCC具有如下的关系：
Figure BDA0002714655460000051
式中：f是实际信号的频率，单位为Hz；
与MFCC特征相似，声纹图也是将声音在时域空间和频域空间的一种联合表达形式。声音在时域空间的表达形式为波性文件，波形文件可以表现出声音信号的幅值随时间变化的特征。当对声音信号的在整个时域空间的波形文件进行FFT变化，则可以将声音信号从时域空间转到频域空间中，但是上述的空间转换仅能反映在而二维的平面状态中。通过对语音信号的分帧，加窗进行STFFT变化，将声音信号的变化反映在三维空间中，即为声音信号的时域-频域-幅值信号分布图。声纹图上的条纹路即为声音信号幅值表示，纹路颜色的深浅程度即为声信号能量的大小，色谱带从上至下的幅值表示能量越来越大，条纹带的密集程度反映出此刻声音信号的数量聚集度，颜色深浅反映出信号幅值的高低程度。以上分析看出，对于任何每一个声音信号，声纹图形的纹理特征都是独一无二的，这为声纹图形的识别提供了分类基础。
图像的局部二值模式特征，又称为LBP(Local Binary Pattern)特征。是一种专门描述图形纹理的特征，具有旋转不变性和灰度不变性等显著的优点，在在图像模式识别领域得到了广泛的使用。LBP特征的提取原理为：首先将彩色的图像灰度化，然后以灰度图像中某一点的像素值为中心点，将该点的像素值与周围若干个点的像素值进行比较，当小于该点的像素值时，则该点赋值为0，当大于该点的像素值时，则该点赋值为1，最后将二进制的数值转换为十进制的值，即为该点的的LBP特征值，图形中其他像素点的LBP特征也均类似于此计算，联立所有像素点所得矩阵即为该图像的LBP值。通过对图像上所有像素点的像素值进行描述，获得了整张图形的纹理分布
步骤S4，将上述声纹图形的MFCC特征和LBP特征合并成一个音频特征向量x，将全部张拉破裂和剪切破裂的特征向量x组合作为训练集合D，将其用来训练IVM模型，在训练模型中两类破裂类型的标签y规定如下：张拉破裂信号的标签y＝+1；剪切破裂信号的标签y＝-1，并在IVM的训练中，使用交叉验证提取模型对样本的泛化能力。
IVM模型基于贝叶斯统计学习理论及核方法，结合了假定密度逼近ADF和基于信息熵理论的样本选择方法，利用ADP递归近似每次增选一个信息向量样本之后的后验分布，并获取近似似然分布，确保算法的可跟踪性和易处理性，同时，在该递归近似过程中，利用基于信息熵理论的样本选择方法筛选最具信息性的样本，以求替代对原训练样本集的学习，并且采用递归更新记录中间变量的方法巧妙回避协方差矩阵K(核矩阵)的重复处理，实现显著降低算法时间及空间复杂度的目的。下面对IVM二分类模型学习及预测过程的部分关键步骤进行简要说明。
(1)IVM代理模型的学习过程：
IVM回归代理模型在学习过程中，维持了两个样本索引集I与J，其中I是有效集，J是待选集，初始时，
Figure BDA0002714655460000061
J＝{1，2，…，N}，且在任意时刻，
Figure BDA0002714655460000062
I∪J＝{1，2，…，N}(假定要从初始N训练样本中，筛选d个信息向量)，信息向量是以一种连续的、类似在线学习的方式获取：首先，应用ADF近似具有i个信息向量，即Ii时的后验分布及似然分布：
Figure BDA0002714655460000063
式中：p表示概率分布，q表示近似分布，μ表示高斯分布均值，Σ为协方差矩阵m表示似然替代变量，β表示噪声分布方差，
Figure BDA0002714655460000071
为有效训练样本的输入向量，θ表示协方差函数超参数。之后，依照如下方法选择i+1个信息向量
Figure BDA0002714655460000072
上式表示：选择当前待选集J中能够最大化减小后验分布信息熵的一个样本j，作为第i+1个信息向量。循环执行上述过程，直至完成d个信息向量的选择(即I＝Id)。此时，可得
Figure BDA0002714655460000073
式中B表示噪声分布方差，K或Σ表示高斯分布协方差矩阵。在IVM代理模型中，协方差函数超参数θ的最优解正是通过最大化边缘似然p(yI|XI,:,θ)而自适应获取的。具体的，通过取负对数-log(p(yI|XI,:,θ))，将最大化问题转化为最小化问题，进而利用共轭梯度下降法实现最优超参数
Figure BDA0002714655460000074
的自适应获取。
(2)IVM模型的分类：
过程上述过程实现了以有效集I替代原始样本数据集的学习，之后的回归过程同贝叶斯回归学习过程中的做法一致，代入对应的变量、向量或矩阵，即得IVM回归后验分布：
Figure BDA0002714655460000075
根据二元分类问题，二元分类结果可以通过响应函数可以压缩至区间[0,1]：
π(x)＝p(f*＝+1|x*)＝Φ(f)
Figure BDA0002714655460000076
