CN113609971A - 微地震观测设备的检查方法、装置、设备及存储介质 - Google Patents
微地震观测设备的检查方法、装置、设备及存储介质 Download PDFInfo
- Publication number
- CN113609971A CN113609971A CN202110891228.4A CN202110891228A CN113609971A CN 113609971 A CN113609971 A CN 113609971A CN 202110891228 A CN202110891228 A CN 202110891228A CN 113609971 A CN113609971 A CN 113609971A
- Authority
- CN
- China
- Prior art keywords
- data
- preset
- inspection
- sampling point
- microseism
- 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
- 238000000034 method Methods 0.000 title claims abstract description 55
- 238000005070 sampling Methods 0.000 claims abstract description 82
- 238000007689 inspection Methods 0.000 claims abstract description 76
- 238000012549 training Methods 0.000 claims abstract description 20
- 238000005259 measurement Methods 0.000 claims abstract description 7
- 238000013145 classification model Methods 0.000 claims description 15
- 238000004590 computer program Methods 0.000 claims description 15
- 230000003321 amplification Effects 0.000 claims description 11
- 238000003199 nucleic acid amplification method Methods 0.000 claims description 11
- 238000002372 labelling Methods 0.000 claims description 8
- 238000001514 detection method Methods 0.000 claims description 7
- 238000012545 processing Methods 0.000 claims description 7
- 238000004364 calculation method Methods 0.000 claims description 3
- 238000010586 diagram Methods 0.000 description 10
- 230000006870 function Effects 0.000 description 7
- 230000000694 effects Effects 0.000 description 5
- 230000008569 process Effects 0.000 description 5
- 239000012530 fluid Substances 0.000 description 4
- 230000009471 action Effects 0.000 description 3
- 230000008859 change Effects 0.000 description 3
- 238000004088 simulation Methods 0.000 description 3
- 238000012360 testing method Methods 0.000 description 3
- 238000013473 artificial intelligence Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000007637 random forest analysis Methods 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 238000005507 spraying Methods 0.000 description 2
- 238000012706 support-vector machine Methods 0.000 description 2
