CN112364296B - 一种基于深度学习的p波到时自动拾取方法 - Google Patents

一种基于深度学习的p波到时自动拾取方法 Download PDF

Info

Publication number
CN112364296B
CN112364296B CN202011281803.0A CN202011281803A CN112364296B CN 112364296 B CN112364296 B CN 112364296B CN 202011281803 A CN202011281803 A CN 202011281803A CN 112364296 B CN112364296 B CN 112364296B
Authority
CN
China
Prior art keywords
waveform
arrival time
wave
time
microseismic
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
Application number
CN202011281803.0A
Other languages
English (en)
Other versions
CN112364296A (zh
Inventor
赵永
杨天鸿
孙东东
王述红
刘洪磊
张鹏海
邓文学
Original Assignee
东北大学
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 东北大学 filed Critical 东北大学
Priority to CN202011281803.0A priority Critical patent/CN112364296B/zh
Publication of CN112364296A publication Critical patent/CN112364296A/zh
Application granted granted Critical
Publication of CN112364296B publication Critical patent/CN112364296B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10—Complex mathematical operations
    • G06F17/16—Matrix or vector computation, e.g. matrix-matrix or matrix-vector multiplication, matrix factorization
    • 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
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/049—Temporal neural networks, e.g. delay elements, oscillating neurons or pulsed inputs
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • 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)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • General Physics & Mathematics (AREA)
  • Mathematical Physics (AREA)
  • General Engineering & Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Software Systems (AREA)
  • Computing Systems (AREA)
  • Evolutionary Computation (AREA)
  • Biomedical Technology (AREA)
  • Pure & Applied Mathematics (AREA)
  • Health & Medical Sciences (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Mathematical Optimization (AREA)
  • Mathematical Analysis (AREA)
  • Computational Mathematics (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Biology (AREA)
  • Algebra (AREA)
  • Databases & Information Systems (AREA)
  • Geophysics And Detection Of Objects (AREA)

Abstract

本发明提供一种基于深度学习的P波到时自动拾取方法，首先收集矿山现场微震事件，对微震事件的波形进行预处理；然后通过MSSA方法进行分析，获取波形的第1主重构分量RC 1；其次构建LSTM深度学习网络模型，进行噪声段、信号段和尾波段的区分，确定信号段初始点位置，即为P波到时；最后利用验证数据进行P波到时拾取的结果检验，评价P波到时拾取精度。本发明在进行P波到时拾取时准确度更高，与人工拾取之间的误差更小，且具有鲁棒性，提升了矿山开采微震信号P波到时的拾取效率和精度，为微震自动、高精定位计算提供重要基础和保障。

