CN113985475A - 一种基于物联网端边云协同的微地震监测数据传输方法 - Google Patents
一种基于物联网端边云协同的微地震监测数据传输方法 Download PDFInfo
- Publication number
- CN113985475A CN113985475A CN202111263319.XA CN202111263319A CN113985475A CN 113985475 A CN113985475 A CN 113985475A CN 202111263319 A CN202111263319 A CN 202111263319A CN 113985475 A CN113985475 A CN 113985475A
- Authority
- CN
- China
- Prior art keywords
- edge
- acquisition
- micro
- data transmission
- cloud server
- 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
- 230000005540 biological transmission Effects 0.000 title claims abstract description 37
- 238000000034 method Methods 0.000 title claims abstract description 28
- 238000012544 monitoring process Methods 0.000 title claims abstract description 27
- 238000000605 extraction Methods 0.000 claims abstract description 36
- 238000013528 artificial neural network Methods 0.000 claims description 13
- 238000012545 processing Methods 0.000 claims description 6
- 238000012549 training Methods 0.000 claims description 6
- 238000011161 development Methods 0.000 claims description 5
- 238000004891 communication Methods 0.000 claims description 4
- 238000013526 transfer learning Methods 0.000 claims description 4
- 238000001914 filtration Methods 0.000 claims description 3
- 238000005265 energy consumption Methods 0.000 abstract description 3
- 238000005516 engineering process Methods 0.000 description 6
- 238000010586 diagram Methods 0.000 description 5
- 238000004519 manufacturing process Methods 0.000 description 2
- 238000003672 processing method Methods 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 238000009776 industrial production Methods 0.000 description 1
- 238000013508 migration Methods 0.000 description 1
- 230000005012 migration Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 238000011084 recovery Methods 0.000 description 1
- 238000011160 research 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
- G01V1/282—Application of seismic models, synthetic seismograms
-
- 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
- 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
-
- 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
- Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Physics & Mathematics (AREA)
- Remote Sensing (AREA)
- Theoretical Computer Science (AREA)
- Environmental & Geological Engineering (AREA)
- Biomedical Technology (AREA)
- Evolutionary Computation (AREA)
- Geophysics (AREA)