步骤S5：监测现场硬岩破裂声音信号，获取去噪后洁净的声音信号。在步骤S2，S3和S4中，通过开展试验完成了对纯张拉信号和纯剪切信号的采集，以及利用信号的相应特征已经对IVM模型进行了训练，使得训练后的IVM模型具有了分类识别的能力。在步骤S5中，开始对现场环境下的硬岩破裂声音信号进行监测，并同样根据步骤S2中已获得噪声，对现场监测的硬岩破裂声音信号进行去噪处理，作为预测信号进行收集。
步骤S6：对去噪后的硬岩破裂的声信号的进行声纹图LBP特征和语音信号MFCC特征的提取，然后将提取后的特征成一个特征向量，作为预测样本带入到已经训练好的IVM模型中进行分类，根据二元分类准则，当分类预测概率p*>0.5时，识别为张拉破裂；当分类预测概率p*<0.5时，识别为剪切破裂。
步骤S7：根据上述利用IVM模型的分类概率值，将预测结果良好的样本，作为新的训练样本加入到训练样本集合中，预测结果良好的定义为：当预测结果0<p*<0.2时，可以认为是良好的预测剪切样本值，当预测结果0.8<p*<1时，作为张拉破裂的新的训练样本加入到训练集合D中，并且按照步骤S4的定义，张拉破裂的标签y＝+1，剪切破裂的标签y＝-1作为新的训练样本x加入到训练集合D中，对IVM模型进行重新训练；
优选地，本发明的分类识别方法，所述的训练样本声音声纹图的LBP特征的提取、训练样本音频特征MFCC、IVM模型的训练、预测样本音频声纹图的LBP特征生成、预测样本的音频特征MFCC特征的生成、IVM的预测分类均通过编写自动化运维处理指令流程，使得各步骤之间自动化运行。
本发明专利还提供一种基于声响特征的硬岩拉剪破裂识别装置，包括：
信息模块Z1，提取硬岩的几何物理参数；
去噪模块Z2，用于对现场的环境的噪声收集，并将其作为噪声样本。对之后在现场环境下收集的硬岩破裂的声音信号进行去噪滤波，获取洁净的声音信号；
拉剪采样模块Z3，用于对现场硬岩的代表性岩样开展张拉劈裂实验和剪切破裂试验获取相关的张拉破裂声音和剪切破裂声音，用于后期的特征提取；
声音信号特征提取模块Z4，用于提取声音声纹图的LBP特征和声音信号的MFCC特征；
IVM计算模块Z5，用于将已经提取出的声音信号特征作为训练样本用来训练IVM模型，并且对预测样本做出分类结果；
现场声音信号监测模块Z6，用于对现场硬岩的破裂声音信号进行监测提取，获取硬岩的破裂声音信号，并作为预测样本交给IVM计算模块分类识别；
显示模块Z7，用于显示上述各模块之间的计算结果，并且可以用来控制各个模块的进程；
传输模块Z8，用于实现对各模块之间的信息通信，实现各模块间信息的储存和传递。
进一步的，所述信息模块Z1用于提取必要性的现场信息，如：硬岩形状、硬岩几何物理参数、主控结构面位置等。
进一步的，去噪模块Z2包括噪声收集单元Z2-1、滤噪单元Z2-2，
噪声收集单元Z2-1，用于对现场真实环境的噪声进行收集，作为噪声样本；
滤噪单元Z2-2，用于根据已经收集到的噪声样本，对监测得到的破裂声音信号进行去噪滤波；进一步的，拉剪采样模块Z3包括张拉采样单元，包括：
张拉采样单元Z3-1，用于开展岩样张拉破裂试验，获取张拉破裂时的声音信号；
剪切采样单元Z3-2，用于开展岩样剪切破裂试验，获取剪切破裂时的声音信号；
声音记录单元Z3-3，用于记录在进行张拉破裂试验和剪切破裂实验进行时，记录两种破裂类型的声音信号。
进一步的，声音特征提取模块Z4包括：声纹图形生成单元Z4-1、声纹图形LBP提取单元Z4-2、声音MFCC特征提取单元Z4-3，
声纹图形生成单元Z4-1，用于计算生成声音信号的声纹图形；
声纹图形LBP提取单元Z4-2，用于对单元Z4-1中生成的声纹图形进行LBP特征的提取；
声音MFCC特征提取单元Z4-3，用对声音信号的MFCC特征进行提取；
进一步的，所述IVM计算模块Z5块包括：均匀化样本单元Z5-1、交叉验证单元Z5-2、模型参数调整单元Z5-3、预测样本显示单元Z5-4。
均匀化样本单元Z5-1，对于IVM模型的机器学习方法而言，模型训练的好坏极大的取决于训练样本的构成，在IVM模型的预测概率值，是在不断地通过对训练样本的学习中提高的。在本专利发明方法中，训练样本的来源有两个：一是声纹图形的LBP特征、二是声音信号的MFCC特征，在使用中发现，通常MFCC每一维度的数值是LBP特征的数值的10倍以上，如果在提取两种特征后直接统一在一起，将会由于两种训练样本之间数值的倍数差异，导致机器学习模型无法正常的进行训练和学习。因此为了统一两者的维度特征值的大小范围，当前提高机器学习模型对样本常用的预处理的方法有如下：
归一化处理
归一化的目的是训练样本的各维度转换到[0,1]或者[1-,1]区间，归一化的方法如下所示：
Figure BDA0002714655460000101
或者
Figure BDA0002714655460000102
式中，i为样本特征向量的维数，t为哪一项样本，
Figure BDA0002714655460000103
为第t个样本的第i维特征数以及标准化的值，xi-max表示所有样本第i维的最大数值，xi-min表示所有样本的第i维的最小值。
