CN114842280A - 一种基于卷积神经网络的自动识别微地震信号算法 - Google Patents
一种基于卷积神经网络的自动识别微地震信号算法 Download PDFInfo
- Publication number
- CN114842280A CN114842280A CN202110049247.2A CN202110049247A CN114842280A CN 114842280 A CN114842280 A CN 114842280A CN 202110049247 A CN202110049247 A CN 202110049247A CN 114842280 A CN114842280 A CN 114842280A
- Authority
- CN
- China
- Prior art keywords
- data
- neural network
- signal
- layer
- convolutional neural
- 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 32
- 238000012549 training Methods 0.000 claims abstract description 30
- 238000002790 cross-validation Methods 0.000 claims abstract description 17
- 238000007781 pre-processing Methods 0.000 claims abstract description 8
- 238000001914 filtration Methods 0.000 claims abstract description 5
- 230000002708 enhancing effect Effects 0.000 claims abstract description 4
- 238000005422 blasting Methods 0.000 claims description 21
- 238000012360 testing method Methods 0.000 claims description 15
- 238000012545 processing Methods 0.000 claims description 9
- 238000010586 diagram Methods 0.000 claims description 8
- 230000006870 function Effects 0.000 claims description 8
- 238000011176 pooling Methods 0.000 claims description 8
- 230000005641 tunneling Effects 0.000 claims description 8
- 238000000354 decomposition reaction Methods 0.000 claims description 5
- 230000011218 segmentation Effects 0.000 claims description 4
- 238000012795 verification Methods 0.000 claims description 4
- 230000004913 activation Effects 0.000 claims description 3
- 238000004364 calculation method Methods 0.000 claims description 3
- 238000004140 cleaning Methods 0.000 claims description 3
- 238000011156 evaluation Methods 0.000 claims description 3
- 238000000605 extraction Methods 0.000 claims description 2
- 230000009467 reduction Effects 0.000 claims description 2
- 238000012216 screening Methods 0.000 claims description 2
- 238000000034 method Methods 0.000 abstract description 26
- 238000013528 artificial neural network Methods 0.000 abstract description 5
- 238000013461 design Methods 0.000 abstract description 2
- 238000012706 support-vector machine Methods 0.000 description 7
- 230000000694 effects Effects 0.000 description 6
- 238000012544 monitoring process Methods 0.000 description 6
- 238000005070 sampling Methods 0.000 description 5
- 238000004458 analytical method Methods 0.000 description 4
- 238000001514 detection method Methods 0.000 description 4
- 238000009826 distribution Methods 0.000 description 4
- 239000011159 matrix material Substances 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 239000011435 rock Substances 0.000 description 3
