CN112380949A - 一种微震波到时点检测方法及系统 - Google Patents
一种微震波到时点检测方法及系统 Download PDFInfo
- Publication number
- CN112380949A CN112380949A CN202011244327.5A CN202011244327A CN112380949A CN 112380949 A CN112380949 A CN 112380949A CN 202011244327 A CN202011244327 A CN 202011244327A CN 112380949 A CN112380949 A CN 112380949A
- Authority
- CN
- China
- Prior art keywords
- layer
- feature map
- amplification
- time point
- 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.)
- Granted
Links
- 238000001514 detection method Methods 0.000 title claims abstract description 70
- 230000007246 mechanism Effects 0.000 claims abstract description 27
- 238000012545 processing Methods 0.000 claims abstract description 19
- 230000010354 integration Effects 0.000 claims abstract description 18
- 230000011218 segmentation Effects 0.000 claims abstract description 18
- 238000000034 method Methods 0.000 claims abstract description 16
- 230000003321 amplification Effects 0.000 claims description 93
- 238000003199 nucleic acid amplification method Methods 0.000 claims description 93
- 238000010586 diagram Methods 0.000 claims description 86
- 238000006243 chemical reaction Methods 0.000 claims description 54
- 208000037170 Delayed Emergence from Anesthesia Diseases 0.000 claims description 23
- 238000011176 pooling Methods 0.000 claims description 18
- 238000000605 extraction Methods 0.000 claims description 17
- 238000010606 normalization Methods 0.000 claims description 17
- 230000009467 reduction Effects 0.000 claims description 13
- 238000013135 deep learning Methods 0.000 abstract description 2
- 239000011435 rock Substances 0.000 description 13
- 241000282414 Homo sapiens Species 0.000 description 5
- 230000006870 function Effects 0.000 description 5
- 238000005070 sampling Methods 0.000 description 5
- 238000004458 analytical method Methods 0.000 description 4
- 238000011161 development Methods 0.000 description 3
- 230000018109 developmental process Effects 0.000 description 3
- 239000011159 matrix material Substances 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000012544 monitoring process Methods 0.000 description 2
- 238000012549 training Methods 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 1
- 239000003181 biological factor Substances 0.000 description 1
- 238000010835 comparative analysis Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000006378 damage Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 229910052500 inorganic mineral Inorganic materials 0.000 description 1
- 239000011707 mineral Substances 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 1
Images
Classifications