- Acoustics & Sound (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Geology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- General Life Sciences & Earth Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Emergency Management (AREA)
- Business, Economics & Management (AREA)
- Arrangements For Transmission Of Measured Signals (AREA)
- Geophysics And Detection Of Objects (AREA)
Abstract
本发明公开了一种基于物联网端边云协同的微地震监测数据传输方法,包括:通过采集设备,获取微地震信号;通过设于采集设备内的本地浅层特征提取模块,从微地震信号中提取包括微地震事件的数据;通过设于边缘计算设备内的本地深层特征提取模块,从包括微地震事件的数据中识别有效微地震事件;将有效微地震事件传输至云端服务器。其中,采集设备、边缘计算设备通过无线传感器网络与云端服务器连接。本发明可有效减少采集端到边缘端,以及边缘端到云端的数据传输;降低了采集端设备和边缘设备在进行数据传输过程中的能量消耗;同时也将传统需要云端服务器完成的任务,下放到了边缘端完成,减轻了云端服务器的算力消耗。
Description
技术领域
本发明涉及物联网数据传输技术领域,特别涉及一种基于物联网端边云协同的微地震监测数据高效传输方法。
背景技术
当前,微地震监测技术被广泛应用在油田增产和页岩气等新能源的开采的监测中。利用布置在周围观测井中或压裂现场地面上的地震信号采集仪器可记录到因水力压裂而产生的微地震事件。通过对微地震事件的反演和推导可推测裂缝在地下的走向、密度、维度等信息,实现对生产过程的监测。地面微地震监测近年来以应用无线地震仪为主,工作方式为将无线地震仪作为独立的采集节点进行微地震信号的采集,获取的数据通过无线传感网络传输至现场控制中心的服务器上,由服务器进行反演定位和裂缝发育趋势的预测。
该方法需要设备端的数据全部上传至服务器端,传输成本高、时延长,且严重依赖服务器端的计算能力,对服务器的配置有较高的要求。同时,随着应用的日益广泛,现场布设的采集节点阵列的规模和范围不断增大,对现场无线传感网络的带宽需求也在增多,现场数据回收的难度随之加大。
目前,随着物联网技术的不断发展,边缘计算、雾计算、边云协同等技术逐渐应用到各类科学研究和工业生产中。边缘计算侧重于局部,能够更好地在小规模、实时的智能分析中发挥作用。然而,边缘计算设备的性能受功耗、内存、芯片计算能力等资源制约,当前的数据处理方法并不适合直接在边缘计算设备上运行。为此,本发明提出一种基于物联网技术的端-边-云协同的微地震监测数据高效传输方法。
发明内容
基于上述背景技术中提出的技术问题,本发明提供一种基于物联网端边云协同的微地震监测数据传输方法。
本发明实施例提供一种基于物联网端边云协同的微地震监测数据传输方法,包括:
通过采集设备,获取微地震信号;
通过设于所述采集设备内的本地浅层特征提取模块,对微地震信号进行降噪处理;
通过设于边缘计算设备内的本地深层特征提取模块,从降噪后的微地震信号中识别有效微地震事件;
将有效微地震事件传输至云端服务器。
其中,所述采集设备、所述边缘计算设备通过无线传感器网络与所述云端服务器连接。
进一步地,多个所述采集设备通过第一无线传输设备与一个边缘计算设备无线通信连接,且多个所述边缘计算设备通过第二无线传输设备与一个云端服务器无线通信连接。
进一步地,所述采集设备包括:无线地震仪。
在其中一个实施例中,本发明提供的基于物联网端边云协同的微地震监测数据传输方法,还包括:
通过设于所述云端服务器内训练后的基于深度神经网络的微地震事件识别模型,对所述采集设备内的本地浅层特征提取模块进行参数配置,并对所述边缘计算设备内的本地深层特征提取模块进行参数配置;
其中,所述基于深度神经网络的微地震事件识别模型包括:浅层特征提取模块和深层特征提取模块。
在其中一个实施例中,本发明提供的基于物联网端边云协同的微地震监测数据传输方法,还包括:
所述云端服务器通过预采集有效微地震事件,利用迁移学习对基于深度神经网络的微地震事件识别模型进行训练。
进一步地,所述预采集有效微地震事件的获取,包括:
通过采集设备,获取预采集微地震信号;
通过边缘计算设备,将所述预采集微地震信号传输至所述云端服务器;
通过所述云端服务器内传统的微地震事件识别模型,依次对预采集微地震信号进行噪声过滤处理和识别预采集有效微地震事件。
在其中一个实施例中,本发明提供的基于物联网端边云协同的微地震监测数据传输方法,还包括:
通过所述云端服务器,对有效微地震事件进行反演定位和裂缝发育趋势的预测。
本发明实施例提供的上述基于物联网端边云协同的微地震监测数据传输方法,与现有技术相比,其有益效果如下:
本发明提出的微地震监测数据高效传输方法,通过应用基于物联网技术的端-边-云协同的处理方式,可有效减少冗余数据的传输,提高数据传输效率,降低数据传输给采集端和边缘端的能量消耗。即通过应用神经网络模型对微地震事件进行识别,在采集端进行数据采集和浅层特征的提取,在边缘侧进行深度特征的提取也即有效微地震事件的识别,可有效减少采集端到边缘端,以及边缘端到云端的数据传输,降低了采集端设备和边缘设备在进行数据传输过程中的能量消耗;同时也将传统需要云端服务器完成的任务,下放到了边缘端完成,减轻了云端服务器的算力消耗。
附图说明
图1为一个实施例中提供的基于物联网技术的端-边-云协同的微地震监测系统的构成框图;
图2为一个实施例中提供的基于深度神经网络的微地震事件识别模型的结构框图;
图3为一个实施例中提供的端-边-云协同采集的结构框图;