- 238000010200 validation analysis Methods 0.000 description 3
- 238000009412 basement excavation Methods 0.000 description 2
- 238000013135 deep learning Methods 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- 238000002474 experimental method Methods 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- 239000000523 sample Substances 0.000 description 2
- 238000001228 spectrum Methods 0.000 description 2
- 230000009466 transformation Effects 0.000 description 2
- 208000025174 PANDAS Diseases 0.000 description 1
- 208000021155 Paediatric autoimmune neuropsychiatric disorders associated with streptococcal infection Diseases 0.000 description 1
- 240000000220 Panda oleosa Species 0.000 description 1
- 235000016496 Panda oleosa Nutrition 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 239000002131 composite material Substances 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 230000001934 delay Effects 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000002068 genetic effect Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 239000013074 reference sample Substances 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000003595 spectral effect Effects 0.000 description 1
- 238000001308 synthesis method Methods 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
- 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
- G06N3/045—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
- G06N3/084—Backpropagation, e.g. using gradient descent
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Software Systems (AREA)
- Mathematical Physics (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Computing Systems (AREA)
- Molecular Biology (AREA)
- General Health & Medical Sciences (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种基于卷积神经网络的自动识别微地震信号的算法，该算法包括如下步骤：（S1）对微地震信号数据集进行收集和预处理；（S2）采用滤波去噪和数据截取对数据集进行增强；（S3）搭建一个深度为10层的卷积神经网络模型；（S4）结合交叉验证完成对模型的训练。本发明提供的微震信号识别方法，在训练数据集规模有限的情况下，通过数据增强以及交叉验证的方法，完成了一个卷积神经网络模型来实现微震信号的识别，该模型无需人工设计神经网络的输入，减少了人工调参的工作，避免了因特征值选取不当对信号识别准确率的影响，能够有效地提升微震信号识别的效率和准确率，较好的满足了微震事件识别的实时性要求。
Description
技术领域
本发明属于微地震监测技术领域，具体地讲，是涉及一种基于卷积神经网络的自动识别微地震信号的算法。
背景技术
微震监测技术作为一种实时、三维的监测手段，可以利用微地震传感器捕捉岩石裂缝释放的信号。通过对采集到的微震信号进行分析，可以获得重要的震源参数，如发生时间、震源位置、对应微震事件的强度和震源机制等，可以对即将发生的危险进行预警，如岩爆等。由于工程处于复杂的地质环境中，经常受到地震和爆破等多种因素的干扰，接收到的微震信号经常受到其它信号的干扰，尤其是爆破信号和噪声信号；若将爆破信号错误识别为微震信号，对爆破信号进行了位置和应力分析，将会对潜在危险区域得出错误的结论，导致震源反演出错。因此如何准确以及高效地完成微震信号、爆破信号和噪声信号的分类问题就显得尤为重要。