- 230000000007 visual effect Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000003066 decision tree Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 238000006467 substitution reaction Methods 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
- G06F2218/02—Preprocessing
- G06F2218/04—Denoising
-
- 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
-
- 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
Abstract
本申请提供一种微地震观测设备的检查方法、装置、电子设备及存储介质,方法包括:对微地震观测设备接收到的预设模拟噪声信号的多个采样点进行信号采集,得到多个样点数据;对每个样点数据进行数据运算,得到有效数据集,有效数据集包括去除预设模拟噪声信号的直流漂移量后的多个有效数据;基于预设的数据检查模型,对有效数据集进行数据检查,得到目标值,其中数据检查模型通过多个微地震实测数据样本训练得到;若目标值为预设值,则判定微地震观测设备检查完成。本申请通过去除预设模拟噪声信号的直流漂移量,降低信号干扰带来的误差,提高检查结果的准确度,为微地震观测设备提供检查方法,保证设备精度和准确性。
Description
技术领域
本申请涉及计算机技术领域,具体而言,涉及一种微地震观测设备的检查方法、装置、设备及存储介质。
背景技术
深海活动冷泉流体喷溢引起的浅地层微地震地质现象是冷泉深部物质“固-液-气”相态变化以及冷泉流体物体移动和冲击而引起的地层地质活动现象,该现象需要借助微地震观测设备实现观测。微地震观测设备能够精确地给出信号接收传感器的准确GNSS经纬度位置、对接收到的振动信号精准授予绝对时间,从而实现深海活动冷泉的微地震地质现象的可视化观测。但是,目前关于冷泉微地震观测的研究非常少,缺少相关方法保证微地震观测设备的设备精度和准确性。
发明内容
本申请实施例的目的在于提供一种微地震观测装置的检查方法、系统、电子设备及存储介质,旨在解决目前缺少相关方法保证微地震观测设备的设备精度和准确性的问题。
第一方面,本申请实施例提供了一种微地震观测设备的检查方法,包括:
对微地震观测设备接收到的预设模拟噪声信号的多个采样点进行信号采集,得到多个样点数据;
对每个样点数据进行数据运算,得到有效数据集,有效数据集包括去除预设模拟噪声信号的直流漂移量后的多个有效数据;
基于预设的数据检查模型,对有效数据集进行数据检查,得到目标值,其中数据检查模型通过多个微地震实测数据样本训练得到;
若目标值为预设值,则判定微地震观测设备检查完成。
在本实施例中,通过对微地震观测设备接收到的预设模拟噪声信号的多个采样点进行信号采集,得到多个样点数据,从而实现微地震观测设备的噪声信号采集模拟;对每个样点数据进行数据运算,得到有效数据集,以去除预设模拟噪声信号的直流漂移量,降低信号干扰带来的误差,提高检查结果的准确度;基于预设的数据检查模型,对有效数据集进行数据检查,得到目标值,若目标值为预设值,则判定微地震观测设备检查完成,从而为微地震观测设备提供检查方法,保证设备精度和准确性。
在一实施例中,预设模拟噪声信号为低噪声电阻信号,对微地震观测设备接收到的预设模拟噪声信号的多个采样点进行信号采集,得到多个样点数据,包括:
调节微地震观测设备的前置放大器的放大倍数;
通过微地震观测设备上的模拟数字转换器,按照预设采集频率对低噪声电阻信号的多个采样点进行信号采集,得到多个样点数据,样点数据包括在前置放大器的多个放大倍数时采集到的样点数据。
在本实施例中,通过调节微地震观测设备的前置放大器的放大倍数,以采集在多个放大倍数时对应的样点数据。
在一实施例中,对每个样点数据进行数据运算,得到有效数据集,包括:
根据每个样点数据,计算预设模拟噪声信号的每个采样点的直流飘移量和总有效值;
根据直流漂移量和总有效值,去除每个采样点对应的直流漂移量,得到有效数据集。
在本实施例中,通过去除模拟噪声信号的直流漂移量,以降低信号干扰,提高检查结果的准确度。
在一实施例中,数据检查模型为二分类模型,基于预设的数据检查模型,对有效数据集进行数据检查,得到目标值,包括:
基于二分类模型,对有效数据集进行分类检测,确定有效数据集对应的分类标签,分类标签为目标值。
在本实施例中,采用二分类模型实现有效数据集的分类检测,以利用人工智能模型提高检测准确度。
在一实施例中,基于预设的数据检查模型,对有效数据集进行数据检查,得到目标值之前,还包括:
将在预设标准值范围内的微地震实测数据样本作为正样本,并采用第一数据标签对正样本进行标注;
将不再预设标准值范围内的微地震实测数据样本作为负样本,并采用第二数据标签对负样本进行标注;
将第一数据标签、正样本、第二数据标签和负样本作为二分类训练集,对预设分类模型进行训练,直至预设分类模型达到预设收敛条件,得到数据检查模型。
在本实施例中,通过微地震实测数据构建训练集,以训练得到二分类模型,从而可以基于二分类模型提高检查结果的准确度。