Description

一种基于深度学习的P波到时自动拾取方法
技术领域
本发明涉及矿山微震信号处理技术领域，具体涉及一种基于深度学习的P波到时自动拾取方法。
背景技术
震源定位是岩体破裂失稳的微震活动性分析中最基础且最重要的参数，而良好的定位很大程度上取决于P波到时拾取的准确性。P波到时拾取通常由分析人员根据个人经验判断得出。然而，对于矿山微震监测而言，往往在监测区域布置数十个微震传感器，可监测到万条以上的波形数目，海量的波形数据远超人工所能处理的范围。
近些年，学者们一直致力于研究P波到时的自动拾取方法，其中长短时均值比法(简称STA/LTA法)在矿山微震监测中应用广泛。STA/LTA法采用固定阈值拾取，阈值的选取在P波到时拾取过程中至关重要，不同信噪比的信号所选阈值也不同。当信噪比较低时，为确保P波到时拾取的准确性，阈值应设置低值，反之阈值设置高值。然而，阈值设置过高，会忽略掉微震信号，阈值设置过低，则会得到不准确的P波到时。对于矿山微震监测而言，恶劣的井下环境产生的复杂噪声信号和微震信号并行存在，设置固定触发阈值显然不能满足实际矿山需要。
同时，尽管在P波自动拾取方面学者们进行了大量的工作，但由于多种因素(震源机制、波形散射、场地效应、相位转换及多种噪声源)的干扰，依旧很难与人工拾取效果相匹配。P波人工拾取时，往往会根据分析师的经验做出一些变通，常规的P波自动提取方法很难匹配人的思维。由此可见，需要提出一种新的精度更高的P波到时自动拾取方法。
发明内容
针对现有技术的不足，本发明提出一种基于深度学习的P波到时自动拾取方法，包括以下步骤：
步骤1：收集矿山现场的微震事件，对微震波形进行预处理，构建波形数据库，包括：
步骤1.1：对每条波形按照预设频率区间进行滤波处理，剔除噪声频率；
步骤1.2：对每个微震事件中所有滤波处理后的波形进行波形对齐处理，包括：
步骤1.2.1：从同一个微震事件的所有波形中选择出信噪比最大的波形，作为参照波形，其余波形为待处理波形；
步骤1.2.2：将待处理波形通过波形平移实现与参照波形的最大相关性；
步骤1.3：采用人工方法对滤波处理后的波形进行P波到时拾取，并做好到时标记；
步骤1.4：将每条对齐处理后的波形及相应的P波到时标记作为样本数据，构建波形数据库；
步骤2：对波形数据库中的所有波形，通过MSSA方法进行分析，筛选出样本集；
步骤3：提取样本集中每条波形的时间-幅值信号，构建每条波形不同频率段下的特征序列；
步骤4：将样本集按照预设比例划分为训练集和验证集；
步骤5：设置长短时记忆网络单元，构建长短时记忆网络模型；
步骤6：将训练集中每条波形对应的特征序列作为输入，输入时为波形的每个采样点赋予一个标签；
步骤7：通过训练集对长短时记忆网络模型进行训练，得到训练后的模型；
步骤8：将验证集中每条波形对应的特征序列作为输入，输入时为波形的每个采样点赋予一个标签，通过验证集对训练后的模型进行验证，得到模型的准确率；
步骤9：将准确率大于等于设置阈值ε2的模型作为参数最优模型，利用参数最优模型对待处理的微震波形进行P波到时的自动拾取。
所述步骤2包括：
步骤2.1：根据预设的嵌入维数构造每条波形的轨迹矩阵，并求解轨迹矩阵的协方差矩阵；
步骤2.2：对协方差矩阵进行奇异值分解，得到每条波形的第1主重构分量RC1的能量贡献度CD；
步骤2.3：如果第i条波形对应的能量贡献度CD大于等于阈值ε1，则保留第i条波形的样本数据作为样本集中的样本数据；如果第i条波形对应的能量贡献度CD小于阈值ε1，则舍弃第i条波形的样本数据。
所述步骤3包括：
步骤3.1：对样本集中每条波形的RC1进行短时傅里叶变换，得到短时傅里叶变换的时频矩阵；
步骤3.2：将得到的时频矩阵按照不同的频率段提取时间-幅值信号作为特征；
步骤3.3：利用快速傅里叶变换，以512为变换程度，将每条波形划分为N条不同频率的时间-幅值信号构成特征序列。
所述步骤6中的输入时为波形的每个采样点赋予一个标签，具体表述为：每条波形按照P波到时标记点之前的波形片段赋予噪声段标签，P波到时标记点之后到波形幅值衰减到最大振幅的1/5的波形片段赋予信号段标签，余下的波形段赋予尾波段标签。
本发明的有益效果是：
本发明提出了一种基于深度学习的P波到时自动拾取方法，采用多通道奇异谱分析法(简称MSSA)方法可通过提取同一震源多个波形的共性(该共性代表了破裂源的属性)，来达到提取时序信号中有效成分的目的，减少噪声对P波初动振幅的影响，从而提高P波到时拾取的精度。