-
- 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
- G06F2218/10—Feature extraction by analysing the shape of a waveform, e.g. extracting parameters relating to peaks
-
- 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
- G06N3/045—Combinations of networks
-
- 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
-
- 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
- G06F2218/12—Classification; Matching
- G06F2218/16—Classification; Matching by matching signal segments
- G06F2218/18—Classification; Matching by matching signal segments by plotting the signal segments against each other, e.g. analysing scattergrams
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Biomedical Technology (AREA)
- Data Mining & Analysis (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Software Systems (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Signal Processing (AREA)
- Geophysics And Detection Of Objects (AREA)
Abstract
本发明公开一种微震波到时点检测方法及系统,方法先获取微震波形图,然后基于分割整合多头自注意力机制构建到时点检测模型;最后将所述微震波形图依次输入到所述到时点检测模型的提取器、编码器和生成器进行检测,获得到时点。本发明基于分割整合多头自注意力机制构建时点检测模型,即基于分割整合多头自注意力机制构建“提取器‑编码器‑生成器”深度学习框架,用于微震信号的到时点检测,不仅提高了处理速度,还提高了到时点的检测精度,在工程环境下满足精度要求,实现了智能化确定到时点。
Description
技术领域
本发明涉及到时点检测技术领域,特别是涉及一种微震波到时点检测方法 及系统。
背景技术
为了满足人类日益增长的对资源和地下基础设施的需求,我国对矿产资源 开采以及地下空间的开发利用会不断增加。这些重大工程和基础建设都与岩体 工程灾害密切相关。随着国家级重大工程的推进,岩体工程中的灾变问题(岩 爆、滑坡、突水、塌方等)将日益突出,因此进行岩体灾变的分析及预警是迫 在眉睫的重大需求。
岩体破坏引起的微震活动监测在资源开采和地下空间开发利用中被广泛 应用,以评估岩体结构的状况,提高安全性。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确定岩体破裂的波形数据,基于岩体破裂的波形 数据确定到时点,进而基于到时点来确定岩体破裂的位置,从而基于多个岩体 破裂的位置实现对岩体灾变的分析及预警。
目前,现有基于岩体破裂的波形数据确定到时点的方法主要包括两种,第 一种为人工判定;另外一种为自动拾取;其中,人工判断无论针对无噪声的微 针数据以及包含有噪声的微震数据都能准确预测到到时点,但人工判断存在以 下缺点:1.处理速度慢,无法处理大量数据。2.多数凭借经验处理,没有理 论依据。3.人类会受到疲劳,分心等生物因素的影响,无法长时间高质量的 工作。另外,现在自动到时点拾取方法只能针对比较纯净、没有噪声干扰的微 震信号能够准确预测到时点,而实际工程中所监测到的信号往往都是伴随着大 量噪声的,所以无法准确预测到时点。
基于上述问题,如何解决人工操作速度慢,无法处理大量数据以及在工程 环境下精度不满足要求的问题成为本领域亟需解决的技术问题。
发明内容
基于此,本发明的目的是提供一种微震波到时点检测方法及系统,以提高 预测到时点的准确性。
为实现上述目的,本发明提供了一种微震波到时点检测方法,所述方法包 括:
获取微震波形图;
基于分割整合多头自注意力机制构建到时点检测模型;所述时点检测模型 包括:提取器、编码器和生成器;
将所述微震波形图输入到所述到时点检测模型进行检测,获得到时点。
可选地,所述将所述微震波形图输入到所述到时点检测模型进行检测,获 得到时点,具体包括:
将所述微震波形图输入到提取器进行提取,获得总提取特征图;
将所述总提取特征图输入带有分割整合多头自注意力机制的编码器进行 编码和标准化处理,获得第二标准特征图;
将所述第二标准特征图输入到生成器进行反卷积扩增,获得最终扩增图;
选取所述最终扩增图中最高点作为到时点。
可选地,所述将所述微震波形图输入到提取器进行提取,获得总提取特征 图,具体包括:
将输入的所述微震波形图进行第一次转换,获得第一提取特征图;
将所述第一提取特征图进行第二次转换,获得第二提取特征图;
将所述第二提取特征图进行第三次转换,获得第三提取特征图;
将所述第三提取特征图进行最大池化处理,获得总提取特征图。
可选地,所述将所述总提取特征图输入带有分割整合多头自注意力机制的 编码器进行编码和标准化处理,获得第二标准特征图,具体包括:
将所述总提取特征图进行格式转换,获得第一序列格式特征图;
将所述第一序列格式特征图进行转换,获得第二序列格式特征图;
将所述第一序列格式特征图和所述第二序列格式特征图进行累加求和,获 得第一编码特征图;
将所述第一编码特征图进行标准化处理,获得第一标准特征图;
将所述第一标准特征图进行维度转换,获得第三序列格式特征图;