在一实施例中,若目标值为预设值,则微地震观测设备检查完成之前,还包括:
对微地震观测设备接收到的目标脉冲信号进行信号采集,得到脉冲信号数据;
确定脉冲信号数据的多个分量之间的相关性;
根据相关性确定微地震观测设备的系统时间是否符合预设一致性条件;
若微地震观测设备的系统时间符合预设一致性条件,则判断目标值是否为预设值。
在本实施例中,通过检查数据对应时间的时间一致性,保证系统时间一致,从而保证检查结果的精度和准确度。
第二方面,本申请实施例提供了一种微地震观测设备的检查装置,包括:
采集模块,用于对微地震观测设备接收到的预设模拟噪声信号的多个采样点进行信号采集,得到多个样点数据;
运算模块,用于对每个样点数据进行数据运算,得到有效数据集,有效数据集包括去除预设模拟噪声信号的直流漂移量后的多个有效数据;
检查模块,用于基于预设的数据检查模型,对有效数据集进行数据检查,得到目标值,其中数据检查模型通过微地震观测信号样本和微地震观测数据样本训练得到;
判定模块,用于若目标值为预设值,则判定微地震观测设备检查完成。
在一实施例中,运算模块,包括:
计算单元,用于根据每个样点数据,计算预设模拟噪声信号的每个采样点的直流飘移量和总有效值;
去除单元,用于根据直流漂移量和总有效值,去除每个采样点对应的直流漂移量,得到有效数据集。
第三方面,本申请实施例提供了一种电子设备,包括存储器及处理器,存储器用于存储计算机程序,处理器运行计算机程序以使电子设备执行上述第一方面任一项的微地震观测设备的检查方法。
第四方面,本申请实施例提供了一种计算机可读存储介质,其存储有计算机程序,计算机程序被处理器执行时实现上述第一方面任一项的微地震观测设备的检查方法。
需要说明的是,上述第二方面至第四方面的有益效果参见第一方面的相关描述,在此不再赘述。
附图说明
为了更清楚地说明本申请实施例的技术方案,下面将对本申请实施例中所需要使用的附图作简单地介绍,应当理解,以下附图仅示出了本申请的某些实施例,因此不应被看作是对范围的限定,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相关的附图。
图1为本申请实施例提供的微地震观测设备的检查方法的流程示意图;
图2为本申请实施例提供的微地震观测设备的采集电路结构示意图;
图3为本申请实施例提供的微地震观测设备的检查装置的结构示意图;
图4为本申请实施例提供的电子设备的结构示意图。
具体实施方式
下面将结合本申请实施例中的附图,对本申请实施例中的技术方案进行描述。
应注意到:相似的标号和字母在下面的附图中表示类似项,因此,一旦某一项在一个附图中被定义,则在随后的附图中不需要对其进行进一步定义和解释。同时,在本申请的描述中,术语“第一”、“第二”等仅用于区分描述,而不能理解为指示或暗示相对重要性。
如相关技术记载,深海活动冷泉流体喷溢引起的浅地层微地震地质现象是冷泉深部物质“固-液-气”相态变化以及冷泉流体物体移动和冲击而引起的地层地质活动现象,该现象需要借助微地震观测设备实现观测。微地震观测设备能够精确地给出信号接收传感器的准确GNSS经纬度位置、对接收到的振动信号精准授予绝对时间,从而实现深海活动冷泉的微地震地质现象的可视化观测。但是,目前关于冷泉微地震观测的研究非常少,缺少相关方法保证微地震观测设备的设备精度和准确性。
针对上述现有技术中的问题,本申请提供了一种微地震观测设备的检查方法,通过对微地震观测设备接收到的预设模拟噪声信号的多个采样点进行信号采集,得到多个样点数据,从而实现微地震观测设备的噪声信号采集模拟;对每个样点数据进行数据运算,得到有效数据集,以去除预设模拟噪声信号的直流漂移量,降低信号干扰带来的误差,提高检查结果的准确度;基于预设的数据检查模型,对有效数据集进行数据检查,得到目标值,若目标值为预设值,则判定微地震观测设备检查完成,从而为微地震观测设备提供检查方法,保证设备精度和准确性。
参见图1,图1示出了本申请实施例提供的一种微地震观测设备的检查方法的实现流程图。本申请实施例中下述的微地震观测设备的检查方法可应用于电子设备,电子设备为具备数据处理功能的微地震观测设备。本申请实施例的微地震观测设备的检查方法,包括步骤S101至S104,详述如下:
步骤S101,对微地震观测设备接收到的预设模拟噪声信号的多个采样点进行信号采集,得到多个样点数据。
在本步骤中,微地震观测设备用于观测微地震地质现象。如图2示出的微地震观测设备的采集电路结构示意图,其设计主要分为三个部分,第一部分为三分量地震计,用于获取地层微弱震动信号;第二部分是数据A/D采集、记录存储部分,对地震计获取的震动模拟信号进行数字化采样,转换为可存储的数字编码格式数据,记录并存储在设计的内存中;第三部分为独立访问接口,通过设计特定的网络通讯协议,实现与外部上位控制机进行数据、命令交互及能源供给。
预设模拟噪声信号为人工模拟的地层微弱震动信号,用于测试等效噪声,其作为微地震观测设备的输入信号。示例性地,通过微地震观测设备的地震计获取预设模拟噪声信号,再利用数据A/D采集电路对地震计获取的预设模拟噪声信号的多个采样点进行数字化采样,得到多个样点数据。
