CN113296148A - 基于时域和小波域双通道卷积神经网络的微震识别方法 - Google Patents
基于时域和小波域双通道卷积神经网络的微震识别方法 Download PDFInfo
- Publication number
- CN113296148A CN113296148A CN202110569168.4A CN202110569168A CN113296148A CN 113296148 A CN113296148 A CN 113296148A CN 202110569168 A CN202110569168 A CN 202110569168A CN 113296148 A CN113296148 A CN 113296148A
- Authority
- CN
- China
- Prior art keywords
- microseismic
- wavelet
- time domain
- layer
- dual
- 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.)
- Pending
Links
- 238000013527 convolutional neural network Methods 0.000 title claims abstract description 36
- 238000000034 method Methods 0.000 title claims abstract description 24
- 238000000354 decomposition reaction Methods 0.000 claims abstract description 30
- 238000012549 training Methods 0.000 claims abstract description 20
- 238000007781 pre-processing Methods 0.000 claims abstract description 6
- 238000011176 pooling Methods 0.000 claims description 9
- 108010076504 Protein Sorting Signals Proteins 0.000 claims description 4
- 230000003321 amplification Effects 0.000 claims description 4
- 238000003199 nucleic acid amplification method Methods 0.000 claims description 4
- 238000009966 trimming Methods 0.000 claims description 3
- 238000013434 data augmentation Methods 0.000 claims description 2
- 230000009466 transformation Effects 0.000 abstract description 4
- 230000006870 function Effects 0.000 description 8
- 238000005516 engineering process Methods 0.000 description 4
- 238000010586 diagram Methods 0.000 description 3
- 230000009977 dual effect Effects 0.000 description 3
- 238000000605 extraction Methods 0.000 description 3
- 238000004519 manufacturing process Methods 0.000 description 3
- 238000012544 monitoring process Methods 0.000 description 3
- 238000012545 processing Methods 0.000 description 3
- 230000004913 activation Effects 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 2
- 239000003245 coal Substances 0.000 description 2
- 238000007796 conventional method Methods 0.000 description 2
- 238000001514 detection method Methods 0.000 description 2
- 239000013589 supplement Substances 0.000 description 2