传统的P波到时拾取方法大多依赖于人工干预，对采集数据信噪比的要求较高。本发明借助深度学习网络模型，提出了一种新的到时自动拾取方法，通过构建的长短时记忆(简称LSTM)深度学习模型不断的训练，可准确的拾取P波到时。
本发明在进行P波到时拾取时准确度较常规STA/LTA法准确度更高，与人工拾取之间的误差更小，且具有鲁棒性，提升了矿山微震信号P波到时拾取的效率和精度，为微震自动、高精定位计算提供重要基础和保障。
附图说明
图1为本发明中的基于深度学习的P波到时自动拾取方法流程图；
图2为本发明中的采用MSSA方法对震源进行分析的结果图，其中图(a)为某一微震事件波形对齐后的结果图，图(b)为经MSSA分析后的前4个主重构分量RC1、RC2、RC3和RC4的图，图(c)为重构分量RC1和原始波形的对比图；
图3为本发明中的MSSA处理前后的时间-频率-强度图，其中图(a)为微震事件的原始波形图，图(b)为原始波形经过短时傅里叶变换后的图，图(c)为原始波形经过MSSA处理后的图，图(d)为MSSA处理后的波形再经过短时傅里叶变换后的图；
图4为本发明中的采用LSTM模型进行P波到时自动拾取的示意图；
图5为本发明中的不同P波到时拾取结果的误差柱状对比图；
图6为本发明中的不同微震信号采用不同方法拾取P波到时的效果图，其中图(a)表示微震信号a采用不同方法拾取P波到时的效果图，图(b)表示微震信号b采用不同方法拾取P波到时的效果图；
图7为本发明中的采用本方法的鲁棒性测试图；其中图(a)表示人工拾取微震信号c的P波到时失误时其他方法的拾取效果，图(b)表示人工拾取微震信号d的P波到时失误时其他方法的拾取效果。
具体实施方式
微震信号是一种时间序列数据，即前端是背景噪声信号，接着P波来临，然后S波叠加，最后波形衰减尾波出现。针对微震信号的特点，可将一段微震波形分为噪声段、信号段和尾波段。对于一段微震信号序列，P波到时拾取对应的输出不仅取决于当前的输入，还取决于它前面时刻的输入，也就是说可通过总结当前输入点的特征以及与它前面时刻的特征差别，来确定该采样点是属于噪声段、信号段还是尾波段。通过深度学习不断的训练便可从一段微震信号中确定出信号段，那么信号段的第一个采样点便是P波到时。
为了解决以上所述的问题，本发明基于深度学习方法提出了一种可匹配人工思维的新的P波到时拾取方法。首先，建立微震波形数据库，借助多通道奇异谱分析法(简称MSSA)提取微震信号中的主要成分，减少噪声对微震信号的影响；然后，再对处理后的微震波形进行短时傅里叶变换(简称STFT)，获取微震信号的本质参数(时间、频率和振幅)；最后，借助长短时记忆(简称LSTM)深度学习网络构建P波到时拾取模型，并对P波到时拾取效果进行检验。本文提出的一种基于深度学习的P波到时拾取方法可以很好的与人工拾取思维相匹配，极大的提升了矿山开采微震信号P波初至的拾取效率和精度，为微震自动、高精定位计算与震源机制反演奠定了基础。
下面结合附图和具体实施实例对发明做进一步说明。
如图1所示，一种基于深度学习的P波到时自动拾取方法，包括如下步骤：
步骤1：收集矿山现场的微震事件，对微震波形进行预处理，构建波形数据库，包括：
步骤1.1：对每条波形按照预设频率区间进行滤波处理，剔除噪声频率；
步骤1.2：对每个微震事件中所有滤波处理后的波形进行波形对齐处理，包括：
步骤1.2.1：从同一个微震事件的所有波形中选择出信噪比最大的波形，作为参照波形，其余波形为待处理波形；
步骤1.2.2：将待处理波形通过波形平移实现与参照波形的最大相关性，对齐后的波形在进行后续MSSA分析时，能够更准确的提取出波形的有效成分；
步骤1.3：采用人工方法对滤波处理后的波形进行P波到时拾取，并做好到时标记；
步骤1.4：将每条对齐处理后的波形及相应的P波到时标记作为样本数据，构建波形数据库；
步骤2：对波形数据库中的所有波形，通过MSSA方法进行分析，筛选出样本集，包括：
步骤2.1：根据预设的嵌入维数构造每条波形的轨迹矩阵，并求解轨迹矩阵的协方差矩阵；
步骤2.2：对协方差矩阵进行奇异值分解，得到每条波形的第1主重构分量RC 1的能量贡献度CD；