微震事件的准确分类在微震数据处理中具有重要意义，多年来一直受到人们的广泛关注。目前，较为细致的信号分类仍主要由人工完成。这样的人工判别过程耗时且严重依赖于分析员的经验，并且可能会有分类延迟和漏检的问题。因此，研究人员开发了不同的自动分类方法。微震波形的自动识别方法主要基于以下3个方面：频谱特征、能量分布特征和参数化特征。基于频谱特征的识别方法主要有快速傅里叶变换、小波变换等。此类分析方法需要操作人员具备足够的地震和信号处理专业知识，对操作人员要求较高；且微震信号和爆破信号的频率有时具有相同的频率范围，采用基于频谱特征的识别方法不易进行区分。基于能量分布特征的识别方法主要有长短时窗平均比法(STA/LTA)及其后续的改进方法；这类方法原理简单且较易实现，辨识效率高，不用先验数据集，其效果仅仅受到数据本身和算法参数的影响，但该方法需要确定多个参数，且受噪声影响较大，对低信噪比信号的辨识效果较差。基于参数化特征的识别方法主要有经验模态分解法(EMD)、支持向量机(SVM)以及人工神经网络等等；基于参数化特征的识别方法因算法原理的不同而导致其复杂程度差异较大，并且为了提高识别精度，弥补各自方法的缺点往往采用多种方法结合的综合分析法，致使算法复杂度增加，操作性较差，在自动化处理方面难度较大。深度学习作为机器学习的一个分支，在地震信号领域得到了广泛的应用，在微震信号识别方面，这类方法研究开展较少，多数经验都借鉴于地震信号的处理，Qu等人在训练数据集规模有限的情况下，采用合成数据的方法来增加数据量，并使用支持向量机（SVM）来完成波形分类，实验证明SVM的性能优于传统算法STA/LTA，但由于数据的有限性，无法确定SVM在大型数据集上的表现。Zhang等人使用猴子岩水电站记录的高信噪比波形，从原始波形中提取事件，然后使用极限学习机将其分为微震事件或爆破事件，通过与支持向量机、BP神经网络和遗传算法的比较，证明了该方法的优越性。Lin等人使用小波分解对每个单独的地震道进行去噪，然后使用深层CNN将产生的特征分类为“微震”、“爆破”或“噪声”，但作者所使用的CNN结构较为复杂，极易造成过拟合。
可见现有的识别方法还存在较大的局限，怎样在数据量有限的情况下建立一个能快速有效识别出微震信号的方法，摆脱特征值设定以及人工识别的限制，是目前行业亟待解决的问题。
发明内容
为了克服现有技术中的上述不足，本发明提供一种基于卷积神经网络的自动识别微地震信号的算法，该方法在训练数据集规模有限的情况下，通过数据增强以及交叉验证的方法，设计了一个浅度卷积网络来实现微震信号的识别，完成了在小型数据集上的模型训练，该模型能够有效地提升微震信号识别的效率和准确率。
为了实现上述目的，本发明采用的技术方案如下。
一种基于卷积神经网络的自动识别微地震信号的算法，包括如下步骤：
（S1）对微地震信号数据集进行收集和预处理；
（S2）采用滤波去噪和数据截取对数据集进行增强；
（S3）搭建一个深度为10层的卷积神经网络模型；
（S4）结合交叉验证完成对模型的训练。
进一步地，所述步骤（S1）中微地震信号数据集包括微地震波信号、掘进爆破信号、中深孔爆破信号和机械振动波形信号，其中，对微地震信号数据集进行的预处理操作包括：读取一维时间序列，将其转换为二维数字图像，并根据数据集中波形的有效信息确定用于训练的波形样本长度，并完成初步数据清洗操作。预处理后获得的数据是进行微地震信号算法网络的基础。
进一步地，所述步骤（S2）中所述数据去噪工作具体采用小波去噪，具体包括选择sym8作为小波基，选择3层作为分解尺度，选取通用阈值T对分解后的小波系数作阈值处理，T的公式如下：
式中:
为噪声的标准差，N为信号的长度。最后将近似系数(低频成分)与各层细节系数(高频成分)进行逆小波变换，实现信号的重构,完成小波去噪。
数据截取工作具体操作如下：用固定长度的窗口在波形数据上滑动，每滑动一次形成一个新的波形片段，完成截取操作之后再经过人工筛选，剔除无效波形，保证数据的有效性。
具体地，所述步骤（S3）中卷积神经网络包含输入层、2个卷积层、2个池化层、2个全连层，决策层和输出层；其中，输入层中的数据是经处理后的数据集，卷积层主要是对输入的数据进行特征提取，卷积公式如下：
其中，其中
为非线性激活函数(如ReLU函数)，
是输入特征图集合,
是第
维卷积核的权值，
层的第
个输出特征图，
是每一个卷积核的偏置。
所述池化层周期性的插入卷积网络的卷积层之间，用于对卷积计算以后的特征图进一步减少参数以及保证特征不变性；所述全连层为一种多层感知器网络，用于将所有特征进行连接，完成对向量的降维操作后将结果传输至决策层；
所述决策层采用Softmax，决策层输出波形类型，其中微震信号、掘进爆破信号、中深孔爆破信号以及机械噪声信号分别对应输出为0、1、2、3。
所述步骤（S4）中所述交叉验证是为了对模型提供最严格的评价，进行了10次分层交叉验证。具体操作如下：使用分层分割，将数据按类别比例分成10组，从10个原始集合中任意选择一个作为测试集，然后使用其余9组数据对模型进行训练，训练完成后使用选定的测试集对其进行评估；接着再挑选另一个测试集，直到10个原始集合都成为测试集，验证结束。交叉验证实现了在数据量有限的情况下，能够让更多的数据参与模型训练，使其能学习到更丰富的特征，模型也会有更好的表现。
与现有技术相比，本发明具有以下有益效果：本发明提供一种基于卷积神经网络的自动识别微地震信号的算法，该方法在训练数据集规模有限的情况下，通过数据增强以及交叉验证的方法，完成了一个卷积神经网络模型来实现微震信号的识别，该模型无需人工设计神经网络的输入，减少了人工调参的工作，避免了因特征值选取不当对信号识别准确率的影响，能够有效地提升微震信号识别的效率和准确率，较好的满足了微震事件识别的实时性要求。
附图说明
图1为本发明实施例提供的一种基于卷积神经网络的自动识别微地震信号算法的系统流程图。
图2为本发明实施例提供的数据预处理流程图。
图3为本发明实施例提供的掘进爆破、中深孔爆破、机械噪声和微震信号有效特征的分布示意图，其中(a)掘进爆破，(b)中深孔爆破，(c)机械噪声，(d)微震信号。
图4为本发明实施例的卷积网络模型结构示意图。
图5为本发明实施例三种不同方案的网络识别精度图和损失图。
图6 为本发明在利用合成数据集利用本发明和CNN网络识别效果比较图；
具体实施方式
下面结合附图和实施例对本发明作进一步说明，本发明的实施方式包括但不限于下列实施例。