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000000739 chaotic effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000004880 explosion Methods 0.000 description 1
- 230000036039 immunity Effects 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 238000005065 mining Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 239000011435 rock Substances 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 238000001228 spectrum Methods 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
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
-
- 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
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/048—Activation functions
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Software Systems (AREA)
- Mathematical Physics (AREA)
- Computing Systems (AREA)
- Molecular Biology (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- General Health & Medical Sciences (AREA)
- Environmental & Geological Engineering (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Remote Sensing (AREA)
- Business, Economics & Management (AREA)
- Emergency Management (AREA)
- Acoustics & Sound (AREA)
- Geology (AREA)
- General Life Sciences & Earth Sciences (AREA)
- Geophysics (AREA)
- Data Exchanges In Wide-Area Networks (AREA)
Abstract
本发明公开了一种基于时域和小波域双通道卷积神经网络的微震识别方法,包括以下步骤:S1、获取微震数据,并对获取的微震数据进行预处理,得到微震序列;S2、将微震序列进行小波包分解,得到小波包分解系数;S3、将微震序列和小波包分解系数输入双通道CNN网络进行训练,得到微震识别结果。本发明立足于低信噪比的微震事件分类,由于微震信号本身带来的难识别性导致对分类器的要求比地震信号高,因此不仅要保证高识别率还要考虑抗噪性,引入小波包变换能够提高CNN模型的抗噪性,采用双通道模型结合时域和小波域能够进一步提高识别率。
Description
技术领域
本发明属于微震检测技术领域,特别涉及一种基于时域和小波域双通道卷积神经网络的微震识别方法。
背景技术
微震监测技术能够帮助探测煤矿地层的岩体结构,为安全生产提供保障。其中,微震信号的识别分类是处理流程中的重要一步。在早期的研究工作中,微震事件分类是由人工完成的,这种方法费时费力,并且对操作人员的专业素养要求较高。后来出现了很多自动提取方法如STA/LTA方法、AIC信息准则、振幅比等,它们的普遍做法是预设定参数并依据某个标准进行界定分类。随着采集数据的迅速增长,这类方法得到了很大的应用与普及。然而由于微震信号具有信噪比低、有效信号弱且不易区分等特点,上述方法的识别正确率很低。并且阈值等参数的设定也是一个非常棘手的问题。为了提高识别精度,有学者利用小波分解等技术进行预处理去噪,随后将去噪后的数据用于识别分类,但是额外的处理步骤无疑增加了计算量,最重要的是不恰当的去噪可能会导致丢失信息。
微震信号与地震信号相比能量更弱,不易被识别,传统方法不具适用性,并且参数的设置对结果影响极大。为了实现更加自动高效地识别,人工智能方法受到众多学者地关注。CNN利用卷积核能够自动提取波形特征、权值共享和稀疏性可以减少网络参数的特点逐渐成为识别微震信号的有力工具。但是它仍然面临一个严峻的问题,就是微震事件信噪比低。杂乱无序的噪声干扰了CNN模型的特征学习,能够从时域信号中提取到的有效信号较少,并且伴随着不同持续频带的噪声,微震信号的特点也变得很模糊。为了能够提取到更多有用信息,信号在不同域的特点引起了学者的注意。