步骤S102,对每个样点数据进行数据运算,得到有效数据集,有效数据集包括去除预设模拟噪声信号的直流漂移量后的多个有效数据。
在本步骤中,由于直流电在工作的过程中随着时间以及环境温度的变化,电源电压的静态工作点会偏离正常点,也就是直流漂移,所以为了提高微地震观测设备的检查准确度,去除预设模拟噪声信号中的直流漂移量。可选地,通过计算预设模拟噪声信号的直流漂移量和总有效值,再去除总有效值中的直流漂移量,得到有效数据。
可选地,有效数据集还包括动态范围数据,动态范围数据可以通过以下计算公式计算得到:DR=20lg(E/n);其中DR为动态范围数据,E为通道最大输出信号的总有效值,n为通道无驱动信号的噪音总有效值。
可选地,有效数据集还包括道间串音数据。通过对每一通道输入预设模拟噪声信号,并测量通道的信号采集情况,对信号采集情况进行对比,得到道间串音数据。
步骤S103,基于预设的数据检查模型,对有效数据集进行数据检查,得到目标值,其中数据检查模型通过多个微地震实测数据样本训练得到。
在本步骤中,对于有效数据集中的上述有效数据,当前是通过对多个采样点的有效数据进行取均值,在利用均值与设备标准(如国标GB)进行对比,但是由于某个采样点采样错误会导致有效数据的均值不准确,从而难以保证检查结果的准确度。所以本申请通过基于人工智能模型构建的数据检查模型进行数据检查,提高数据检查结果的准确度。
数据检查模型用于检查有效数据集中的数据是否符合设备标准,其可以是二分类模型等。可选地,基于二分类模型,对有效数据集进行分类检测,确定有效数据集对应的分类标签,分类标签为目标值。其中,二分类模型可以为支持向量机(SVM)、决策树(CAFT)或随机森林(RF)等二分类模型。
示例性地,对于上述有效数据,通过数据检查模型检查每个采样点的有效数据是否符合预设条件,若存在不符合预设条件的有效数据,则反馈到设备前端以告知工作人员重新调试设备;若均符合预设条件,则基于数据检查模型对有效数据集进行分类检测,得到分类标签,分类标签为目标值,如1或0。
需要说明的是,预设模拟噪声信号的精度高于微地震实测数据样本,所以设备检查过程会更加严格,同时在检查过程采用预设模拟噪声信号作为设备的输入信号能够保证输入信号的高精度和稳定性,从而保证检查结果的准确性。
步骤S104,若目标值为预设值,则判定微地震观测设备检查完成。
在本步骤中,预设值为表征微地震观测设备符合设备标准,如预设值为1,若目标值为1,则微地震观测设备符合设备标准,设备检查完成;若目标值为0,则微地震观测设备不符合设备标准,需要重新设备调试。
在一实施例中,在图1实施例的基础上,预设模拟噪声信号为低噪声电阻信号,上述步骤S101包括:
调节微地震观测设备的前置放大器的放大倍数;
通过微地震观测设备上的模拟数字转换器,按照预设采集频率对低噪声电阻信号的多个采样点进行信号采集,得到多个样点数据,样点数据包括在前置放大器的多个放大倍数时采集到的样点数据。
在本实施例中,微地震观测设备的数据A/D采集电路包含前置放大器和模拟数字转换器。低噪声电阻信号可以为500Ω。示例性地,测试时,配置模拟数字转换器的采样率为250SPS,采样点大于8192,分别采集前置放大器的增益为×1、×4、×8、×16、×64时的样点数据。可以理解,通过采集低噪声电阻信号在多个放大倍数时的样点数据,以能够观测微地震观测设备在多种增益下的等效噪声。
在一实施例中,在图1实施例的基础上,上述步骤S102包括:
根据每个样点数据,计算预设模拟噪声信号的每个采样点的直流飘移量和总有效值;
根据直流漂移量和总有效值,去除每个采样点对应的直流漂移量,得到有效数据集。
在本实施例中,示例性地,计算公式为:
其中,xi为第i个样点数据,dc为直流飘移量,RMS为总有效值,AC为去掉直流飘移量的信号有效数据,N为采集点数量。可以理解,每个样点数据对应一个信号有效数据,多个信号有效数据组成上述有效数据集。
在一实施例中,在图1实施例的基础上,上述步骤S103之前,还包括:
将在预设标准值范围内的微地震实测数据样本作为正样本,并采用第一数据标签对正样本进行标注;
将不再预设标准值范围内的微地震实测数据样本作为负样本,并采用第二数据标签对负样本进行标注;
将第一数据标签、正样本、第二数据标签和负样本作为二分类训练集,对预设分类模型进行训练,直至预设分类模型达到预设收敛条件,得到数据检查模型。
在本实施例中,预设标准值范围为基于设备标准(如国标GB)设定的标准值范围,其包括多种数据的标准值范围,如有效数据的标准值范围、动态范围数据的标准值范围、道间串音数据的标准值范围,示例性地等效噪声(有效数据)的国标为0.6。微地震实测数据为实际观测海底微地震地质现象得到的实测数据,当微地震实测数据样本在有效数据的预设标准值范围内时,说明微地震实测数据样本的有效数据符合设备标准,所以将该微地震实测数据样本作为正样本,反之作为负样本。
可选地,利用第一数据标签、正样本、第二数据标签和负样本作为二分类训练集,对二分类模型进行训练,直至模型达到预设收敛条件,得到数据检查模型。预设收敛条件为表示模型训练完成的条件,例如损失函数得到的损失值(期望误差)小于预设损失阈值,则表示收敛。可以通俗理解为,损失值越小表示该模型提取到的特征向量越准确,这样才能根据提取到的特征向量得到最接近微地震实测数据的数据。