标准化处理，根据正态分布理论，所有的分布都可以将其标准化。根据在正态标准化的公式，训练样本进行标准化的公式也如下所示：
Figure BDA0002714655460000104
或者
Figure BDA0002714655460000105
同一最下倍数化，上述提到通常MFCC每一维度的数值是LBP特征的数值的10倍以上，为了使得IVM模型能够对样本的良好学习，则可将两种特征样本组合之前，现将LBP扩大10倍，或者将MFCC特征缩小10倍，之后在组合成整体的训练样本，计算公式如下所示：
Figure BDA0002714655460000111
或者
Figure BDA0002714655460000112
即组合后的训练样本集合
Figure BDA0002714655460000113
或者
Figure BDA0002714655460000114
上述两种处理样本的方式可供根据实际需求选择。
交叉验证单元Z5-2，其用于交叉验证样本，提高IVM模型的泛化能力；
经过对训练样本学习的IVM模型已经具有了初步分类的能力，训练后的IVM模型的对已知样本学习能力的好坏称为模型的性能，对于有未知样本的预测效果称为泛化能力。根据机器学习理论，机器学习IVM模型的性能的好坏决于模型在自身的理论的指导下对于样本的学习程度，因此对于训练样本学习程度的不同，机器学习可能会出现“过学习”和“欠学习”的现象，针对“过学习”和“欠学习”，可以通过调整样本的布局，或者调整模型的参数进行改进，比如针对“过学习”的出现可以在训练过程中增加惩罚项加以控制，对于“欠学习”，可以通过设置损失函数加以弥补。因此为了检验模型的学习效果，在对训练样本外的预测样本进行预测估计之前，尚需要对已有的IVM模型的学习效果进行检验，因此交叉验证单元必不可少；
交叉验证的概念为将原训练样本集合D分成两类，一部分作为训练样本进行训练，一部分作为预测样本进行也测，这样做的目的：既可以检测模型对于样本群的学习性能，也可以用来减少样本“过学习”和“欠学习”的出现，避免模型在一次学习过程中，会出现对于样本学习权重不平衡的出现。
交叉验证的训练的方法是有两种分别是留出法和k-折训练法。这两种方法的训练单元Z5-2均有保留，可根据实际需求选择。
留出法；是将训练样本集合D分成，三部分，训练集、验证集和测试集。不过如果只做一次分割，它对训练集、验证集和测试集的样本数比例，还有分割后数据的分布是否和原始数据集的分布相同等因素比较敏感，不同的划分会得到不同的最优模型，而且分成三个集合后，用于训练的数据更少了。
k-折训练法；顾名思义，是将是将训练样本均分成k个训练样本子集，并且对k个子集循环往复训练测试k次，在每一次的训练过程中，首先选用1个子集作为测试样本，剩下的k-1个作为训练样本，整个循环反复k次，最后取所有k次的均值作为模型学习性能的评价。这样一来，对于整个集合D，所有的子集都有机会在参与到模型的学习和预测中，平衡了模型对于训练样本的学习均匀度。在一般的计算，可以取k为10、20、30。
模型参数调整单元Z5-3，其用于对IVM模型训练较差的情况，调整IVM模型的参数，以适应训练。在上述的单元的测试过程中，如果出现IVM模型训练较差的情况，则可以对模型进行调整，调整的方法包括：改变训练样本的均匀程度，改变模型中的参数数值。
预测样本显示单元Z5-4，用于利用已经建立好的IVM模型对预测样本进行分类识别，识别现场硬岩破裂的声音信号为张拉破裂还是剪切破裂。
进一步的，现场声音信号监测模块Z6包括：包括现场声音监测单元Z6-1，声音放大单元Z6-2；
现场声音信号监测单元Z6-1：用于将硬岩破裂的声音信号进行监测、收集；
声音信号放大单元Z6-2：用于对声音信号进行放大处理，以便于对硬岩破裂的声音信号分析处理。
进一步的，显示模块Z7包括：
信息显示单元Z7-1，用于显示上述所有模块的计算结果；
时控单元Z7-2，整个模型的运维处于自动化运行指令下，但是允许管理人员的交互式控制，根据管理者需要可以进行实时控制计算，在管理员的指令下，可以暂停进程，进入任意模块指挥进程。
上述各个模块的参数设定值，模型生成，均由显示模块Z7呈现出，方便管理者实时管理管理计算的过程。
进一步的，传输模块Z8包括：本地存储单元Z8-1，备份存储单元Z8-2和传输单元Z8-3；
本地存储单元Z8-1，用于将计算出的数据存储至本地数据中心集中装置；
备份存储单元Z8-2，用于将数据进行备份存储至云端；
传输单元Z8-3，用于将计算出的数据通过通用无线、有线、选择性传输方式发送到接收平台或者相应的客户端。
优选地，上述各模块之间的交互性链接，反馈均是通过传输模块进行，因此为保证链接的稳定可以根据现场条件需求实现无线、有线、或者混合方式传导。
与现有技术相比，本发明的有益效果是：
硬岩破裂的声响特征指标MFCC和基于声音信号提取出的声纹图形LBP特征具有明显的不同，因此将MFCC特征和声纹图LBP特征融合后作为新的硬岩拉剪破裂识别新的特征指标。