小波变换在地震信号处理中一直扮演着重要角色,它提供了信号在时频域上的分辨率,将时域特点与频域特点进行了有效结合,能够帮助突出信号分量的特点从而压制噪声分量。然而通过小波变换得到的时频域信号维数被放大,如果直接作为分析数据传入CNN会产生数据量过大、维数爆炸的问题。小波包分解是小波分解的一个延伸,它提供了更加精细的信号分解。小波包分解得到的系数反映了时域波形与小波基函数的相似性,也就是信号序列本质的特点,以此作为CNN的输入进行分类将会是一个不错的选择。但是小波基函数与真实的微震信号还是存在一定差异性,不能很好地拟合。
发明内容
本发明的目的在于克服现有技术的不足,提供一种引入小波包变换,能够提高CNN模型的抗噪性,采用双通道模型结合时域和小波域能够进一步提高识别率的基于时域和小波域双通道卷积神经网络的微震识别方法。
本发明的目的是通过以下技术方案来实现的:基于时域和小波域双通道卷积神经网络的微震识别方法,包括以下步骤:
S1、获取微震数据,并对获取的微震数据进行预处理,得到微震序列;
S2、将微震序列进行小波包分解,得到小波包分解系数;
S3、将微震序列和小波包分解系数输入双通道CNN网络进行训练,得到微震识别结果。
进一步地,所述双通道CNN网络包括时域输入和小波域输入两个输入通道,两个输入通道的输出与拼接层相连,拼接层依次连接平层、全连接层和输出层;
时域输入和小波域输入通道分别包括输入层、卷积层1、池化层1、卷积层2和池化层2。
进一步地,所述双通道CNN网络训练方法为:
S31、按照NHWC四维形式的格式输入时域信号,其中,N表示输入样本数量、H表示样本高度、W表示样本宽度、C表示通道数;
S32、扩增训练集:采用随机移动时窗的方法对输入样本进行数据增广,左右移动不超过样本长度的0.1,移动的反方向则以零填充;
S33、修剪样本:对所有样本都在样本两端裁剪最大移动长度;
S34、获取小波包分解系数:对最终要进行训练的时域信号序列进行小波包分解,采用三层小波包分解,选用的小波基是与地震信号最相似的db8函数,最后将各层分解得到的系数拼接为一维向量;
S35、训练网络模型:将时域信号和小波域系数一起输入网络进行训练,epoch和batch都设置为50。
本发明的有益效果是:本发明利用CNN作为识别方法,能够有效减少人为操作,采用训练好的模型可以快速分类出大量数据,适合用于自动化微震识别操作中。本发明立足于低信噪比的微震事件分类,由于微震信号本身带来的难识别性导致对分类器的要求比地震信号高,因此不仅要保证高识别率还要考虑抗噪性,引入小波包变换能够提高CNN模型的抗噪性,采用双通道模型结合时域和小波域能够进一步提高识别率。
在煤矿开采等生产工作中,微震监测技术是常用的探测手段,很大一部分是为了保障生产安全,利用本发明的CNN模型快速高效的分类性能可以识别岩石构造的活动,对于非正常的破裂滑动能够及时做出预警。
附图说明
图1为本发明的一种基于时域和小波域双通道卷积神经网络的微震识别方法的流程图;
图2为本发明双通道CNN网络的结构示意图;
图3为本实施例的微震事件波形图;
图4为本实施例的CNN特征提取图。
具体实施方式
下面结合附图进一步说明本发明的技术方案。
如图1所示,本发明的一种基于时域和小波域双通道卷积神经网络的微震识别方法,包括以下步骤:
S1、获取微震数据,并对获取的微震数据进行预处理,得到微震序列;
S2、将微震序列进行小波包分解,得到小波包分解系数;
S3、将微震序列和小波包分解系数输入双通道CNN网络进行训练,得到微震识别结果。
所述双通道CNN网络包括时域输入和小波域输入两个输入通道,两个输入通道的输出与拼接层相连,拼接层依次连接平层、两个全连接层和输出层;其结构如图2所示。
时域输入和小波域输入通道分别包括输入层、卷积层1、池化层1、卷积层2和池化层2;
网络分别接受时域信号和小波域系数的输入,通过两个通道的训练最后将结果进行整合输出预测结果。在我们的模型中只含有两个特征提取模块(即两个卷积层和池化层),并且在卷积层和池化层之间使用Dropout层,防止过拟合,丢失率为0.5。采用了最大池化层,用于放大突出有效信号的特征。除了最后一个全连接层的激活函数采用了Sigmoid函数如式(1),其它均为ReLU函数如式(2)。
Relu(x)=max(0,x) (2)
所述双通道CNN网络训练方法为:
S31、按照NHWC四维形式的格式输入时域信号,其中,N表示输入样本数量(numbers)、H表示样本高度(height)、W表示样本宽度(width)、C表示通道数(channel);
S31、按照NHWC四维形式的格式输入时域信号,其中,N表示输入样本数量、H表示样本高度、W表示样本宽度、C表示通道数;
S32、扩增训练集:由于微震数据集中正样本数量往往大于负样本,直接训练会导致模型分类性能低下,即使将样本全识别为负样本也能获得较高正确率。因此采用随机移动时窗的方法对输入样本进行数据增广,左右移动不超过样本长度的0.1,移动的反方向则以零填充;
S33、修剪样本:前一步对训练集进行了扩充,为了去除零填充的部分,并且统一格式,对所有样本都在样本两端裁剪最大移动长度;