步骤2.3：如果第i条波形对应的能量贡献度CD大于等于阈值ε1，则保留第i条波形的样本数据作为样本集中的样本数据；如果第i条波形对应的能量贡献度CD小于阈值ε1，则舍弃第i条波形的样本数据；本发明ε1取80％，如果CD值大于等于80％(即要求RC 1需占主导地位)，则满足要求，保存该震源本条波形的RC 1的结果，如果CD值小于80％，则不满足要求，舍弃该震源的该条波形。
如图2所示，图2中8个波形为某一个微震事件的波形，波形对齐后的结果如图2中图(a)所示。经过MSSA分析后的前4个主重构分量RC(RC 1～RC 4)如图2中图(b)所示，该震源的第1主重构分量RC 1与原始波形的对比如图2中图(c)所示。
步骤3：提取样本集中每条波形的时间-幅值信号，构建每条波形不同频率段下的特征序列，包括：
步骤3.1：对样本集中每条波形的RC 1进行短时傅里叶变换(简称STFT)，得到短时傅里叶变换的时频矩阵,直接获取可表征微震波形本质参数，信号的时间、频率和振幅特性；
步骤3.2：将得到的时频矩阵按照不同的频率段提取时间-幅值信号作为特征；
步骤3.3：利用快速傅里叶变换，以512为变换程度，将每条波形划分为34条不同频率的时间-幅值信号构成特征序列，实现利用更多的特征来获取更加准确的结果；
图3给出了MSSA处理前后的时间-频率-强度图，为一微震事件的波形，经过MSSA特征提取，然后进行STFT变换后的结果，其中P-onset表示拾取的P波到时时刻。可以明显的看出经过MSSA特征提取后，噪声明显被抑制。MSSA处理后的波形在P波来临时，幅值和频率的变化较处理前更明显，幅值增强、频率范围拓宽，噪声段与信号段区别明显，更易提取P波到时。
步骤4：将样本集按照预设比例划分为训练集和验证集，即随机选取微震波形库中70％的数据作为训练样本，30％的数据作为验证数据；
步骤5：设置长短时记忆网络单元，构建长短时记忆网络模型，如图4所示，进行噪声段、信号段和尾波段的区分，确定信号段初始点位置，即为P波到时；
步骤6：将训练集中每条波形对应的特征序列作为输入，输入时为波形的每个采样点赋予一个标签，即赋予噪声、信号或尾波3个当中的一个作为标签，将带有标签的时序数据载入LSTM网络模型；其中每条波形按照P波到时标记点之前的波形片段赋予噪声段标签，P波到时标记点之后到波形幅值衰减到最大振幅的1/5的波形片段赋予信号段标签，余下的波形段赋予尾波段标签；
步骤7：通过训练集对长短时记忆网络模型进行训练，得到训练后的模型；
步骤8：将验证集中每条波形对应的特征序列作为输入，输入时为波形的每个采样点赋予一个标签，通过验证集对训练后的模型进行验证，得到模型的准确率；
步骤9：将准确率大于等于设置阈值ε2的模型作为参数最优模型，利用参数最优模型对待处理的微震波形进行P波到时的自动拾取。
本发明中设置模型准确率的阈值ε2为90％，即如果验证集中的数据利用训练后的模型拾取的到时与人工拾取的到时差在20个采样点之间的百分比在90％以上，则该LSTM模型符合要求，保存该模型；否则，增加训练样本继续训练模型，直至满足要求；
通过多次LSTM结构尝试，最终取34个LSTM单元，每个单元含有600个神经元。特征序列在LSTM单元中，按照时间顺序循环传递、提取特征、存储特征的动态信息。LSTM单元与全连接层相连接，全连接层中神经元数同样取600个，其输入为全部LSTM单元在最后时间步输出的线性组合，作用是连接从各个LSTM单元中学习到的微震波形在不同时刻的动态特征信息。转入Softmax回归层进行噪声段、信号段和尾波段的区分，最后信号段的初始点位置对应的便是P波到时。
图5为利用本发明方法(简称MSSA-LSTM)、长短时均值比法(简称STA/LTA)、人工拾取到时之间的误差柱状图，可以明显看出，MSSA-LSTM法与人工拾取的到时误差更小。在图5中，STA/LTA法有两个微震波形a、b的P波到时与人工拾取的到时差别较大，图6为这两个波形分别由人工拾取、MSSA-LSTM法和STA/LTA法三种方法拾取的P波到时，可以得到，这两个波形的噪声段都比较明显、幅值较高，STA/LTA法并未拾取到合理的到时，而在这种情况下，MSSA-LSTM法可获取准确的到时。
挑选两条人工拾取出现失误的微震波形c、d，测试MSSA-LSTM方法的拾取效果，如图7所示，可以看出，在人工拾取出现失误时，MSSA-LSTM方法仍然可以拾取到较准确的P波到时，证明具有一定的鲁棒性。