利用硬岩破裂的张拉破裂信号和剪切破裂信号MFCC特征和LBP特征的显著区别，结合IVM机器学习二元分类方法的理论，实现了对硬岩张拉破裂和剪切破裂的自动识别。
本发明与传统硬岩拉剪破裂识别方法相比，降低了拉剪破裂识别的复杂程度，为有效解决当前对于硬岩破裂类型识别方法的不便利性和低经济性提供了一条有效途径。
本发明中的智能化装置平台实现了从声音获取、训练、建模、参数修改、预测、反馈信息一体化的过程，使整个参数获取流程更加智能化，及时地信息参数修正和属性的设置，提高了模型的适应性和高效性。
附图说明
图1为本发明方法的流程图；
图2为本发明实施案例1中监测硬岩的形状；
图3为本发明实施案例1的张拉破裂岩样和剪切破裂岩样；
图4为本发明实施方法的装置模块图；
图5为本发明实施方法的装置单元图；
图6为本发明实施案例2硬岩拉剪破裂识别装置布置图。
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。
实施例1
一种基于声响特征的硬岩拉剪破裂识别方法，发明方法的流程如图1所示，其具体包括以下步骤：
某岩溶山区拉裂坠落型硬岩为均值岩性，硬岩形状为近似梯形，已测定硬岩大小为7万m3，高度35m，硬岩主控结构面位置位于与危岩后边界呈85度角，如图2所示。
步骤S1，硬岩常规物理参数等见表1
表1硬岩力学参数
Figure BDA0002714655460000141
步骤S2，现场噪声获取；为了确保分析声音信号的洁净性，因此通过首先收集现场环境中，具有代表性的现场声音噪声，包括现场的鸟鸣声，施工声、雨声、风声等，以此作为噪声样本，对后期进行去噪，在本实施案例中，采用小波去噪的手段基于已有现场噪声对原声信号进行去噪处理；
步骤S3，选取硬岩上的岩样进行加工，并进行张拉破裂试验和剪切破裂试验，获取典型的张拉破裂声音和剪切破裂声音，如图3所示；
步骤S3-1：选取硬岩上代表性岩样；
本发明方法首先考虑硬岩张拉破裂和剪切破裂声音信号的样本，因此首先对现场的硬岩的代表性岩样进行取样，并且制作成便于开展实验的试样，包括张拉破裂试验试样和剪切破裂试验试样，张拉试样可以用来做单纯的张拉破裂试验，获取岩样张拉破裂的声音信号，剪切试样用于开展剪切破裂实验，获取岩样剪切破裂的声音信号。通过获取得纯拉破裂和纯剪破裂时典型的破裂声音信号，为下一步能够实现对基于声音信号对硬岩张拉破裂和剪切破裂的区分奠定样本的基础。
步骤S3-2：开展张拉破裂试验和剪切破裂试验，获取典型破裂时的声音信号，如图3所示，开展两类破裂类型实验：
开展张拉破裂实验，获取岩样张拉破裂时的声音信号；
开展剪切破裂实验，获取岩样剪切破裂时的声音信号；
步骤S3-3：对去噪后的张拉破裂和剪切破裂的声音信号进行声纹分析图的提取；
首先，使用小波去噪手段对获取的张拉破裂和剪切破裂的原声信号进行去噪；
然后，对去噪后的张拉破裂和剪切破裂的声音进行MFCC特征的提取，作为特征一x1，如表3-1所示；
最后，对去噪后的张拉破裂声音信号和剪切破裂的声音信号进行短时傅里叶变换计算，获取硬岩试样张拉破裂时和剪切破裂时的声纹图，并对声纹图形的LBP纹理特征进行提取；作为特征二x2，如表3-2所示；
步骤S4，将特征一和特征二组合成特征样本D＝[x1,x2]，如表3-1、表3-2所示；利用获取的训练样本D进行IVM模型的训练工作，获取训练后的IVM模型，在训练模型中两类破裂类型的标签y规定如下：张拉破裂信号的标签y＝+1；剪切破裂信号的标签y＝-1，并在IVM的训练中，使用交叉验证提取模型对样本的泛化能力。
步骤S5，监测拉裂坠落型硬岩在不同破坏阶段下的破裂声发射信号，主要包括失稳前(2019年07月03日-2019年07月10日)、拉裂坠落(2019年07月11日-2019年07月18日)、拉裂失稳破坏(2019年07月19日-2019年07月20日)。
步骤S6，对获取的去噪后不同阶段下的破裂声音进行LBP特征和MFCC特征的提取，做成为预测样本z1，将预测样本带入到已训练的IVM模型，对预测样本进行预测，判断该时刻发生哪一种破裂,如表4、表5、表6。
步骤S7，实时更新训练样本的集合，并且根据方法步骤6中预测值概率值的大小，当预测结果0<p*<0.2时，可以认为是良好的剪切破裂样本值，当预测结果0.8<p*<1时，可以认为是良好的张拉破裂样本值，并且按照步骤4的定义，将新的训练样本加入到训练集合D中，张拉破裂的标签y＝+1，剪切破裂的标签y＝-1，进行之后IVM的模型训练：
表3-1特征一MFCC特征值的矩阵
Figure BDA0002714655460000161
表3-2特征二LBP特征值的矩阵
Figure BDA0002714655460000162
表4失稳前阶段破裂信号的识别
Figure BDA0002714655460000163
表5拉裂坠落阶段破裂信号的识别
Figure BDA0002714655460000164