将所述第三序列格式特征图进行卷积处理,获得第四序列格式特征图;
将所述第三序列格式特征图和所述第四序列格式特征图进行累加求和,获 得第二编码特征图;
将所述第二编码特征图进行标准化处理,获得第二标准特征图。
可选地,所述将所述第二标准特征图输入到生成器进行反卷积扩增,获得 最终扩增图,具体包括:
将所述第二标准特征图进行第一次反卷积,获得第一扩增图;
将所述第一扩增图进行第二次反卷积,获得第二扩增图;
将所述第二扩增图进行第一次降维,获得第三扩增图;
将所述第三扩增图进行第三次反卷积,获得第四扩增图;
将所述第四扩增图进行第二次降维,获得最终扩增图。
本发明还提供一种微震波到时点检测系统,所述系统包括:
获取模块,用于获取微震波形图;
到时点检测模型,用于对所述微震波形图进行提取、编码以及反卷积扩增 处理,获得到时点。
可选地,所述到时点检测模型,具体包括:
提取器,用于对所述微震波形图进行提取处理,获得总提取特征图;
带有分割整合多头自注意力机制的编码器,用于对所述总提取特征图进行 编码和标准化处理,获得第二标准特征图;
生成器,用于对所述第二标准特征图进行反卷积扩增,获得最终扩增图, 并选取所述最终扩增图中最高点作为到时点。
可选地,所述提取器包括第一卷积层、第一残差块、第二残差块和最大池 化层;所述第一卷积层依次通过所述第一残差块、所述第二残差块和所述最大 池化层连接;
所述第一卷积层用于将输入的所述微震波形图进行第一次转换,获得第一 提取特征图;
所述第一残差块用将所述第一提取特征图进行第二次转换,获得第二提取 特征图;
所述第二残差块用将所述第二提取特征图进行第三次转换,获得第三提取 特征图;
所述最大池化层将所述第三提取特征图进行最大池化处理,获得总提取特 征图。
可选地,所述编码器包括第一维度转换层、SI自注意力层、第一累加器、 第一标准化层、第二维度转换层、第二卷积层、第二累加器和第二标准化层; 所述第一维度转换层分别与所述SI自注意力层和所述第一累加器连接,所述 SI自注意力层与所述第一累加器连接,所述第一累加器通过所述第一标准化 层与所述第二维度转换层连接,所述第二维度转换层分别与所述第二卷积层和 所述第二累加器连接,所述第二卷积层和所述第二累加器连接,所述第二累加 器与所述第二标准化层连接;
所述第一维度转换层用于将所述总提取特征图进行格式转换,获得第一序 列格式特征图;
所述SI自注意力层层用于将所述第一序列格式特征图进行转换,获得第 二序列格式特征图;
所述第一累加器用于将所述第一序列格式特征图和所述第二序列格式特 征图进行累加求和,获得第一编码特征图;
所述第一标准化层用于将所述第一编码特征图进行标准化处理,获得第一 标准特征图;
所述第二个维度转换层用于将所述第一标准特征图进行维度转换,获得第 三序列格式特征图;
所述第二卷积层用于将所述第三序列格式特征图进行卷积处理,获得第四 序列格式特征图;
所述第二累加器用于将所述第三序列格式特征图和所述第四序列格式特 征图进行累加,获得第二编码特征图;
所述第二标准化层用于将所述第二编码特征图进行标准化处理,获得第二 标准特征图。
可选地,所述生成器包括第一反卷积层、第二反卷积层、第三卷积层、第 三反卷积层和第四卷积层;所述第一反卷积层依次通过所述第二反卷积层、所 述第三卷积层、所述第三反卷积层和所述第四卷积层连接;
所述第一反卷积层用于将所述第二标准特征图进行第一次反卷积,获得第 一扩增图;
所述第二反卷积层用于将所述第一扩增图进行第二次反卷积,获得第二扩 增图;
所述第三卷积层用于将所述第二扩增图进行第一次降维,获得第三扩增 图;
所述第三反卷积层用于将所述第三扩增图进行第三次反卷积,获得第四扩 增图;
所述第四卷积层用于将所述第四扩增图进行第二次降维,获得最终扩增 图。
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:
本发明公开一种微震波到时点检测方法及系统,方法先获取微震波形图, 然后基于分割整合多头自注意力机制构建到时点检测模型;最后将所述微震波 形图依次输入到所述到时点检测模型的提取器、编码器和生成器进行检测,获 得到时点。本发明基于分割整合多头自注意力机制构建时点检测模型,即基于 分割整合多头自注意力机制构建“提取器-编码器-生成器”深度学习框架,用于 微震信号的到时点检测,不仅提高了处理速度,还提高了到时点的检测精度, 在工程环境下满足精度要求,实现了智能化确定到时点。
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为本发明实施例微震波到时点检测方法流程图;
图2为本发明实施例到微震波到时点检测系统结构图;
图3为本发明实施例沿着长度方向建模注意力机制示意图;
图4为本发明实施例可视化SI自注意力机制工作流程图;
图5为本发明实施例传统标签如何转换为高斯曲线图;
图6为本发明实施例实验对比分析示意图。
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。
本发明的目的是提供一种微震波到时点检测方法及系统,以提高预测到时 点的准确性。
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。
如图1所示,本发明公开一种微震波到时点检测方法,所述方法包括:
步骤S1:获取微震波形图;
步骤S2:基于分割整合多头自注意力机制构建到时点检测模型;所述时 点检测模型包括:提取器、编码器和生成器;
步骤S3:将所述微震波形图输入到所述到时点检测模型进行检测,获得 到时点。
下面对各个步骤进行详细论述:
步骤S3:将所述微震波形图输入到所述到时点检测模型进行检测,获得 到时点,具体包括:
步骤S31:将所述微震波形图输入到提取器进行提取,获得总提取特征图; 所述微震波形图为1维,所述微震波形图的长度为4001;所述总提取特征图 为256维,所述总提取特征图的长度为500。
步骤S32:将所述总提取特征图输入带有分割整合多头自注意力机制的编 码器进行编码和标准化处理,获得第二标准特征图。
步骤S33:将第二标准特征图输入到生成器进行反卷积扩增,获得最终扩 增图。