Claims (2)

1.一种基于深度学习的P波到时自动拾取方法，其特征在于，包括如下步骤：
步骤1：收集矿山现场的微震事件，对微震波形进行预处理，构建波形数据库，包括：
步骤1.1：对每条波形按照预设频率区间进行滤波处理，剔除噪声频率；
步骤1.2：对每个微震事件中所有滤波处理后的波形进行波形对齐处理，包括：
步骤1.2.1：从同一个微震事件的所有波形中选择出信噪比最大的波形，作为参照波形，其余波形为待处理波形；
步骤1.2.2：将待处理波形通过波形平移实现与参照波形的最大相关性；
步骤1.3：采用人工方法对滤波处理后的波形进行P波到时拾取，并做好到时标记；
步骤1.4：将每条对齐处理后的波形及相应的P波到时标记作为样本数据，构建波形数据库；
步骤2：对波形数据库中的所有波形，通过MSSA方法进行分析，筛选出样本集；
步骤3：提取样本集中每条波形的时间-幅值信号，构建每条波形不同频率段下的特征序列；
步骤4：将样本集按照预设比例划分为训练集和验证集；
步骤5：设置长短时记忆网络单元，构建长短时记忆网络模型；
步骤6：将训练集中每条波形对应的特征序列作为输入，输入时为波形的每个采样点赋予一个标签；
步骤7：通过训练集对长短时记忆网络模型进行训练，得到训练后的模型；
步骤8：将验证集中每条波形对应的特征序列作为输入，输入时为波形的每个采样点赋予一个标签，通过验证集对训练后的模型进行验证，得到模型的准确率；
步骤9：将准确率大于等于设定阈值ε2的模型作为参数最优模型，利用参数最优模型对待处理的微震波形进行P波到时的自动拾取；
所述步骤2包括：
步骤2.1：根据预设的嵌入维数构造每条波形的轨迹矩阵，并求解轨迹矩阵的协方差矩阵；
步骤2.2：对协方差矩阵进行奇异值分解，得到每条波形的第1主重构分量RC1的能量贡献度CD；
步骤2.3：如果第i条波形对应的能量贡献度CD大于等于阈值ε1，则保留第i条波形的样本数据作为样本集中的样本数据；如果第i条波形对应的能量贡献度CD小于阈值ε1，则舍弃第i条波形的样本数据；
所述步骤3包括：
步骤3.1：对样本集中每条波形的RC1进行短时傅里叶变换，得到短时傅里叶变换的时频矩阵；
步骤3.2：将得到的时频矩阵按照不同的频率段提取时间-幅值信号作为特征；
步骤3.3：利用快速傅里叶变换，以512为变换程度，将每条波形划分为N条不同频率的时间-幅值信号构成特征序列。
2.根据权利要求1所述的一种基于深度学习的P波到时自动拾取方法，其特征在于，所述步骤6中的输入时为波形的每个采样点赋予一个标签，具体表述为：每条波形按照P波到时标记点之前的波形片段赋予噪声段标签，P波到时标记点之后到波形幅值衰减到最大振幅的1/5的波形片段赋予信号段标签，余下的波形段赋予尾波段标签。
CN202011281803.0A 2020-11-17 2020-11-17 一种基于深度学习的p波到时自动拾取方法 Active CN112364296B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011281803.0A CN112364296B (zh) 2020-11-17 2020-11-17 一种基于深度学习的p波到时自动拾取方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011281803.0A CN112364296B (zh) 2020-11-17 2020-11-17 一种基于深度学习的p波到时自动拾取方法

Publications (2)

Publication Number Publication Date
CN112364296A CN112364296A (zh) 2021-02-12
CN112364296B true CN112364296B (zh) 2023-08-04

Family

ID=74515240

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011281803.0A Active CN112364296B (zh) 2020-11-17 2020-11-17 一种基于深度学习的p波到时自动拾取方法