在一实施例中,在图1实施例的基础上,上述步骤S104之前,还包括:
对微地震观测设备接收到的目标脉冲信号进行信号采集,得到脉冲信号数据;
确定脉冲信号数据的多个分量之间的相关性;
根据相关性确定微地震观测设备的系统时间是否符合预设一致性条件;
若微地震观测设备的系统时间符合预设一致性条件,则判断目标值是否为预设值。
在本实施例中,系统延时是采集微地震观测设备对输入信号进行响应时的延迟时间,它是描述设备时间一致性的重要参数。可选地,测试时,选取最高采样率,所有通道输入占空比与幅值固定的脉冲信号,对脉冲信号进行采集并记录脉冲信号的时间戳,采集处理后分析信号极值以及不同分量之间的相关性,即脉冲信号的时间戳与标准时间之间的差值,以推导出时间一致性。
为了执行上述方法实施例对应的方法,以实现相应的功能和技术效果,下面提供一种微地震观测设备的检查装置。参见图3,图3是本申请实施例提供的一种微地震观测设备的检查装置的结构框图。为了便于说明,仅示出了与本实施例相关的部分,本申请实施例提供的微地震观测设备的检查装置,包括:
采集模块301,用于对微地震观测设备接收到的预设模拟噪声信号的多个采样点进行信号采集,得到多个样点数据;
运算模块302,用于对每个样点数据进行数据运算,得到有效数据集,有效数据集包括去除预设模拟噪声信号的直流漂移量后的多个有效数据;
检查模块303,用于基于预设的数据检查模型,对有效数据集进行数据检查,得到目标值,其中数据检查模型通过微地震观测信号样本和微地震观测数据样本训练得到;
判定模块304,用于若目标值为预设值,则判定微地震观测设备检查完成。
在一实施例中,预设模拟噪声信号为低噪声电阻信号,采集模块301,包括:
调节单元,用于调节微地震观测设备的前置放大器的放大倍数;
采集单元,用于通过微地震观测设备上的模拟数字转换器,按照预设采集频率对低噪声电阻信号的多个采样点进行信号采集,得到多个样点数据,样点数据包括在前置放大器的多个放大倍数时采集到的样点数据。
在一实施例中,运算模块302,包括:
计算单元,用于根据每个样点数据,计算预设模拟噪声信号的每个采样点的直流飘移量和总有效值;
去除单元,用于根据直流漂移量和总有效值,去除每个采样点对应的直流漂移量,得到有效数据集。
在一实施例中,数据检查模型为二分类模型,检查模块303,包括:
检测单元,用于基于二分类模型,对有效数据集进行分类检测,确定有效数据集对应的分类标签,分类标签为目标值。
在一实施例中,上述装置,还包括:
标注模块,用于将在预设标准值范围内的微地震实测数据样本作为正样本,并采用第一数据标签对正样本进行标注;
标注模块,还用于将不再预设标准值范围内的微地震实测数据样本作为负样本,并采用第二数据标签对负样本进行标注;
训练模块,用于将第一数据标签、正样本、第二数据标签和负样本作为二分类训练集,对预设分类模型进行训练,直至预设分类模型达到预设收敛条件,得到数据检查模型。
在一实施例中,采集模块301,还用于:
对微地震观测设备接收到的目标脉冲信号进行信号采集,得到脉冲信号数据;
上述装置,还包括:
确定模块,用于确定脉冲信号数据的多个分量之间的相关性,根据相关性确定微地震观测设备的系统时间是否符合预设一致性条件;
判断模块,用于若微地震观测设备的系统时间符合预设一致性条件,则判断目标值是否为预设值。
上述的微地震观测设备的检查装置可实施上述方法实施例的微地震观测设备的检查方法。上述方法实施例中的可选项也适用于本实施例,这里不再详述。本申请实施例的其余内容可参照上述方法实施例的内容,在本实施例中,不再进行赘述。
图4为本申请一实施例提供的电子设备的结构示意图。如图4所示,该实施例的电子设备4包括:至少一个处理器40(图4中仅示出一个)处理器、存储器41以及存储在所述存储器41中并可在所述至少一个处理器40上运行的计算机程序42,所述处理器40执行所述计算机程序42时实现上述任意方法实施例中的步骤。
所述电子设备4可以是微地震观测设备等计算设备。该电子设备可包括但不仅限于处理器40、存储器41。本领域技术人员可以理解,图4仅仅是电子设备4的举例,并不构成对电子设备4的限定,可以包括比图示更多或更少的部件,或者组合某些部件,或者不同的部件,例如还可以包括输入输出设备、网络接入设备等。
所称处理器40可以是中央处理单元(Central Processing Unit,CPU),该处理器40还可以是其他通用处理器、数字信号处理器(Digital Signal Processor,DSP)、专用集成电路(Application Specific Integrated Circuit,ASIC)、现成可编程门阵列(Field-Programmable Gate Array,FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