步骤S34:选取所述最终扩增图中最高点作为到时点。
步骤S31:将所述微震波形图输入到提取器进行提取,获得总提取特征图, 具体包括:
步骤S311:将输入的所述微震波形图进行第一次转换,获得第一提取特 征图。
步骤S312:将所述第一提取特征图进行第二次转换,获得第二提取特征 图。
步骤S313:将所述第二提取特征图进行第三次转换,获得第三提取特征 图。
步骤S314:将所述第三提取特征图进行最大池化处理,获得总提取特征 图。
步骤S32:所述将所述总提取特征图输入带有分割整合多头自注意力机制 的编码器进行编码和标准化处理,获得第二标准特征图,具体包括:
步骤S321:将所述总提取特征图进行格式转换,获得第一序列格式特征 图。
步骤S322:将所述第一序列格式特征图进行转换,获得第二序列格式特 征图。
步骤S323:将所述第一序列格式特征图和所述第二序列格式特征图进行 累加求和,获得第一编码特征图。
步骤S324:将所述第一编码特征图进行标准化处理,获得第一标准特征 图。
步骤S325:将所述第一标准特征图进行维度转换,获得第三序列格式特 征图。
步骤S3256:将所述第三序列格式特征图进行卷积处理,获得第四序列格 式特征图。
步骤S327:将所述第三序列格式特征图和所述第四序列格式特征图进行 累加求和,获得第二编码特征图。
步骤S328:将所述第二编码特征图进行标准化处理,获得第二标准特征 图。
步骤S33:将第二标准特征图输入到生成器进行反卷积扩增,获得最终扩 增图,具体包括:
步骤S331:将所述第二标准特征图进行第一次反卷积,获得第一扩增图。
步骤S332:将所述第一扩增图进行第二次反卷积,获得第二扩增图。
步骤S333:将所述第二扩增图进行第一次降维,获得第三扩增图。
步骤S334:将所述第三扩增图进行第三次反卷积,获得第四扩增图。
步骤S335:将所述第四扩增图进行第二次降维,获得最终扩增图。
步骤S34:选取所述最终扩增图中最高点作为到时点。
本发明还提供一种微震波到时点检测系统,所述系统包括:获取模块1 和到时点检测模型2;所述获取模块1用于获取微震波形图。所述到时点检测 模型2用于对所述微震波形图进行提取、编码以及反卷积扩增处理,获得到时 点。
作为一种实施方式,本发明所述到时点检测模型,具体包括:
提取器21,用于对所述微震波形图进行提取处理,获得总提取特征图;
带有分割整合多头自注意力机制的编码器22,用于对所述总提取特征图 进行编码和标准化处理,获得第二标准特征图;
生成器23,用于对所述第二标准特征图进行反卷积扩增,获得最终扩增 图,并选取所述最终扩增图中最高点作为到时点。
如图2所示,所述提取器21包括第一卷积层、第一残差块、第二残差块 和最大池化层;所述第一卷积层依次通过所述第一残差块、所述第二残差块和 所述最大池化层连接。第一卷积层用于将输入的所述微震波形图进行第一次转 换,获得第一提取特征图;所述第一转提取特征图为64维,所述第一提取特 征图的长度为2000;所述第一残差块用将所述第一提取特征图进行第二次转 换,获得第二提取特征图;所述第二转提取特征图为128维,所述第二提取特 征图的长度为1000;述第二残差块用将所述第二提取特征图进行第三次转换, 获得第三提取特征图;所述第三转提取特征图为256维,所述第三提取特征图 的长度为1000;所述最大池化层将所述第三提取特征图进行最大池化处理, 获得总提取特征图。
本发明中第一残差块和第二残差模块均包含三个独立的卷积层,所以所述 提取器一共包含7个卷积层,且每个卷积层均为一维卷积层。第一个卷积层包 含有一个15×1的卷积滤波器,内核大小和步长分别设置为15和2,输出通道 设置为64。第一个残差块和第二个残差块中的“S”和“K”代表卷积层中的两个 超参数,即步长为2和卷积核大小为7。第一残差块的输入和输出通道维数分 别为64和128,第二残差块的输入和输出通道维数分别为128和256。此最后, 将max pool layer的卷积核大小设置为2。当数据经过整个提取器之后,其维 数变为256,分辨率下降到原始数据的八分之一,即500(输入波形的长度为4001)。因此,模型第二部分编码器的输入数据的长度为500,维数为256。
如图2所示,所述编码器包括第一维度转换层、SI自注意力层、第一累 加器、第一标准化层、第二维度转换层、第二卷积层、第二累加器和第二标准 化层;所述第一维度转换层分别与所述SI自注意力层和所述第一累加器连接, 所述SI自注意力层与所述第一累加器连接,所述第一累加器通过所述第一标 准化层与所述第二维度转换层连接,所述第二维度转换层分别与所述第二卷积 层和所述第二累加器连接,所述第二卷积层和所述第二累加器连接,所述第二 累加器与所述第二标准化层连接。
所述第一维度转换层用于将所述总提取特征图进行格式转换,获得第一序 列格式特征图;所述总提取特征图为(批数据量,通道维度,数据长度),所 述第一序列格式特征图为(批数据量,数据长度,通道维度);因为SI自注意 力层需要把通道维度放在第三维;所述SI自注意力层层用于将所述第一序列 格式特征图进行转换,获得第二序列格式特征图;所述第一累加器用于将所述 第一序列格式特征图和所述第二序列格式特征图进行累加求和,获得第一编码 特征图;所述第一标准化层用于将所述第一编码特征图进行标准化处理,获得 第一标准特征图;所述第二个维度转换层用于将所述第一标准特征图进行维度转换,获得第三序列格式特征图;所述第二卷积层用于将所述第三序列格式特 征图进行卷积处理,获得第四序列格式特征图;所述第二累加器用于将所述第 三序列格式特征图和所述第四序列格式特征图进行累加求和,获得第二编码特 征图;所述第二标准化层用于将所述第二编码特征图进行标准化处理,获得第 二标准特征图。所述第一标准特征图为(批数据量,数据长度,通道维度), 所述第三序列格式特征图为(批数据量,通道维度,数据长度)。
所述第二卷积层的输入和输出通道维数分别为256和256,步长为1,卷 积核的大小为7,该卷积层的作用是进一步整合局部空间信息。
本发明基于分割整合多头自注意力机制构建编码器,来高效地建立全局内 部依赖关系,有效地模拟了提取器输出的距离依赖关系。本发明公开的编码器 是到时点检测模型的核心部分,而SI自注意力层又是编码器的核心部分。