S34、获取小波包分解系数:对最终要进行训练的时域信号序列进行小波包分解,采用三层小波包分解,选用的小波基是与地震信号最相似的db8函数,最后将各层分解得到的系数拼接为一维向量;
小波包变换是小波变换的提升与改进,它能够实现对信号更加精细的分析。与小波变换不同,小波包变换对信号高频数据也进行分解,并根据被分析信号的特征自适应地选择相应频带,使之与信号频谱相匹配,从而提高时频分辨率。
S35、训练网络模型:将时域信号和小波域系数一起输入网络进行训练,epoch和batch都设置为50。
本实施例采用了Wilkins et al.(2020)提供的数据,来源于澳大利亚地下的一个矿井。采样率为1000Hz,每个微震事件由八个通道组成,每个通道含有1500个采样点。由于此数据集是通过传统方法自动拾取得到的,在波形上都具有微震信号的一些特点,随后专家进行二次标签,得到1087个事件,其中102个真实事件,985个噪声事件。由此也可以看出,传统方法在低信噪比的微震事件中分类结果不可靠。为了进行分类器性能比较,表1列出了三种不同输入数据情况下的CNN分类结果。
表1双通道CNN分类结果
输入 | 时域信号 | 小波域系数 | 双通道 |
TT accuracy rate | 66.67 | 69.61 | 74.51 |
FF accuracy rate | 86.29 | 87.82 | 88.22 |
AUC | 0.847 | 0.856 | 0.885 |
通过表1我们可以看到总体识别率都偏低,这是因为训练的数据属于难分样本,如图3所示,其中,(a)为标签为1的样本,(b)为标签为0的样本,图中横坐标为时间,纵坐标为振幅。在Wilkins et al.(2020)的研究中他们对数据进行了更多的增广并且采用了交换通道的形式扩充数据,我们没有做此处理是为了使模型更具普适性能够应用到单通道数据,而且减少数据预处理能够对CNN分类器进行更客观的评价。如表所示,单通道情况下,利用小波域系数为输入的分类精度略高于采用时域信号。在双通道的情况下,分类效果明显优于单通道。尤其是对于真微震事件的识别,双通道模型具有更强的鲁棒性,正确率远高于单通道模型。
如图4所示,这是一个双通道CNN的各层特征图,分别为输入数据,两层卷积层以及输出波形,但是这里的单通道输出并非双通道模型产生,而是由单通道模型提取的,放在一起是为了方便比较。通过输入层特征图可知,经过小波包分解后,系数矩阵的特征变得很清晰,减少了模糊度,增加了特征稀疏性,更加有利于卷积层的特征学习。但是由于小波基未能很好地与原始波形拟合,在卷积层中可以看到出现了很多杂乱的特征干扰了预测结果,而时域通道由于能量较为集中,能够很好地作为小波域通道的信息补充。通过图右侧两类预测波形可知,双通道模型能够结合两个通道的信息进行判断,时域信号的特征强度更为集中但在噪声大的情况下也会更加模糊,小波域系数的特征更加稀疏易于学习但在与小波基拟合不好的情况下也会增加误导信息。双通道模型利用时域与小波域信息互相作为补充,增加了分类器的抗噪性,并且更加具有鲁棒性。
本领域的普通技术人员将会意识到,这里所述的实施例是为了帮助读者理解本发明的原理,应被理解为本发明的保护范围并不局限于这样的特别陈述和实施例。本领域的普通技术人员可以根据本发明公开的这些技术启示做出各种不脱离本发明实质的其它各种具体变形和组合,这些变形和组合仍然在本发明的保护范围内。
Claims (3)
1.基于时域和小波域双通道卷积神经网络的微震识别方法,其特征在于,包括以下步骤:
S1、获取微震数据,并对获取的微震数据进行预处理,得到微震序列;
S2、将微震序列进行小波包分解,得到小波包分解系数;
S3、将微震序列和小波包分解系数输入双通道CNN网络进行训练,得到微震识别结果。
2.根据权利要求1所述的基于时域和小波域双通道卷积神经网络的微震识别方法,其特征在于,所述双通道CNN网络包括时域输入和小波域输入两个输入通道,两个输入通道的输出与拼接层相连,拼接层依次连接平层、全连接层和输出层;
时域输入和小波域输入通道分别包括输入层、卷积层1、池化层1、卷积层2和池化层2。
3.根据权利要求1所述的基于时域和小波域双通道卷积神经网络的微震识别方法,其特征在于,所述双通道CNN网络训练方法为:
S31、按照NHWC四维形式的格式输入时域信号,其中,N表示输入样本数量、H表示样本高度、W表示样本宽度、C表示通道数;
S32、扩增训练集:采用随机移动时窗的方法对输入样本进行数据增广,左右移动不超过样本长度的0.1,移动的反方向则以零填充;
S33、修剪样本:对所有样本都在样本两端裁剪最大移动长度;
S34、获取小波包分解系数:对最终要进行训练的时域信号序列进行小波包分解,采用三层小波包分解,选用的小波基是与地震信号最相似的db8函数,最后将各层分解得到的系数拼接为一维向量;