Figure BDA0002714655460000171
表6拉裂失稳破坏阶段破裂信号的识别
Figure BDA0002714655460000172
实施例2
为了进一步实施本发明中的方法，本专利申请第二方面实施提出了一种基于声响特征的硬岩拉剪破裂自动识别方法与装置，如图4、5、6所示，其中图4、5为装置的各模块、单元构成图，图6为装置的工程实例的现场布置图，包括：
信息模块Z1，用于对硬岩的初始物理参数测量。将信息模块Z1安置在硬岩上，该模块能够实现用于提取必要性的现场信息，如：硬岩形状、硬岩几何物理参数、主控结构面位置等。
去噪模块Z2，用于对噪声采样，作为噪声样本。基于去噪模块的Z2已有的噪声样本，可以实现对现场所有噪声信号的去噪，将去噪之后的之后声音信号进入到声音信号特征提取模块Z4中。去噪模块Z2包括：噪声收集单元Z2-1和滤噪单元Z2-2；噪声收集单元Z2-1，用于对现场真实环境的噪声进行收集，作为噪声样本；滤噪单元Z2-2，用于根据已经收集到的噪声样本，对监测得到的噪声样本进行滤波、去噪。拉剪采样模块Z3，用于开采张拉破裂试验的岩样，并且开展张拉试验，获取张拉破裂时的声音信号，用于开采剪切试验的岩样，并且开展剪切试验，获取剪切破裂时的声音信号。其包括拉剪采样模块Z3包括张拉采样单元Z3-1、剪切采样单元Z3-2、声音记录单元Z3-3，张拉采样单元Z3-1，用于开采张拉试验的岩样，并且开展张拉试验，获取张拉破裂时的声音信号；剪切采样单元Z3-2，用于开采剪切试验的岩样，并且开展剪切试验，获取剪切破裂时的声音信号；声音记录单元Z3-3，用于记录在进行张拉试验和剪切实验进行时，两种破裂类型的声音信号。
声音信号特征提取模块Z4，用于对声音信号进行特征提取，声音信号特征提取模块Z4所用来提取特征的声音信号都是从去噪模块Z2处理后的声音信号。声音信号特征提取模块Z4包括：声纹图形生成单元Z4-1、声纹图形LBP特征提取单元Z4-2、声音MFCC特征提取单元Z4-3；声纹图形生成单元Z4-1，用于计算生成声音信号的声纹图形；声纹图形LBP提取单元Z4-2，用于对单元Z4-1中生成的声纹图形进行LBP特征的提取；声音MFCC特征提取单元Z4-3，用对声音信号的MFCC特征进行提取。
IVM计算模块Z5，可以将声音信号特征提取模块Z4的特征进行学习，获得训练后的训练模型。IVM模型还用来对训练样本进行学习，预测样本进行分类。均匀化样本单元Z5-1、交叉训练单元Z5-2和模型参数调整单元Z5-3、预测样本显示单元Z5-4。
均匀化样本单元Z5-1，对于IVM模型的机器学习方法而言，模型训练的好坏极大的取决于训练样本的构成，在IVM模型的预测概率值，是在不断地通过对训练样本的学习中的提高的。在本专利发明方法中，训练样本的来源有两个：一是声纹图形的LBP特征、二是声音信号的MFCC特征，在试验中法先，通常MFCC每一维度的数值是LBP特征的数值的10倍以上，如果在提取两种特征后直接统一在一起，将会由于两种训练样本之间数值的倍数差异，导致机器学习模型无法正常的进行训练和学习。因此为了统一两者的维度特征值的大小范围，当前提高机器学习模型对样本常用的预处理的方法有如下几种：
归一化处理
归一化的目的是训练样本的各维度转换到[0,1]或者[1-,1]区间，归一化的方法如下所示：
Figure BDA0002714655460000191
或者
Figure BDA0002714655460000192
式中,i为样本特征向量的维数，t为哪一项样本，
Figure BDA0002714655460000193
为第t个样本的第i维特征数以及标准化的值，xi-max表示所有样本第i维的最大数值，xi-min表示所有样本的第i维的最小值。
标准化处理，根据正态分布理论，所有的分布都可以将其标准化。根据在正态标准化的公式，训练样本进行标准化的公式也如下所示：
Figure BDA0002714655460000194
或者
Figure BDA0002714655460000195
同一最下倍数化，上述提到通常MFCC每一维度的数值是LBP特征的数值的10倍以上，为了使得IVM模型能够对样本的良好学习，则可将两种特征样本组合之前，现将LBP扩大10倍，或者将MFCC特征缩小10倍，之后在组合成整体的训练样本，计算公式如下所示：
Figure BDA0002714655460000196
或者
Figure BDA0002714655460000197
即组合后的训练样本集合
Figure BDA0002714655460000198
或者
Figure BDA0002714655460000199
上述三种处理样本的方式可根据实际需求自选，在本实施案例中，对两种特征采用归一化处理，构建IVM的训练样本，在本实施例中选用标准化处理方式对训练样本进行预处理。