传统的多头自注意力机制需要一口气读取整个注意力权重矩阵做计算,这 样会占用特别大的内存,它的复杂度是n2,n是序列长度,对于微震信号这种 超长序列,复杂度会特别大。因此我们对传统多头注意力机制进行了进一步的 改进和发展。(以下将传统多头自注意力机制模块的运算过程简写为MHSA)
如图4所示,SI自注意力层的流程如下:首先,所述SI自注意力层将第 一序列格式特征图分成K段,其中K可以自由指定。假设输入序列的总长度 为N,则每个片段的长度为N/K,然后分别对每个片段进行MHSA计算,建 立每个片段各自的内部依赖关系,此时的结果记为M1。其次使用具有三层的 全连接网络(FNN)来沿着长度维度对注意力权重进行建模,如图3所示,先 把每个位置都沿着通道方向作和再平均,然后把结果传入一个两层的神经网络,神经网络产生这些注意力权重。所述SI自注意力层沿着长度维度产生“注 意力权重”,即对该序列每个位置上都产生一个对应的注意力权重,权重的取 值范围在0到1之间。然后将产生的这些权重都乘回对应的经过MHSA计算 得到的序列位置上,这样就把该序列各个部分的重要性做了衡量。然后把该序 列沿着长度方向求和,此时它的长度就变成了1,只剩下了通道维度,(256, N/K)->(256,1)。把求和后的结果称为一个描述符,该描述符描述了求和 之前那个子序列的特征。接下来,将描述符拼接在一起,生成全局表征向量。 (准确的说,该描述符是个向量,而该全局描述向量是个二维矩阵)。最后在 该全局描述向量上再执行一次普通多头自注意力机制运算,把各个描述符与其 对应片段的M1相加,再经过一层全连接层,得到最后SI自注意力层的输出。
本发明分割整合多头自注意力机制是必不可少的,因为没有全局内部表 示,正常卷积就无法正常工作和收敛,此外,在SI自注意力层和第二卷积层 上都采用了残差链接的形式,其目的是为了增加训练的速度和模型的稳定性。 并且在编码器中流动的数据维度和长度都不变,全程保持在(256维,500长 度)。
从编码器出来的第二标准特征图为(批数据量,通道维度256,数据长度 500),但是,最终的输出应该是一个形状矩阵为(1,4001)的分数图,其中1为通道维度,4001为数据长度,对应原始数据长度中的每一个点。因此,本 发明将转置卷积层与一些1×1卷积层堆叠在一起,以逐渐提高编码器输出的采 样率(500->4001),并降低维数(256->1)。
如图2所示,所述生成器包括第一反卷积层、第二反卷积层、第三卷积层、 第三反卷积层和第四卷积层;所述第一反卷积层依次通过所述第二反卷积层、 所述第三卷积层、所述第三反卷积层和所述第四卷积层连接。所述第一反卷积 层用于将所述第二标准特征图进行第一次反卷积,获得第一扩增图;所述第一 扩增图为256维,所述第一扩增图的长度为1000;所述第二反卷积层用于将 所述第一扩增图进行第二次反卷积,获得第二扩增图;所述第二扩增图为256 维,所述第二扩增图的长度为2000;所述第三卷积层用于将所述第二扩增图 进行第一次降维,获得第三扩增图;所述第三扩增图为128维,所述第三扩增 图的长度为2000;所述第三卷积层的使用步长为1,卷积核大小也为1;所述 第三反卷积层用于将所述第三扩增图进行第三次反卷积,获得第四扩增图;所 述第四扩增图为128维,所述第四扩增图的长度为4001;所述第四卷积层用 于将所述第四扩增图进行第二次降维,获得最终扩增图;所述最终扩增图为1 维,所述最终扩增图的长度为4001;所述第四卷积层的使用步长为1,卷积核 大小也为1。
本发明中第一反卷积层的输入和输出通道维数分别为256和256,步长为 2,卷积核大小为4;第二反卷积层的输入和输出通道维数分别为256和256, 步长为2,卷积核大小为8;第三卷积层的输入和输出通道维数分别为256和 12,步长为1,卷积核大小为1;第三反卷积层的输入和输出通道维数分别为 128和128,步长为2,卷积核大小为8;第四卷积层的输入和输出通道维数分 别为128和1,步长为1,卷积核大小为1。
本发明公开的到时点检测模型可以很准确的拾取到时结果,并且对一些有 噪声干扰和信噪比比较小的数据表现也很良好。精准的到时检测结果是后续定 位是否精准的决定因素之一,并且由于工程中施工环境的吵杂性和多样性,信 号往往不能以一种十分纯净的方式进行保存,通常检测到的信号中会混合有各 种各样的噪声和背景声,在这些条件下想要精确的完成到时检测任务更加困 难。本发明公开的到时点检测模型不仅能非常精确的拾取到纯净波形数据的到 时点,更能在各种各样噪声的干扰下完成任务。
实验验证:
1、获取微震波形图对应的原始信号数据集;所述原始信号数据集包括波 形序列和标签序列,所述波形序列包括多个采样点,其中一个采样点为到时点, 所述到时点为微震信号到达传感器的时间;所述标签序列包括各采样点对应的 标签。
由于一段微震波形图有几千个采样点,却只有一个点为到时点,所述到时点 为微震信号到达传感器的时间,图5中(a)图竖线表示的位置,也就是微震波 形的起始位置,(a)图中微震波形图上每个点都对应一个标签,微震波形图的 长度为4001,也就是微震波形图由4001个点组成,每个点的标签非0即1,如 果该点不是到时点,该点的标签就为0,如果该点是到时点,该点的标签就为1, 又因为每条波形都只有一个到时点,这样的话,一条波形上所有的点的标签就应 该为:0,0,0,…,1,0,0,其中1就对应那个到时点,图5中(a)图那个01序列就是该波形上每个点对应一个标签,所以最终的原始信号数据集包括波形 序列和标签序列。
2、对所述到时点对应的标签进行高斯函数转换,获得到高斯波形曲线图。
由于原始信号数据集包括波形序列和标签序列,因此训练会造成严重的类 别不平衡问题,在所述到时点上施加一个高斯函数,将到时点这样一个点类型 的标签,转化成一个带有开口的转换标签,如图5中(b)图“Allowable error”, 函数图像的开口大小随着σ的增加而增加,本发明让开口覆盖允许的误差范围。 这样,本发明就可以使模型更加关注在指定误差范围内(Allowable error这个 范围)的信息上,得分梯度为模型指明了优化方向。
所述高斯函数具体公式为:
其中,Score(x)为到时点对应的转换标签,x为到时点对应的标签,σ2为 标准方差。
图6共有八个子图,这些子图都是有上述到时点检测模型产生的,并且从 (a)到(h)信号越来越复杂,拾取到时点也越来越困难。图(a)和图(b) 是两个纯微震信号,基本没有被噪声所干扰,我们可以看到模型很确信的拾取 到了微震到时点(给予了到时点最高的分数),并且对其他点都给与了很低的 置信度,模型预测的最终扩增图和我们预先制作的高斯曲线图有相当大程度的 吻合,拾取基本没有任何误差。图(c),图(d)和图(e)是有一些非常具有 欺骗性噪声干扰的微震信号,传统的到时拾取算法经常错把噪声的到时当做微震信号的到时从而给出错误的结果,严重影响后续的定位过程。从结果可以看 到,在真正微震波到时的前面,有一个噪声事件,本发明公开的到时点检测模 型是给予了它一定的分数的,就是说模型认为,它有可能是微震波到时,但是 可能性不大,需要再继续向后读,进行进一步判断。最终读完整段波形之后, 仍然对真正的到时点给出了最高的分数。这就说明,本发明公开的到时点检测 模型拥有和人一样的思考过程,它会去考虑噪声的到时,而不是完全忽略它, 直到自己将整段波形读完之后,才会发现,哪个到时点才是真正的到时点。最 终的结果上,它也会给噪声的到时一定的分数,如果本发明将时点检测模型的 结果图可视化,也可以帮助人类进行进一步的分析,参考模型的结果,衡量模 型对这些不同到时点的判断。图(f)、图(g)和图(h)展示了三个具有超低 信噪比和高背景噪声的信号,可以见到,时点检测模型表现出很强的规律性的 背景噪声具有非常好的区分能力,精准的拾取到时点的同时,也没有给其他点 很高的分数,这说明时点检测模型内部可能学到了某些可以弱化信号周期性的 算法,从而只关注信号的趋势,未来可以对模型参数进一步探究,我们可以将 这些模型学到的算法单独提取出来,从而再进一步研究降噪算法。另外,对规 律随机性比较强的噪声,即图(g)和图(h)所示,模型同样会综合全局信息 来判断每个点的可能性,最终把有可能成为到时点的点都打上相应的分数,这 些分数同样可以用来被人类工程师二次分析。虽然随机噪声的干扰比较大,但 是模型对到时点的拾取还是比较精准的,和原始标签吻合良好,这说明模型对 这些随机噪声也有较好的鲁棒性,可能模型内部学到了某些对这些随机噪声分 解的范式或手段,如果未来的技术允许对参数进一步探究,或许也可以分解出 这些范式。
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)
1.一种微震波到时点检测方法,其特征在于,所述方法包括:
获取微震波形图;
基于分割整合多头自注意力机制构建到时点检测模型;所述时点检测模型包括:提取器、编码器和生成器;
将所述微震波形图输入到所述到时点检测模型进行检测,获得到时点。
2.根据权利要求1所述的微震波到时点检测方法,其特征在于,所述将所述微震波形图输入到所述到时点检测模型进行检测,获得到时点,具体包括:
将所述微震波形图输入到提取器进行提取,获得总提取特征图;
将所述总提取特征图输入带有分割整合多头自注意力机制的编码器进行编码和标准化处理,获得第二标准特征图;
将所述第二标准特征图输入到生成器进行反卷积扩增,获得最终扩增图;
选取所述最终扩增图中最高点作为到时点。
3.根据权利要求2所述的微震波到时点检测方法,其特征在于,所述将所述微震波形图输入到提取器进行提取,获得总提取特征图,具体包括:
将输入的所述微震波形图进行第一次转换,获得第一提取特征图;
将所述第一提取特征图进行第二次转换,获得第二提取特征图;
将所述第二提取特征图进行第三次转换,获得第三提取特征图;
将所述第三提取特征图进行最大池化处理,获得总提取特征图。
4.根据权利要求2所述的微震波到时点检测方法,其特征在于,所述将所述总提取特征图输入带有分割整合多头自注意力机制的编码器进行编码和标准化处理,获得第二标准特征图,具体包括:
将所述总提取特征图进行格式转换,获得第一序列格式特征图;
将所述第一序列格式特征图进行转换,获得第二序列格式特征图;
将所述第一序列格式特征图和所述第二序列格式特征图进行累加求和,获得第一编码特征图;
将所述第一编码特征图进行标准化处理,获得第一标准特征图;
将所述第一标准特征图进行维度转换,获得第三序列格式特征图;
将所述第三序列格式特征图进行卷积处理,获得第四序列格式特征图;
将所述第三序列格式特征图和所述第四序列格式特征图进行累加求和,获得第二编码特征图;
将所述第二编码特征图进行标准化处理,获得第二标准特征图。
5.根据权利要求2所述的微震波到时点检测方法,其特征在于,所述将所述第二标准特征图输入到生成器进行反卷积扩增,获得最终扩增图,具体包括:
将所述第二标准特征图进行第一次反卷积,获得第一扩增图;
将所述第一扩增图进行第二次反卷积,获得第二扩增图;
将所述第二扩增图进行第一次降维,获得第三扩增图;
将所述第三扩增图进行第三次反卷积,获得第四扩增图;
将所述第四扩增图进行第二次降维,获得最终扩增图。
6.一种微震波到时点检测系统,其特征在于,所述系统包括:
获取模块,用于获取微震波形图;
到时点检测模型,用于对所述微震波形图进行提取、编码以及反卷积扩增处理,获得到时点。
7.根据权利要求6所述的微震波到时点检测系统,其特征在于,所述到时点检测模型,具体包括:
提取器,用于对所述微震波形图进行提取处理,获得总提取特征图;
带有分割整合多头自注意力机制的编码器,用于对所述总提取特征图进行编码和标准化处理,获得第二标准特征图;
生成器,用于对所述第二标准特征图进行反卷积扩增,获得最终扩增图,并选取所述最终扩增图中最高点作为到时点。
8.根据权利要求6所述的微震波到时点检测系统,其特征在于,所述提取器包括第一卷积层、第一残差块、第二残差块和最大池化层;所述第一卷积层依次通过所述第一残差块、所述第二残差块和所述最大池化层连接;
所述第一卷积层用于将输入的所述微震波形图进行第一次转换,获得第一提取特征图;
所述第一残差块用将所述第一提取特征图进行第二次转换,获得第二提取特征图;
所述第二残差块用将所述第二提取特征图进行第三次转换,获得第三提取特征图;
所述最大池化层将所述第三提取特征图进行最大池化处理,获得总提取特征图。