Country Status (1)

Country Link
CN (1) CN112364296B (zh)

Families Citing this family (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113654771B (zh) * 2021-06-30 2024-05-17 中国电力科学研究院有限公司 一种弹簧型操动机构振动波形的格式化方法和系统
CN114137605A (zh) * 2021-10-21 2022-03-04 陕西延长石油矿业有限责任公司 一种煤矿岩体中岩桥的智能定位及特征识别方法
CN115327616B (zh) * 2022-08-24 2024-02-23 中国矿业大学 一种海量数据驱动的矿山微震震源自动定位方法

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104914468A (zh) * 2015-06-09 2015-09-16 中南大学 一种矿山微震信号p波初至时刻联合拾取方法
CN105527650A (zh) * 2016-02-17 2016-04-27 中国科学院武汉岩土力学研究所 一种工程尺度下微震信号及p波初至自动识别算法
CN108805269A (zh) * 2018-06-28 2018-11-13 杭州叙简科技股份有限公司 一种基于lstm循环神经网络拾取震相到时的方法

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
PL1860410T3 (pl) * 2006-05-22 2019-05-31 Mettler Toledo Gmbh Sposób przetwarzania sygnału wyjściowego z przetwornika pomiarowego oraz urządzenie do pomiaru siły

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104914468A (zh) * 2015-06-09 2015-09-16 中南大学 一种矿山微震信号p波初至时刻联合拾取方法
CN105527650A (zh) * 2016-02-17 2016-04-27 中国科学院武汉岩土力学研究所 一种工程尺度下微震信号及p波初至自动识别算法
CN108805269A (zh) * 2018-06-28 2018-11-13 杭州叙简科技股份有限公司 一种基于lstm循环神经网络拾取震相到时的方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
ECG Identification For Personal Authentication Using LSTM-Based Deep Recurrent Neural Networks;Beom-Hun Kim等;《Sensors》;第1-17页 *

Also Published As

Publication number Publication date
CN112364296A (zh) 2021-02-12

Similar Documents

Publication Publication Date Title
CN112364296B (zh) 一种基于深度学习的p波到时自动拾取方法
CN110032975B (zh) 一种地震震相的拾取方法
CN108805269B (zh) 一种基于lstm循环神经网络拾取震相到时的方法
CN112858473B (zh) 一种基于特征融合的道岔尖轨伤损状态监测方法
CN104523266B (zh) 一种心电信号自动分类方法
CN105334269A (zh) 一种基于神经网络和导波特征数据库的管道缺陷类别判别方法
CN106018332A (zh) 一种柑桔黄龙病的近红外光谱田间检测方法
CN115327616B (zh) 一种海量数据驱动的矿山微震震源自动定位方法
Li et al. An improved AIC onset-time picking method based on regression convolutional neural network
CN112149549A (zh) 一种基于深度残差网络的gis局部放电类型识别方法
CN113805018A (zh) 一种配电网10kV电缆局部放电故障类型智能识别方法
CN111898744A (zh) 基于池化lstm的tdlas痕量气体浓度检测方法
Chen et al. Arrival picking of acoustic emission signals using a hybrid algorithm based on AIC and histogram distance
Zhou et al. An improved onset time picking method for low SNR acoustic emission signals
CN104977602B (zh) 一种地震数据采集施工的控制方法及装置
CN114842280A (zh) 一种基于卷积神经网络的自动识别微地震信号算法
CN113671564B (zh) 基于narx动态神经网络的微地震有效事件自动拾取方法
CN116881712A (zh) 一种混凝土大坝活动裂纹电磁脉冲信号识别方法
CN117191956A (zh) 一种基于声发射的钛合金应力腐蚀损伤分类方法及装置
CN106771928A (zh) 一种局部放电脉冲初至时刻在线拾取方法
CN114114400B (zh) 微地震事件有效信号拾取方法
Jiang et al. An improved method of local mean decomposition with adaptive noise and its application to microseismic signal processing in rock engineering
CN102868403B (zh) 一种测试模数转换器主要性能指标的测试系统
CN101849823A (zh) 一种基于排列组合熵的神经元动作电位特征提取方法
CN104102834A (zh) 录音地点的识别方法

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