所述存储器41在一些实施例中可以是所述电子设备4的内部存储单元,例如电子设备4的硬盘或内存。所述存储器41在另一些实施例中也可以是所述电子设备4的外部存储设备,例如所述电子设备4上配备的插接式硬盘,智能存储卡(Smart Media Card,SMC),安全数字(Secure Digital,SD)卡,闪存卡(Flash Card)等。进一步地,所述存储器41还可以既包括所述电子设备4的内部存储单元也包括外部存储设备。所述存储器41用于存储操作系统、应用程序、引导装载程序(BootLoader)、数据以及其他程序等,例如所述计算机程序的程序代码等。所述存储器41还可以用于暂时地存储已经输出或者将要输出的数据。
另外,本申请实施例还提供一种计算机可读存储介质,所述计算机可读存储介质存储有计算机程序,所述计算机程序被处理器执行时实现可实现上述任意方法实施例中的步骤。
本申请实施例提供了一种计算机程序产品,当计算机程序产品在电子设备上运行时,使得电子设备执行时实现可实现上述各个方法实施例中的步骤。
在本申请所提供的几个实施例中,应该理解到,所揭露的装置和方法,也可以通过其它的方式实现。以上所描述的装置实施例仅仅是示意性的,例如,附图中的流程图和框图显示了根据本申请的多个实施例的装置、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上,流程图或框图中的每个方框可以代表一个模块、程序段或代码的一部分,所述模块、程序段或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意,在有些作为替换的实现方式中,方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如,两个连续的方框实际上可以基本并行地执行,它们有时也可以按相反的顺序执行,这依所涉及的功能而定。也要注意的是,框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合,可以用执行规定的功能或动作的专用的基于硬件的系统来实现,或者可以用专用硬件与计算机指令的组合来实现。
另外,在本申请各个实施例中的各功能模块可以集成在一起形成一个独立的部分,也可以是各个模块单独存在,也可以两个或两个以上模块集成形成一个独立的部分。
所述功能如果以软件功能模块的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本申请的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行本申请各个实施例所述方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述仅为本申请的实施例而已,并不用于限制本申请的保护范围,对于本领域的技术人员来说,本申请可以有各种更改和变化。凡在本申请的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本申请的保护范围之内。应注意到:相似的标号和字母在下面的附图中表示类似项,因此,一旦某一项在一个附图中被定义,则在随后的附图中不需要对其进行进一步定义和解释。
以上所述,仅为本申请的具体实施方式,但本申请的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本申请揭露的技术范围内,可轻易想到变化或替换,都应涵盖在本申请的保护范围之内。因此,本申请的保护范围应所述以权利要求的保护范围为准。
需要说明的是,在本文中,诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来,而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
Claims (10)
1.一种微地震观测设备的检查方法,其特征在于,包括:
对微地震观测设备接收到的预设模拟噪声信号的多个采样点进行信号采集,得到多个样点数据;
对每个所述样点数据进行数据运算,得到有效数据集,所述有效数据集包括去除所述预设模拟噪声信号的直流漂移量后的多个有效数据;
基于预设的数据检查模型,对所述有效数据集进行数据检查,得到目标值,其中所述数据检查模型通过多个微地震实测数据样本训练得到;
若所述目标值为预设值,则判定所述微地震观测设备检查完成。
2.根据权利要求1所述的微地震观测设备的检查方法,其特征在于,所述预设模拟噪声信号为低噪声电阻信号,所述对微地震观测设备接收到的预设模拟噪声信号的多个采样点进行信号采集,得到多个样点数据,包括:
调节所述微地震观测设备的前置放大器的放大倍数;
通过所述微地震观测设备上的模拟数字转换器,按照预设采集频率对所述低噪声电阻信号的多个采样点进行信号采集,得到多个所述样点数据,所述样点数据包括在所述前置放大器的多个放大倍数时采集到的样点数据。
3.根据权利要求1所述的微地震观测设备的检查方法,其特征在于,所述对每个所述样点数据进行数据运算,得到有效数据集,包括:
根据每个所述样点数据,计算所述预设模拟噪声信号的每个采样点的直流飘移量和总有效值;
根据所述直流漂移量和所述总有效值,去除每个所述采样点对应的所述直流漂移量,得到所述有效数据集。
4.根据权利要求1所述的微地震观测设备的检查方法,其特征在于,所述数据检查模型为二分类模型,所述基于预设的数据检查模型,对所述有效数据集进行数据检查,得到目标值,包括:
基于所述二分类模型,对所述有效数据集进行分类检测,确定所述有效数据集对应的分类标签,所述分类标签为所述目标值。
5.根据权利要求1所述的微地震观测设备的检查方法,其特征在于,所述基于预设的数据检查模型,对所述有效数据集进行数据检查,得到目标值之前,还包括:
将在预设标准值范围内的所述微地震实测数据样本作为正样本,并采用第一数据标签对所述正样本进行标注;
将不再预设标准值范围内的所述微地震实测数据样本作为负样本,并采用第二数据标签对所述负样本进行标注;
将所述第一数据标签、所述正样本、所述第二数据标签和所述负样本作为二分类训练集,对预设分类模型进行训练,直至所述预设分类模型达到预设收敛条件,得到所述数据检查模型。
6.根据权利要求1所述的微地震观测设备的检查方法,其特征在于,所述若所述目标值为预设值,则所述微地震观测设备检查完成之前,还包括:
对所述微地震观测设备接收到的目标脉冲信号进行信号采集,得到脉冲信号数据;
确定所述脉冲信号数据的多个分量之间的相关性;
根据所述相关性确定所述微地震观测设备的系统时间是否符合预设一致性条件;
若所述微地震观测设备的系统时间符合所述预设一致性条件,则判断所述目标值是否为预设值。
7.一种微地震观测设备的检查装置,其特征在于,包括:
采集模块,用于对微地震观测设备接收到的预设模拟噪声信号的多个采样点进行信号采集,得到多个样点数据;
运算模块,用于对每个所述样点数据进行数据运算,得到有效数据集,所述有效数据集包括去除所述预设模拟噪声信号的直流漂移量后的多个有效数据;
检查模块,用于基于预设的数据检查模型,对所述有效数据集进行数据检查,得到目标值,其中所述数据检查模型通过微地震观测信号样本和微地震观测数据样本训练得到;
判定模块,用于若所述目标值为预设值,则判定所述微地震观测设备检查完成。
8.根据权利要求7所述的微地震观测设备的检查装置,其特征在于,所述运算模块,包括:
计算单元,用于根据每个所述样点数据,计算所述预设模拟噪声信号的每个采样点的直流飘移量和总有效值;
去除单元,用于根据所述直流漂移量和所述总有效值,去除每个所述采样点对应的所述直流漂移量,得到所述有效数据集。
9.一种电子设备,其特征在于,包括存储器及处理器,所述存储器用于存储计算机程序,所述处理器运行所述计算机程序以使所述电子设备执行根据权利要求1至6中任一项所述的微地震观测设备的检查方法。
10.一种计算机可读存储介质,其特征在于,其存储有计算机程序,所述计算机程序被处理器执行时实现如权利要求1至6中任一项所述的微地震观测设备的检查方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110891228.4A CN113609971A (zh) | 2021-08-04 | 2021-08-04 | 微地震观测设备的检查方法、装置、设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110891228.4A CN113609971A (zh) | 2021-08-04 | 2021-08-04 | 微地震观测设备的检查方法、装置、设备及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113609971A true CN113609971A (zh) | 2021-11-05 |
Family
ID=78306813
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110891228.4A Pending CN113609971A (zh) | 2021-08-04 | 2021-08-04 | 微地震观测设备的检查方法、装置、设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113609971A (zh) |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103616719A (zh) * | 2013-12-05 | 2014-03-05 | 中国矿业大学(北京) | 具有噪声识别和自适应放大功能的微地震采集装置和方法 |
EP3364176A1 (en) * | 2017-02-17 | 2018-08-22 | Tsinghua University | Multi-view backscatter inspection system and multi-view backscatter inspection method |
WO2019041519A1 (zh) * | 2017-08-29 | 2019-03-07 | 平安科技(深圳)有限公司 | 目标跟踪装置、方法及计算机可读存储介质 |
CN109671062A (zh) * | 2018-12-11 | 2019-04-23 | 成都智能迭迦科技合伙企业(有限合伙) | 超声图像检测方法、装置、电子设备及可读存储介质 |
CN110619264A (zh) * | 2019-07-30 | 2019-12-27 | 长江大学 | 基于UNet++的微地震有效信号识别方法及装置 |