图4为一个实施例中提供的传输方法的三个阶段的流程框图。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本申请进行进一步详细说明。应当理解,此处描述的具体实施例仅仅用以解释本申请,并不用于限定本申请。
实施例1:
一个实施例中提供的一种基于物联网端边云协同的微地震监测数据传输方法,参见图1,该方法对应的系统包括:
采集端设备、边缘计算设备、云端服务器,以及在采集端到边缘端、边缘端到云端的无线数据传输设备。其中,采集端设备负责微地震信号采集和运行浅层特征提取模块;边缘计算设备负责运行深层特征提取模块,也即有效微地震事件的识别;云端服务器在预采集阶段运行传统的微地震事件识别模型,在训练阶段采用迁移学习的方式训练基于神经网络的微地震事件识别模型,在采集阶段,完成其他后续的数据处理。
本发明实施例中,基于深度神经网络的微地震事件识别模型的结构,如图2所示,包括:浅层特征提取模块和深层特征提取模块。
具体地,基于深度神经网络的微地震事件识别模型,在部署云端前,已经通过自有的微地震有效事件数据集进行了预训练,预训练后的模型已经可以初步地对微地震事件进行有效的识别。在实际应用时,在预采集阶段,微地震监测系统会先采集一定数量的有效微地震事件,并应用这些微地震事件对模型进行迁移学习。其目的是让模型能够更好地适应当前的使用环境。训练好模型后,云端会分别将浅层特征提取模块的参数发送给采集端,将深层特征提取模块的参数发送给边缘端。
本发明实施例中,在微地震数据采集阶段,端-边-云协同采集的结构框图,如图3所示。包括:在采集端进行的微地震监测数据采集和运行浅层特征提取模块;在边缘端运行深层特征提取模块;在云端运行后续的数据处理方法。
在采集端运行的浅层特征提取模块,用于过滤掉大部分的、无效的、没有微地震事件的采集数据,即对采集数据进行初步处理,减少数据中的噪声。通过浅层特征提取模块的应用,可有效的减少采集端和边缘端之间需要传输的数据量。
在边缘端运行的深层特征提取模块,用于对浅层特征提取后的数据继续进行特征提取,识别出有效的微地震事件。通过深层特征提取模块的应用,可将原本需要在云端完成的微地震事件识别任务,在边缘端完成。一方面是有效的减少了边缘端和云端之间需要传输的数据量;另一方面是减轻了云端服务器的算力消耗。
云端在接收到有效的微地震事件后,开始进行震源反演定位和裂缝发育趋势等预测。
还有,在实际使用中,本发明的传输方法,分为预采集、训练和采集三个阶段;即通过本发明实施例中的方法进行高效数据传输,在使用时分为预采集、训练和采集三个阶段,具体流程如图4所示。
在预采集阶段,采集端采集的数据直接传输至边缘端,边缘端再将数据传送给云端服务器。云端服务器运行传统的微地震事件识别模型,对有效微地震事件进行提取。当提取足够数量的有效微地震事件后,预采集阶段结束。
在训练阶段,云端服务器利用在预采集阶段采集的有效微地震事件,对基于神经网络的微地震事件识别模型进行迁移学习。迁移学习后的模型,将浅层特征提取模块的参数传送给采集端设备,将深层特征提取模块的参数传送给边缘端设备。采集端设备和边缘端设备,根据接收到的参数,对本地的模块进行配置。
在采集阶段,采集端采集的数据,先通过本地的浅层特征提取模块进行初步的特征提取,提取后的数据发送到边缘端。边缘端对接收到的数据,应用本地的深层特征提取模块,进行有效微地震事件的识别;识别到的有效微地震事件,再发送到云端进行后续的数据处理。
需要说明的是,云端服务器中有两套微地震事件识别模型,一套是基于传统方法的微地震事件识别模型,一套是基于深度神经网络的微地震事件识别模型。其中基于深度神经网络的微地震事件识别模型,由浅层特征提取模块和深层特征提取模块组成,已经通过自有的微地震事件数据集进行预训练。
以上实施例的各技术特征可以进行任意的组合,为使描述简洁,未对上述实施例中的各个技术特征所有可能的组合都进行描述,然而,只要这些技术特征的组合不存在矛盾,都应当认为是本说明书记载的范围。还有,以上所述实施例仅表达了本申请的几种实施方式,其描述较为具体和详细,但并不能因此而理解为对发明专利范围的限制。应当指出的是,对于本领域的普通技术人员来说,在不脱离本申请构思的前提下,还可以做出若干变形和改进,这些都属于本申请的保护范围。因此,本申请专利的保护范围应以所附权利要求为准。
Claims (7)
1.一种基于物联网端边云协同的微地震监测数据传输方法,其特征在于,包括:
通过采集设备,获取微地震信号;
通过设于所述采集设备内的本地浅层特征提取模块,对微地震信号进行降噪处理;
通过设于边缘计算设备内的本地深层特征提取模块,从降噪后的微地震信号中识别有效微地震事件;
将有效微地震事件传输至云端服务器。
其中,所述采集设备、所述边缘计算设备通过无线传感器网络与所述云端服务器连接。
2.如权利要求1所述的基于物联网端边云协同的微地震监测数据传输方法,其特征在于,多个所述采集设备通过第一无线传输设备与一个边缘计算设备无线通信连接,且多个所述边缘计算设备通过第二无线传输设备与一个云端服务器无线通信连接。
3.如权利要求1所述的基于物联网端边云协同的微地震监测数据传输方法,其特征在于,所述采集设备包括:无线地震仪。
4.如权利要求1所述的基于物联网端边云协同的微地震监测数据传输方法,其特征在于,还包括:
通过设于所述云端服务器内训练后的基于深度神经网络的微地震事件识别模型,对所述采集设备内的本地浅层特征提取模块进行参数配置,并对所述边缘计算设备内的本地深层特征提取模块进行参数配置;
其中,所述基于深度神经网络的微地震事件识别模型包括:浅层特征提取模块和深层特征提取模块。
5.如权利要求4所述的基于物联网端边云协同的微地震监测数据传输方法,其特征在于,还包括:
所述云端服务器通过预采集有效微地震事件,利用迁移学习对基于深度神经网络的微地震事件识别模型进行训练。
6.如权利要求5所述的基于物联网端边云协同的微地震监测数据传输方法,其特征在于,所述预采集有效微地震事件的获取,包括:
通过采集设备,获取预采集微地震信号;
通过边缘计算设备,将所述预采集微地震信号传输至所述云端服务器;
通过所述云端服务器内传统的微地震事件识别模型,依次对预采集微地震信号进行噪声过滤处理和识别预采集有效微地震事件。
7.如权利要求1所述的基于物联网端边云协同的微地震监测数据传输方法,其特征在于,还包括:
通过所述云端服务器,对有效微地震事件进行反演定位和裂缝发育趋势的预测。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111263319.XA CN113985475B (zh) | 2021-10-28 | 2021-10-28 | 一种基于物联网端边云协同的微地震监测数据传输方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111263319.XA CN113985475B (zh) | 2021-10-28 | 2021-10-28 | 一种基于物联网端边云协同的微地震监测数据传输方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113985475A true CN113985475A (zh) | 2022-01-28 |
CN113985475B CN113985475B (zh) | 2023-09-05 |
Family
ID=79743446
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111263319.XA Active CN113985475B (zh) | 2021-10-28 | 2021-10-28 | 一种基于物联网端边云协同的微地震监测数据传输方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113985475B (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115201904A (zh) * | 2022-07-18 | 2022-10-18 | 北京石油化工学院 | 基于边缘智能的微地震数据压缩和事件检测方法 |
CN115220094A (zh) * | 2022-07-18 | 2022-10-21 | 北京石油化工学院 | 基于BiLSTM和注意力机制的微地震事件检测方法 |
CN116224432A (zh) * | 2022-12-09 | 2023-06-06 | 视拓科技(西安)有限公司 | 微地震监测信号的数据处理方法和系统 |
Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
CN112099510A (zh) * | 2020-09-25 | 2020-12-18 | 东南大学 | 一种基于端边云协同的智能体控制方法 |
CN112101767A (zh) * | 2020-09-09 | 2020-12-18 | 中国石油大学(北京) | 一种设备运行状态边云融合诊断方法及系统 |
CN112235385A (zh) * | 2020-10-09 | 2021-01-15 | 嘉兴学院 | 一种海上边缘计算低开销云边智能协同盟员发现方法 |
CN112444858A (zh) * | 2020-12-09 | 2021-03-05 | 中国科学院地质与地球物理研究所 | 基于边云协同的地震实时监测ai计算方法、装置及介质 |
CN112581590A (zh) * | 2020-12-28 | 2021-03-30 | 广东工业大学 | 一种5g安防救援网联的无人机云边端协同控制方法 |
CN113032150A (zh) * | 2021-03-30 | 2021-06-25 | 北京石油化工学院 | 卷积神经网络模型的剪裁方法及智能工控系统 |
CN113327619A (zh) * | 2021-02-26 | 2021-08-31 | 山东大学 | 一种基于云—边缘协同架构的会议记录方法及系统 |
CN113361372A (zh) * | 2021-06-02 | 2021-09-07 | 长江大学 | 基于多通道数据深度挖掘的主减速器多故障智能诊断方法 |
CN113465920A (zh) * | 2021-06-08 | 2021-10-01 | 西安交通大学 | 云、雾、边缘端协同的轴承状态监测与管理方法及系统 |
CN113534240A (zh) * | 2021-07-07 | 2021-10-22 | 中国石油大学(华东) | 微地震事件检测与定位方法及系统 |
-
2021
- 2021-10-28 CN CN202111263319.XA patent/CN113985475B/zh active Active
Patent Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
CN112101767A (zh) * | 2020-09-09 | 2020-12-18 | 中国石油大学(北京) | 一种设备运行状态边云融合诊断方法及系统 |
CN112099510A (zh) * | 2020-09-25 | 2020-12-18 | 东南大学 | 一种基于端边云协同的智能体控制方法 |
CN112235385A (zh) * | 2020-10-09 | 2021-01-15 | 嘉兴学院 | 一种海上边缘计算低开销云边智能协同盟员发现方法 |
CN112444858A (zh) * | 2020-12-09 | 2021-03-05 | 中国科学院地质与地球物理研究所 | 基于边云协同的地震实时监测ai计算方法、装置及介质 |