S35、训练网络模型:将时域信号和小波域系数一起输入网络进行训练,epoch和batch都设置为50。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110569168.4A CN113296148A (zh) | 2021-05-25 | 2021-05-25 | 基于时域和小波域双通道卷积神经网络的微震识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110569168.4A CN113296148A (zh) | 2021-05-25 | 2021-05-25 | 基于时域和小波域双通道卷积神经网络的微震识别方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113296148A true CN113296148A (zh) | 2021-08-24 |
Family
ID=77324580
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110569168.4A Pending CN113296148A (zh) | 2021-05-25 | 2021-05-25 | 基于时域和小波域双通道卷积神经网络的微震识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113296148A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114895359A (zh) * | 2022-07-13 | 2022-08-12 | 中国科学院地质与地球物理研究所 | 一种das同井监测实时微地震有效事件去噪方法及系统 |
CN116626753A (zh) * | 2023-07-25 | 2023-08-22 | 东北石油大学三亚海洋油气研究院 | 一种基于多模态神经网络的微地震事件识别方法及系统 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107991706A (zh) * | 2017-11-24 | 2018-05-04 | 华北科技学院 | 基于小波包多重阈值和改进经验模态分解的煤层水力压裂微震信号联合降噪方法 |
CN110367967A (zh) * | 2019-07-19 | 2019-10-25 | 南京邮电大学 | 一种基于数据融合的便携型轻量化人脑状态检测方法 |
CN110926782A (zh) * | 2019-12-06 | 2020-03-27 | 国网河南省电力公司三门峡供电公司 | 断路器故障类型判断方法、装置、电子设备及存储介质 |
US20200116882A1 (en) * | 2018-10-16 | 2020-04-16 | China University Of Mining And Technology, Beijing | Method for automatically locating microseismic events based on deep belief neural network and coherence scanning |
CN111126471A (zh) * | 2019-12-18 | 2020-05-08 | 中国石油大学(华东) | 微地震事件检测方法及系统 |
CN112364779A (zh) * | 2020-11-12 | 2021-02-12 | 中国电子科技集团公司第五十四研究所 | 信号处理与深-浅网络多模型融合的水声目标识别方法 |
-
2021
- 2021-05-25 CN CN202110569168.4A patent/CN113296148A/zh active Pending
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107991706A (zh) * | 2017-11-24 | 2018-05-04 | 华北科技学院 | 基于小波包多重阈值和改进经验模态分解的煤层水力压裂微震信号联合降噪方法 |
US20200116882A1 (en) * | 2018-10-16 | 2020-04-16 | China University Of Mining And Technology, Beijing | Method for automatically locating microseismic events based on deep belief neural network and coherence scanning |
CN110367967A (zh) * | 2019-07-19 | 2019-10-25 | 南京邮电大学 | 一种基于数据融合的便携型轻量化人脑状态检测方法 |
CN110926782A (zh) * | 2019-12-06 | 2020-03-27 | 国网河南省电力公司三门峡供电公司 | 断路器故障类型判断方法、装置、电子设备及存储介质 |
CN111126471A (zh) * | 2019-12-18 | 2020-05-08 | 中国石油大学(华东) | 微地震事件检测方法及系统 |