CN111064540A (zh) * | 2019-12-31 | 2020-04-24 | 河南理工大学 | 一种矿井微地震监测时钟同步装置及方法 |
-
2021
- 2021-08-04 CN CN202110891228.4A patent/CN113609971A/zh active Pending
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103616719A (zh) * | 2013-12-05 | 2014-03-05 | 中国矿业大学(北京) | 具有噪声识别和自适应放大功能的微地震采集装置和方法 |
EP3364176A1 (en) * | 2017-02-17 | 2018-08-22 | Tsinghua University | Multi-view backscatter inspection system and multi-view backscatter inspection method |
WO2019041519A1 (zh) * | 2017-08-29 | 2019-03-07 | 平安科技(深圳)有限公司 | 目标跟踪装置、方法及计算机可读存储介质 |
CN109671062A (zh) * | 2018-12-11 | 2019-04-23 | 成都智能迭迦科技合伙企业(有限合伙) | 超声图像检测方法、装置、电子设备及可读存储介质 |
CN110619264A (zh) * | 2019-07-30 | 2019-12-27 | 长江大学 | 基于UNet++的微地震有效信号识别方法及装置 |
CN111064540A (zh) * | 2019-12-31 | 2020-04-24 | 河南理工大学 | 一种矿井微地震监测时钟同步装置及方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Sokos et al. | Evaluating centroid‐moment‐tensor uncertainty in the new version of ISOLA software | |
CN106443203B (zh) | 一种脉冲信号检测系统及方法 | |
CN101819252A (zh) | 一种模拟电路故障诊断方法 | |
CN101632011A (zh) | 用于光谱分析的高级模式识别系统 | |
CN106291607B (zh) | Gnss多径信号模拟生成方法及系统 | |
CN113837501B (zh) | 基于图神经网络的页岩总有机碳预测方法、系统和设备 | |
CN107918156A (zh) | 检测海底节点采集地震数据极性的方法及装置 | |
CN110580217B (zh) | 软件代码健康度的检测方法、处理方法、装置及电子设备 | |
Henderson et al. | A probabilistic method of paleobiogeographic analysis | |
CN106935038B (zh) | 一种停车检测系统及检测方法 | |
CN112487604A (zh) | 海洋重力仪输出数据长时间非线性漂移补偿方法 | |
CN103064010A (zh) | 基于希尔伯特-黄变换的模拟电路故障元件参数估计方法 | |
Martinez-Camara et al. | A robust method for inverse transport modeling of atmospheric emissions using blind outlier detection | |
CN113740295B (zh) | 基于近红外建模的成品油添加剂检测分析方法及装置 | |
CN105652254B (zh) | 室外场rcs测量方法及系统 | |
CN104502875B (zh) | 基于时频参数标准信号源方式的信号检测设备校准方法 | |
CN113449254A (zh) | 任意网型变形监测稳定性分析方法及监控点位置确定方法 | |
CN113609971A (zh) | 微地震观测设备的检查方法、装置、设备及存储介质 | |
CN108507607A (zh) | 一种基于核函数的微弱信号检测方法 | |
CN104832161A (zh) | 基于双尺度相关对比的自动深度校正方法及系统 | |
CN115310472A (zh) | 基于核脉冲峰值序列的一维卷积神经网络核素识别方法 | |
CN111898314A (zh) | 湖泊水体参数检验方法、装置、电子设备及存储介质 | |
Kelley et al. | Computational efficiency for the surface renewal method | |
CN111368782A (zh) | 煤火区域识别模型的训练方法、煤火区域识别方法及装置 | |
CN117077016B (zh) | 基于航空磁放数据的支持向量机超基性岩识别方法 |
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 |