交叉验证单元Z5-2；经过对训练样本学习的IVM模型已经具有了初步分类的能力，训练后的IVM模型的对已知样本学习能力的好坏称为模型的性能，对于有未知样本的预测效果称为泛化能力。根据机器学习理论，机器学习IVM模型的性能的好坏决于模型在自身的理论的指导下对于样本的学习程度，因此对于训练样本学习程度的不同，机器学习可能会出现“过学习”和“欠学习”的现象，针对“过学习”和“欠学习”，可以通过调整样本的布局，或者调整模型的参数进行改进，比如针对“过学习”的出现可以在训练过程中增加惩罚项加以控制，对于“欠学习”，可以通过设置损失函数加以弥补。因此为了检验模型的学习效果，在对训练样本外的预测样本进行预测估计之前，尚需要对已有的IVM模型的学习效果进行检验，因此及交叉验证单元必不可少。
交叉验证的概念为将原训练样本集合D分成两类，一部分作为训练样本进行训练，一部分作为预测样本进行也测，这样做的目的：既可以检测模型对于样本群的学习性能，也可以用来减少样本“过学习”和“欠学习”的出现，避免模型在一次学习过程中，会出现对于样本学习权重不平衡的出现。
交叉验证的训练的方法是有两种分别是留出法和k-折训练法。这两种方法的训练单元Z5-2均有保留，可供用户自选，在本实施案例中，采用k-折训练法进行迭代训练。
留出法；是将训练样本集合D分成，三部分，训练集、验证集和测试集。不过如果只做一次分割，它对训练集、验证集和测试集的样本数比例，还有分割后数据的分布是否和原始数据集的分布相同等因素比较敏感，不同的划分会得到不同的最优模型，而且分成三个集合后，用于训练的数据更少了。
k-折训练法；顾名思义，是将是将训练样本均分成k个训练样本子集，并且对k个子集循环往复训练测试k次，在每一次的训练过程中，首先选用1个子集作为测试样本，剩下的k-1个作为训练样本，整个循环反复k次，最后取所有k次的均值作为模型学习性能的评价。这样一来，对于整个集合D，所有的子集都有机会在参与到模型的学习和预测中，平衡了模型对于训练样本的学习均匀度。在一般的计算，可以取k为10、20、30等。
模型参数调整单元Z5-3，其用于对IVM模型训练较差的情况，调整IVM模型的参数，以适应训练。在上述的单元的测试过程中，如果出现IVM模型训练较差的情况，则可以对模型进行调整，调整的方法包括：改变训练样本的均匀程度，改变模型中的参数数值。
预测样本显示单元Z5-4，用于利用已经建立好的IVM模型对预测样本进行分类识别，识别现场硬岩破裂的声音为张拉破裂还是剪切破裂。
现场声音信号监测模块Z6，用于对现场硬岩的破裂声信号进行监测提取，获取硬岩的破裂声音，并作为预测样本交给IVM计算模块Z5分类识别。现场声音信号监测模块Z6包括：现场声音信号监测单元Z6-1：用于将硬岩破裂的声音信号进行监测、收集；声音信号放大单元Z6-2：用于对声音信号进行放大处理，以便于对硬岩破裂的声音信号进行放大处理。
显示模块Z7，用于显示上述各模块之间的计算结果，并且可以用来提醒所计算出的结果。其包括信息显示单元Z7-1和时控单元Z7-2，信息显示单元Z7-1用于显示上述信息模块，声音特征模块，分类模块的信息结果；时控单元Z7-2，整个模型的运维处于自动化运行指令下，但是允许管理人员的交互式控制，根据管理者需要可以进行实时控制计算，在管理员的指令下，可以暂停进程，进入任意模块指挥进程。
具体的：显示模块可以在当前的诸多客户端显示，包括：智能手机，笔记本，台式计算机等、客户端上有专门的进程操控程序，都隶属于信息显示单元Z7-1-管理人员可以通过客户端的指令，进入装置运算进程中，根据用户体验需要，重新计算或者设置参数。
传输模块Z8，用于实现对各模块之间的信息通信，实现各模块间信息的储存和传递。包括：本地存储单元Z8-1、备份存储单元Z8-2和传输单元Z8-3，本地存储单元Z8-1用于将计算出的数据存储至本地数据中心集中装置；备份存储单元Z8-2，用于将数据进行备份存储至云端；传输单元Z8-3，用于将计算出的数据通过通用无线、有线、选择性传输方式发送到接收平台或者相应的客户端。上述各模块之间的交互性链接，反馈均是通过传输模块进行，因此为保证链接的稳定可以根据现场条件需求实现无线、有线、或者混合方式传导。
本发明的各个部件实施例可以以硬件、固件、软件或者他们的组合实现，在上述的实施方式中，一个或者多个步骤的实施可以通过在存储器中的流程指令或者信号指令来实现，即在微型处理器或者信号处理器上通过编码实现本发明中硬岩拉剪破裂识别方法及装置模块的作用。
确切地说，在实施例使用中，除了少数模块和方法使用之间相互排斥之外，可以采用本说明书中公开的所有特征以及如此公开具有如此特的任何方法或者装置的部分或者全部进行单列或者组合。
对于本领域技术人员而言，显然本发明不限于上述示范性实施例的细节，而且在不背离本发明的精神或基本特征的情况下，能够以其他的具体形式实现本发明。因此，无论从哪一点来看，均应将实施例看作是示范性的，而且是非限制性的，本发明的范围由所附权利要求而不是上述说明限定，因此旨在将落在权利要求的等同要件的含义和范围内的所有变化囊括在本发明内。不应将权利要求中的任何附图标记视为限制所涉及的权利要求。