9.根据权利要求6所述的微震波到时点检测系统,其特征在于,所述编码器包括第一维度转换层、SI自注意力层、第一累加器、第一标准化层、第二维度转换层、第二卷积层、第二累加器和第二标准化层;所述第一维度转换层分别与所述SI自注意力层和所述第一累加器连接,所述SI自注意力层与所述第一累加器连接,所述第一累加器通过所述第一标准化层与所述第二维度转换层连接,所述第二维度转换层分别与所述第二卷积层和所述第二累加器连接,所述第二卷积层和所述第二累加器连接,所述第二累加器与所述第二标准化层连接;
所述第一维度转换层用于将所述总提取特征图进行格式转换,获得第一序列格式特征图;
所述SI自注意力层层用于将所述第一序列格式特征图进行转换,获得第二序列格式特征图;
所述第一累加器用于将所述第一序列格式特征图和所述第二序列格式特征图进行累加求和,获得第一编码特征图;
所述第一标准化层用于将所述第一编码特征图进行标准化处理,获得第一标准特征图;
所述第二个维度转换层用于将所述第一标准特征图进行维度转换,获得第三序列格式特征图;
所述第二卷积层用于将所述第三序列格式特征图进行卷积处理,获得第四序列格式特征图;
所述第二累加器用于将所述第三序列格式特征图和所述第四序列格式特征图进行累加,获得第二编码特征图;
所述第二标准化层用于将所述第二编码特征图进行标准化处理,获得第二标准特征图。
10.根据权利要求6所述的微震波到时点检测系统,其特征在于,所述生成器包括第一反卷积层、第二反卷积层、第三卷积层、第三反卷积层和第四卷积层;所述第一反卷积层依次通过所述第二反卷积层、所述第三卷积层、所述第三反卷积层和所述第四卷积层连接;
所述第一反卷积层用于将所述第二标准特征图进行第一次反卷积,获得第一扩增图;
所述第二反卷积层用于将所述第一扩增图进行第二次反卷积,获得第二扩增图;
所述第三卷积层用于将所述第二扩增图进行第一次降维,获得第三扩增图;
所述第三反卷积层用于将所述第三扩增图进行第三次反卷积,获得第四扩增图;
所述第四卷积层用于将所述第四扩增图进行第二次降维,获得最终扩增图。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011244327.5A CN112380949B (zh) | 2020-11-10 | 2020-11-10 | 一种微震波到时点检测方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011244327.5A CN112380949B (zh) | 2020-11-10 | 2020-11-10 | 一种微震波到时点检测方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112380949A true CN112380949A (zh) | 2021-02-19 |
CN112380949B CN112380949B (zh) | 2024-03-26 |
Family
ID=74578560
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011244327.5A Active CN112380949B (zh) | 2020-11-10 | 2020-11-10 | 一种微震波到时点检测方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112380949B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2024104035A1 (zh) * | 2022-11-17 | 2024-05-23 | 华中科技大学 | 基于长短期记忆自注意力模型的三维医学图像分割方法及系统 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20150081223A1 (en) * | 2013-09-19 | 2015-03-19 | Schlumberger Technology Corporation | Microseismic survey |
CN109919080A (zh) * | 2019-03-05 | 2019-06-21 | 南京航空航天大学 | 多解码器全卷积神经网络及其相应的细观结构识别方法 |
CN109919205A (zh) * | 2019-02-25 | 2019-06-21 | 华南理工大学 | 基于多头自注意力机制的卷积回声状态网络时序分类方法 |
CN110133714A (zh) * | 2019-06-05 | 2019-08-16 | 山东科技大学 | 一种基于深度学习的微震信号分类辨识方法 |
CN111477221A (zh) * | 2020-05-28 | 2020-07-31 | 中国科学技术大学 | 采用双向时序卷积与自注意力机制网络的语音识别系统 |
CN111526434A (zh) * | 2020-04-24 | 2020-08-11 | 西北工业大学 | 基于转换器的视频摘要方法 |
CN111562612A (zh) * | 2020-05-20 | 2020-08-21 | 大连理工大学 | 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 |
-
2020
- 2020-11-10 CN CN202011244327.5A patent/CN112380949B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20150081223A1 (en) * | 2013-09-19 | 2015-03-19 | Schlumberger Technology Corporation | Microseismic survey |
CN109919205A (zh) * | 2019-02-25 | 2019-06-21 | 华南理工大学 | 基于多头自注意力机制的卷积回声状态网络时序分类方法 |