CN112581590A (zh) * | 2020-12-28 | 2021-03-30 | 广东工业大学 | 一种5g安防救援网联的无人机云边端协同控制方法 |
CN113327619A (zh) * | 2021-02-26 | 2021-08-31 | 山东大学 | 一种基于云—边缘协同架构的会议记录方法及系统 |
CN113032150A (zh) * | 2021-03-30 | 2021-06-25 | 北京石油化工学院 | 卷积神经网络模型的剪裁方法及智能工控系统 |
CN113361372A (zh) * | 2021-06-02 | 2021-09-07 | 长江大学 | 基于多通道数据深度挖掘的主减速器多故障智能诊断方法 |
CN113465920A (zh) * | 2021-06-08 | 2021-10-01 | 西安交通大学 | 云、雾、边缘端协同的轴承状态监测与管理方法及系统 |
CN113534240A (zh) * | 2021-07-07 | 2021-10-22 | 中国石油大学(华东) | 微地震事件检测与定位方法及系统 |
Non-Patent Citations (1)
Title |
---|
程健;杨凌凯;崔宁;郭一楠;: "基于流形嵌入过采样的非平衡数据分类方法", 中国矿业大学学报, no. 06 * |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115201904A (zh) * | 2022-07-18 | 2022-10-18 | 北京石油化工学院 | 基于边缘智能的微地震数据压缩和事件检测方法 |
CN115220094A (zh) * | 2022-07-18 | 2022-10-21 | 北京石油化工学院 | 基于BiLSTM和注意力机制的微地震事件检测方法 |
CN115201904B (zh) * | 2022-07-18 | 2023-03-03 | 北京石油化工学院 | 基于边缘智能的微地震数据压缩和事件检测方法 |
CN116224432A (zh) * | 2022-12-09 | 2023-06-06 | 视拓科技(西安)有限公司 | 微地震监测信号的数据处理方法和系统 |
CN116224432B (zh) * | 2022-12-09 | 2024-03-08 | 视拓科技(西安)有限公司 | 微地震监测信号的数据处理方法和系统 |
Also Published As
Publication number | Publication date |
---|---|
CN113985475B (zh) | 2023-09-05 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113985475B (zh) | 一种基于物联网端边云协同的微地震监测数据传输方法 | |
CN104266894B (zh) | 一种基于相关性分析的矿山微震信号初至波时刻提取方法 | |
CN112101085B (zh) | 一种基于重要性加权域对抗自适应的智能故障诊断方法 | |
CN114879252B (zh) | 基于深度学习的das同井监测实时微地震有效事件识别方法 | |
CN109473119B (zh) | 一种声学目标事件监控方法 | |
CN103742131B (zh) | 随钻声波井下信号采集与处理系统的时差实时提取方法 | |
CN110348288A (zh) | 一种基于77GHz毫米波雷达信号的手势识别方法 | |
CN103487832A (zh) | 一种三维地震信号中的有监督波形分类方法 | |
CN102389302B (zh) | 一种心电信号动力特征分析方法 | |
CN112867010B (zh) | 基于卷积神经网络的射频指纹嵌入式实时识别方法及系统 | |
CN111507155A (zh) | 联合U-Net++和UDA的微地震有效信号初至拾取方法及装置 | |
CN114239749B (zh) | 基于残差收缩及双向长短期记忆网络的调制识别方法 | |
CN108229262A (zh) | 一种色情视频检测方法及装置 | |
CN112799128A (zh) | 一种地震信号检测和震相提取的方法 | |
CN106333688A (zh) | 一种踝关节动作的实时辨识方法 | |
CN111142668B (zh) | 一种基于Wi-Fi指纹的定位和活动手势联合识别的交互方法 | |
CN114423034A (zh) | 一种室内人员动作识别方法、系统、介质、设备及终端 | |
CN115436993A (zh) | 一种基于PPNet网络的地震信号P波检测方法 | |
CN105823634A (zh) | 基于时频关联向量卷积玻尔兹曼机的轴承损伤识别方法 | |
CN115220094B (zh) | 基于BiLSTM和注意力机制的微地震事件检测方法 | |
CN105530012A (zh) | 基于压缩感知的小波域稀疏一维油井数据压缩与重构方法 | |
CN116068651A (zh) | 一种基于时间注意力机制的地震数据分类方法 | |
CN109389994A (zh) | 用于智能交通系统的声源识别方法及装置 | |
CN115201904B (zh) | 基于边缘智能的微地震数据压缩和事件检测方法 | |
Zhao et al. | Study of UGS target recognition method based on recurrent neural network and peak value region extraction |
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 |