Claims (10)

1.一种基于声响特征的硬岩拉剪破裂识别方法，其特征在于包括：
步骤S1：测定硬岩几何物理参数；
步骤S2：记录现场环境噪声；
步骤S3：提取硬岩张拉破裂和剪切破裂去噪后声音信号的MFCC特征和LBP特征；
步骤S4：获取的两种特征作为训练样本训练IVM模型；
步骤S5：现场监测硬岩破裂声音信号，并进行相应的去噪处理；
步骤S6：提取监测信号的MFCC和LBP特征，输入已训练的IVM模型中，确定硬岩破裂类型；
步骤S7：将IVM分类良好的预测样本作为新的训练样本加入到训练集合中，重新训练IVM，对之后现场监测声音进行预测。
2.根据权利要求1中基于声响特征的硬岩拉剪破裂识别方法，其特征在于，所述步骤S3还包括：分别提取硬岩去噪后的张拉破裂和剪切破裂声音信号的MFCC特征和LBP特征，特征提取方法为：
首先，从硬岩的破裂的原声信号中提取反映特征变换声音信号特征规律的MFCC；
然后，将破裂的声音信号绘制成时间-频率-幅值的三维平面声纹图，之后提取反映声纹图形纹理分布的LBP特征；
将上述两种特征作为区分张拉破裂和剪切破裂声音信号的依据。
3.根据权利要求1中基于声响特征的硬岩拉剪破裂识别方法，其特征在于，所述步骤S4还包括：将所提取的张拉和剪切两类声纹图的MFCC和LBP特征融合后作为训练样本对IVM模型进行训练，并在训练中利用交叉验证方法，将全部训练样本随机构建成训练集和预测集，循环训练提高IVM模型的对训练样本的泛化能力；
4.根据权利要求1中基于声响特征的硬岩拉剪破裂识别方法，其特征在于，所述步骤S6还包括：提取去噪后的现场硬岩破裂声音信号的MFCC特征和LBP特征，并将该特征作为预测样本输入已训练的IVM模型中进行分类，预测出破裂类型。
5.根据权利要求1中基于声响特征的硬岩拉剪破裂识别方法，其特征在于，所述步骤S7还包括：将预测结果良好的样本，作为新的训练样本加入到训练样本集合中，重新训练IVM模型，提高IVM的学习深度，并对之后监测得到的破裂声音信号进行预测；预测结果良好的定义为：当预测结果0<p*<0.2时，可认为是良好的剪切预测样本，当预测结果0.8<p*<1时，可认为是良好的张拉预测样本，加入到训练集合D中。
6.一种基于声响特征的硬岩拉剪破裂识别装置，其特征在于，包括：
信息模块Z1，提取现场硬岩必要的实测几何物理信息；
去噪模块Z2，用于对现场的环境的噪声收集，并将其作为噪声样本，对之后在现场环境下收集的硬岩破裂的声音信号进行去噪滤波，获取洁净的声音信号；
拉剪采样模块Z3，用于对岩样开展张拉破裂实验和剪切破裂实验获取相应的张拉破裂声音和剪切破裂声音，用于之后声音信号特征的提取；
声音信号特征提取模块Z4，用于提取声音信号声纹图的LBP特征和声音信号的MFCC特征；
IVM计算模块Z5，用于将已经提取出的声音信号特征作为训练样本用来训练IVM模型，并且对预测样本做出分类结果；
现场声音信号监测模块Z6，用于对现场硬岩的破裂声音信号进行监测提取，获取硬岩的破裂声音信号，并作为预测样本交给IVM计算模块分类识别；
显示模块Z7，用于显示上述各模块之间的计算结果，并且可以用来提醒所计算出的结果；
传输模块Z8，用于实现对各模块之间的信息通信，实现各模块间信息的储存和传递。
7.根据权利要求6所述的基于声响特征的硬岩拉剪破裂识别装置，其特征在于，所述拉剪采样模块Z3包括：
张拉采样单元Z3-1，用于开展岩样张拉破裂试验，获取张拉破裂时的声音信号；
剪切采样单元Z3-2，用于开展岩样剪切破裂试验，获取剪切破裂时的声音信号；
声音信号记录单元Z3-3，用于记录在进行张拉试验和剪切实验进行时两种破裂类型的声音信号。
8.根据权利要求6所述的基于声响特征的硬岩拉剪破裂识别装置，其特征在于，所述声音信号特征提取模块Z4包括：
声纹图形生成单元Z4-1，用于计算生成声音信号的声纹图形；
声纹图形LBP提取单元Z4-2，用于对生成的声纹图形进行LBP特征的提取；
声音MFCC特征提取单元Z4-3，用对声音信号的MFCC特征进行提取。
9.根据权利要求6所述的基于声响特征的硬岩拉剪破裂识别装置，其特征在于，所述IVM计算模块Z5包括：
均匀化样本单元Z5-1，其用于均匀化训练样本；
交叉训练单元Z5-2，其用于交叉训练样本，训练IVM模型；
模型参数调整单元Z5-3，其用于对IVM模型训练较差的情况，调整IVM模型的参数，以适应训练；
预测样本显示单元Z5-4，其用于显示IVM模型对于预测样本的预测结果。
10.根据权利要求6所述的基于声响特征的硬岩拉剪破裂识别装置，其特征在于，所述现场声音信号监测模块Z6包括：
现场声音监测单元Z6-1：用于将硬岩破裂的声音信号进行监测、收集；
声音放大单元Z6-2：将现场环境中的破裂信号较小声音信号进行放大处理。
CN202011068722.2A 2020-09-29 2020-09-29 基于声响特征的硬岩拉剪破裂识别方法与装置 Active CN112200238B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011068722.2A CN112200238B (zh) 2020-09-29 2020-09-29 基于声响特征的硬岩拉剪破裂识别方法与装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011068722.2A CN112200238B (zh) 2020-09-29 2020-09-29 基于声响特征的硬岩拉剪破裂识别方法与装置