CN109919080A (zh) * | 2019-03-05 | 2019-06-21 | 南京航空航天大学 | 多解码器全卷积神经网络及其相应的细观结构识别方法 |
CN110133714A (zh) * | 2019-06-05 | 2019-08-16 | 山东科技大学 | 一种基于深度学习的微震信号分类辨识方法 |
CN111526434A (zh) * | 2020-04-24 | 2020-08-11 | 西北工业大学 | 基于转换器的视频摘要方法 |
CN111562612A (zh) * | 2020-05-20 | 2020-08-21 | 大连理工大学 | 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 |
CN111477221A (zh) * | 2020-05-28 | 2020-07-31 | 中国科学技术大学 | 采用双向时序卷积与自注意力机制网络的语音识别系统 |
Non-Patent Citations (5)
Title |
---|
A. SPURIO MANCINI 等: ""Accelerating Bayesian microseismic event location with deep learning"", ARXIV:2009.0678 * |
PINGAN PENG 等: ""Automatic Classification of Microseismic Records in Underground Mining: A Deep Learning Approach"", 《IEEE ACCESS》, vol. 8 * |
YUMEI KANG 等: ""Classification of Microseismic Events and Blasts Using Deep Belief Network"", 2020 CHINESE CONTROL AND DECISION CONFERENCE (CCDC) * |
廖智勤 等: ""基于EEMD和关联维数的矿山微震信号特征提取和分类"", 《黄金科学技术》, vol. 28, no. 4 * |
赵明 等: ""基于深度学习技术和波形频谱的地震事件自动检测"", 《国际地震动态》, no. 8 * |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2024104035A1 (zh) * | 2022-11-17 | 2024-05-23 | 华中科技大学 | 基于长短期记忆自注意力模型的三维医学图像分割方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
CN112380949B (zh) | 2024-03-26 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110163108B (zh) | 基于双路径特征融合网络的鲁棒声呐目标检测方法 | |
CN110133610B (zh) | 基于时变距离-多普勒图的超宽带雷达动作识别方法 | |
CN110705525A (zh) | 一种诊断滚动轴承故障的方法及装置 | |
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 | |
CN112799128B (zh) | 一种地震信号检测和震相提取的方法 | |
CN112507861A (zh) | 一种多层卷积特征融合的行人检测方法 | |
CN114925536A (zh) | 机载系统phm测试性建模与诊断策略优化方法和装置 | |
CN110933633A (zh) | 一种基于csi指纹特征迁移的船载环境室内定位方法 | |
CN112464721A (zh) | 微地震事件自动识别方法及装置 | |
CN115131580A (zh) | 基于注意力机制的空间目标小样本识别方法 | |
CN112380949A (zh) | 一种微震波到时点检测方法及系统 | |
Liao et al. | RED-PAN: Real-time earthquake detection and phase-picking with multitask attention network | |
CN114821299A (zh) | 一种遥感图像变化检测方法 | |
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 | |
Yang et al. | A new convolutional neural network-based framework and data construction method for structural damage identification considering sensor placement | |
CN111623797B (zh) | 一种基于深度学习的步数测量方法 | |
CN112966815A (zh) | 基于脉冲神经网络的目标检测方法、系统及设备 | |
CN116189800B (zh) | 基于气体检测的模式识别方法、装置、设备及存储介质 | |
CN117272168A (zh) | 基于运动时序特征编码的人体动作识别与预测方法 | |
CN112818164A (zh) | 音乐类型识别方法、装置、设备及存储介质 | |
CN112884076B (zh) | 一种基于条件式生成对抗网络的传感器数据生成模型及方法 | |
CN111651930A (zh) | 一种基于极限学习机的流场涡区域检测方法 | |
CN114387523B (zh) | 基于dcnn边界引导的遥感图像建筑物提取方法 | |
CN113516242B (zh) | 一种基于自注意力机制的穿墙雷达人体动作识别方法 | |
CN116660992B (zh) | 一种基于多特征融合的地震信号处理方法 |
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 |