CN112364779A (zh) * | 2020-11-12 | 2021-02-12 | 中国电子科技集团公司第五十四研究所 | 信号处理与深-浅网络多模型融合的水声目标识别方法 |
Non-Patent Citations (6)
Title |
---|
刘艳,叶茂,顾雪平等: "高比例可再生能源电力系统的黑启动服务定价方法", 《电力系统自动化》 * |
孔明鑫: "基于深度卷积神经网络的雷达辐射源识别算法研究", 《中国优秀博硕士学位论文全文数据库(硕士)信息科技辑》 * |
张玉: "基于卷积神经网络的锚杆锚固缺陷类型识别方法研究", 《中国优秀博硕士学位论文全文数据库(硕士)工程科技Ⅱ辑》 * |
曹伟,孙红梅,贾瑞生等: "基于小波包分解重构的微地震信号降噪方法", 《电子测量与仪器学报》 * |
杨俊杰,谢维成,曹倩: "级联H桥逆变器的多特征融合CNN故障诊断", 《中国测试》 * |
陈云霁,李玲,李威等: "《智能计算系统》", 30 April 2020 * |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114895359A (zh) * | 2022-07-13 | 2022-08-12 | 中国科学院地质与地球物理研究所 | 一种das同井监测实时微地震有效事件去噪方法及系统 |
CN114895359B (zh) * | 2022-07-13 | 2022-09-13 | 中国科学院地质与地球物理研究所 | 一种das同井监测实时微地震有效事件去噪方法及系统 |
CN116626753A (zh) * | 2023-07-25 | 2023-08-22 | 东北石油大学三亚海洋油气研究院 | 一种基于多模态神经网络的微地震事件识别方法及系统 |
CN116626753B (zh) * | 2023-07-25 | 2023-10-13 | 东北石油大学三亚海洋油气研究院 | 一种基于多模态神经网络的微地震事件识别方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113296148A (zh) | 基于时域和小波域双通道卷积神经网络的微震识别方法 | |
CN104050471B (zh) | 一种自然场景文字检测方法及系统 | |
CN109890043B (zh) | 一种基于生成式对抗网络的无线信号降噪方法 | |
CN111476339B (zh) | 滚动轴承故障特征提取方法、智能诊断方法及系统 | |
WO2020220416A1 (zh) | 一种基于深度学习的微震信号分类辨识方法 | |
CN110929842B (zh) | 非合作无线电信号突发时间区域精确智能检测方法 | |
CN110110580B (zh) | 一种面向Wi-Fi信号的手语孤立词识别网络构建及分类方法 | |
CN112580486B (zh) | 一种基于雷达微多普勒信号分离的人体行为分类方法 | |
CN111275165A (zh) | 一种基于改进卷积神经网络的网络入侵检测方法 | |
Jeong et al. | Spectrogram-based automatic modulation recognition using convolutional neural network | |
CN110880010A (zh) | 基于卷积神经网络的视觉slam闭环检测算法 | |
CN111222442A (zh) | 一种电磁信号分类方法和装置 | |
CN112528774A (zh) | 一种复杂电磁环境下未知雷达信号智能分选系统及方法 | |
CN116517860A (zh) | 基于数据分析的通风机故障预警系统 | |
CN112183582A (zh) | 一种多特征融合的水下目标识别方法 | |
CN114029943A (zh) | 一种基于图像数据处理的目标抓取定位方法及系统 | |
CN117030263A (zh) | 多传感器信号融合下基于改进残差网络的轴承故障诊断方法 | |
CN112014801A (zh) | 一种基于SPWVD和改进AlexNet的复合干扰识别方法 | |
CN109254654B (zh) | 一种结合PCA和PCANet的驾驶疲劳特征提取方法 | |
CN109409216B (zh) | 基于子载波动态选择的速度自适应室内人体检测方法 | |
CN114255487A (zh) | 一种半监督射频指纹提取的物联网设备身份认证方法 | |
CN112929141B (zh) | 一种基于图传信号匹配的无人机检测识别方法和系统 | |
CN110580915B (zh) | 基于可穿戴式设备的声源目标识别系统 | |
CN111783738A (zh) | 一种通信辐射源异常运动轨迹检测方法 | |
CN115061196B (zh) | 基于经验模态分解imf引导的微震信号识别方法 |
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 |