Publications (2)

Publication Number Publication Date
CN112200238A true CN112200238A (zh) 2021-01-08
CN112200238B CN112200238B (zh) 2024-03-29

Family

ID=74013079

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011068722.2A Active CN112200238B (zh) 2020-09-29 2020-09-29 基于声响特征的硬岩拉剪破裂识别方法与装置

Country Status (1)

Country Link
CN (1) CN112200238B (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113777171A (zh) * 2021-08-05 2021-12-10 华北理工大学 基于声纹识别技术的岩石破裂模式分类识别方法
CN114002334A (zh) * 2021-09-29 2022-02-01 西安交通大学 一种结构损伤声发射信号识别方法、装置、存储介质
CN117392886A (zh) * 2023-12-11 2024-01-12 成都知视界信息科技有限公司 Vr交互式医学教学操训系统及方法

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104732070A (zh) * 2015-02-27 2015-06-24 广西大学 一种基于信息向量机的岩爆等级预测方法
CN105676267A (zh) * 2016-01-15 2016-06-15 广西大学 一种基于声音信号频谱分析的应变型岩爆预警方法
CN111272883A (zh) * 2020-03-04 2020-06-12 成都理工大学 一种基于声发射模型的岩石破裂模式智能探测识别方法

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104732070A (zh) * 2015-02-27 2015-06-24 广西大学 一种基于信息向量机的岩爆等级预测方法
CN105676267A (zh) * 2016-01-15 2016-06-15 广西大学 一种基于声音信号频谱分析的应变型岩爆预警方法
CN111272883A (zh) * 2020-03-04 2020-06-12 成都理工大学 一种基于声发射模型的岩石破裂模式智能探测识别方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
刘鑫锦等: "基于声音信号的室内岩爆动态预测方法", 《岩土力学》, pages 2 - 4 *
李伟等: "理解数字声音——基于一般音频／环境声的计算机听觉综述", 《复旦学报》, pages 6 - 10 *

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113777171A (zh) * 2021-08-05 2021-12-10 华北理工大学 基于声纹识别技术的岩石破裂模式分类识别方法
CN113777171B (zh) * 2021-08-05 2023-12-05 华北理工大学 基于声纹识别技术的岩石破裂模式分类识别方法
CN114002334A (zh) * 2021-09-29 2022-02-01 西安交通大学 一种结构损伤声发射信号识别方法、装置、存储介质
CN117392886A (zh) * 2023-12-11 2024-01-12 成都知视界信息科技有限公司 Vr交互式医学教学操训系统及方法

Also Published As

Publication number Publication date
CN112200238B (zh) 2024-03-29

Similar Documents

Publication Publication Date Title
CN112183643B (zh) 基于声发射的硬岩拉剪破裂识别方法及装置
CN112200238B (zh) 基于声响特征的硬岩拉剪破裂识别方法与装置
CN110703057B (zh) 基于数据增强和神经网络的电力设备局部放电诊断方法
CN110398647B (zh) 变压器状态监测方法
CN110647830B (zh) 基于卷积神经网络和高斯混合模型的轴承故障诊断方法
CN111352971A (zh) 银行系统监控数据异常检测方法及系统
CN111292020B (zh) 一种基于随机森林的电网实时运行风险评估方法及系统
CN108959794A (zh) 一种基于深度学习的结构频响动力学模型修正方法
CN110440148A (zh) 一种漏损声信号分类识别方法、装置及系统
CN110412467B (zh) 一种归一化互信息准则约束的锂电池故障数据筛选方法
CN111368911B (zh) 一种图像分类方法、装置和计算机可读存储介质
CN110533007A (zh) 一种桥梁车载应变影响线特征智能识别与提取方法
CN112183638B (zh) 基于声纹深度特征的硬岩拉剪破裂识别方法及装置
CN111738044A (zh) 一种基于深度学习行为识别的校园暴力评估方法
CN112200048A (zh) 一种基于回归模型的旋转设备故障预测方法、系统及可读存储介质
CN110020637A (zh) 一种基于多粒度级联森林的模拟电路间歇故障诊断方法
CN115294994A (zh) 一种真实环境中的鸟类鸣声自动识别系统
CN110263867A (zh) 一种钢轨伤损分类方法
CN115982621A (zh) 一种基于时间卷积网络的旋转机械剩余使用寿命预测方法
CN110555384A (zh) 基于图像数据的牛肉大理石纹自动分级系统及方法
CN115658772A (zh) 一种无人机光伏巡检数据类资产管理方法及系统
WO2022116508A1 (zh) 基于获取并识别噪声全景分布模型的信号分析方法及系统
CN106530199B (zh) 基于窗口式假设检验的多媒体综合隐写分析方法
CN114219051A (zh) 图像分类方法、分类模型的训练方法、装置及电子设备
CN114121025A (zh) 一种面向变电站设备的声纹故障智能检测方法及装置

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