实施例
一种基于卷积神经网络的自动识别微地震信号的算法，包括以下步骤。
（1）对微地震信号数据集进行收集和预处理。
对微地震信号数据集进行收集和处理，微地震数据集一共有四类，包括微震信号、掘进爆破信号、中深孔爆破信号以及机械噪声信号，原数据格式为ASCII格式，该数据包含了一段时间内的连续三通道波形，时间间隔为0.000167s，通过python语言里的pandas数据处理模块可将原始ASCII格式的数据可视化的转成肉眼能清晰分辨的图像波形数据，以便于观察数据的分布特征以及波形特征。完成转换后人工进行初步数据清洗，剔除无信息波形，保证信号有效性。
（2）采用滤波去噪和数据截取对数据集进行增强。
其中滤波算法采用小波去噪，具体步骤如下：选择sym8作为小波基，选择3层作为分解尺度，完成含噪信号的分解，得到各层小波系数。对分解后的小波系数作阈值处理，选取通用阈值T，通过软阈值函数进行系数收缩,得到小波系数的估计值，T的公式如上式（1）所示，其中:
为噪声的标准差，N为信号的长度。尽可能保留较大的信号小波系数而去除较小的噪声小波系数，从而使信号中的噪声得到有效抑制。最后将近似系数(低频成分)与各层细节系数(高频成分)进行逆小波变换，实现信号的重构，完成小波去噪。
波形截取主要是依靠滑动时间窗来实现，具体操作如下：因能量等的不同，所以每个信号持续时间不同，从原始ASCII文件中读取的波形长度就不一致，通过对四种信号原始数据的观察与分析，发现在超过3000个采样点后，数据基本不含有效信息，因此选择3000个采样点作为波形截取的最大长度。以P,S到时为中心，在[-0.5s,+0.5s]时间窗内沿时间轴滑窗，对震相位置进行微调处理，以此得到新波形。对于不足3000个采样点的波形,在原波形后补0，使其整段波形长度统一为3000 个采样点。波形截取有效地增加了爆破信号和微震信号的数量，极大丰富了训练样本。
完成数据增强后将增强后的数据与原图片数据汇总并对其进行二值化操作，将经过预处理后的图片数据分类保存，并完成对应类别标签信息的制作，最后将图片和标签信息汇总并乱序，生成NPY格式数据集。
（3）搭建一个深度为10层的卷积神经网络模型。
一个卷积网络由多个阶段组成，用于微震信号分类的卷积神经网络结构如图4所示，它由输入层、卷积层、最大池化层、全连接层以及输出层组合而成。在卷积层中，使用能够进行参数学习的卷积核对输入的数据矩阵进行卷积运算，然后通过RuLU激活函数传递给下一层，其作用是检测输入矩阵的局部特征，实现了权值共享和局部连接的功能。池化层通常设置在卷积层之后，其实质是对输出的特征矩阵作降采样过滤掉一些特征。全连接层的作用是将卷积所得到的局部特征重新通过权值矩阵组装成完整的图，然后送入softmax层进行分类，softmax层是最后的输出层，它的输出通道由自己设定。该层带来的参数较大，可通过dropout方法按照一定概率舍弃部分神经网络单元以达到降低训练参数与防止过拟合的作用。
本发明输入的微震数据可看作为一个28x28x1的向量，经过第一个卷积层和池化层后生成一个13x13x32的向量，此后通过第二个卷积层和池化层，输出5x5x64的向量，再经过一层全连接层输出变为1x1024的向量。同时为了防止过拟合同时减少参数计算，在全连接层中使用dropout进行优化，最后通过输出层的softmax函数映射为4类输出。
（4）结合交叉验证完成对模型的训练。
因本文所涉及到数据样本量较少(<10000个)，所以采用交叉验证来训练优化模型。为了对深度学习提供最严格的评价，进行了10次分层交叉验证。具体操作如下：
1）使用分层分割，将图片按类别比例分成10组，随机从这10个组合中选取一组作为测试集，其余9个组合将组合起来使用。
2）对非测试图像进行进一步的随机分层分割：这些图像中的10%构成验证集，其余90%形成训练集。验证集的目的是为了控制训练中的提前停止（如果在验证集上计算的损失在10个周期内没有减少，则终止训练），它们不参与模型的训练过程。
3）从10个原始集合中任意选择一个作为测试集，然后使用其余9组图像对模型进行训练，训练完成后使用选定的测试集对其进行评估；接着再挑选另一个测试集，直到10个原始集合都成为测试集，验证结束。
使用交叉验证的目的就是在数据量有限的情况下，能够让更多的数据参与模型训练，使其能学习到更丰富的特征，模型也会有更好的表现。
为了更好地理解本发明，下面采用实验例对本发明做进一步的阐述：
本实践例采用的数据为我国西南某水电站尾水隧洞开挖岩爆监测的微震监测数据。仪器采用IMS的20通道微震监测设备，现场布置了10支微震检波器，其中，单分量检波器和三分量检波器各5支，采样频率为6kHz，检波器及现场设备布设的示意图如图5所示。
该隧道开挖过程采集到的数据类型包括微震信号、掘进爆破信号、中深孔爆破信号以及机械噪声信号，表1为原始数据量以及数据增强后的数据量情况。
为了验证本发明的有效性，本实践例做了3次不同实验，方案一：用原始数据训练网络；方案二：用增强后的数据训练网络；方案三：数据增强结合交叉验证训练网络；不同方案的网络识别精度图和损失图如图6所示，(a)表示网络的精度值，(b)表示网络的损失值；精度值越高，损失值越低表示网络性能越优秀，由图可知，方案三的精度值和损失值都要优于其他两种方案，说明数据增强和交叉验证在训练数据量有限地情况下能有效提高网络的识别准确率。
将提出的网络与传统STA/LTA方法的进行对比。对比所用数据为白鹤滩水电站2017年9月份某段时间所记录的数据，并以该时间段专家手动挑选的87个微震事件波形作为参照。我们用精确率P(Precision)和召回率R(Recall)来衡量不同算法的识别效果。
其中，TP(True Positive)为真正类，即算法检测出微震事件并正确分类为微震事件，反之则为假正类FP(False Positive)；TN(True Negetive)为真反类，即算法检测出其他事件并正确分类为其他事件，反之则为假反类FN(False Negetive)。表2列出了2种方法各自的精确率和召回率，其中CNN网络识别出121个微震事件，其中有80个与人工挑选结果相符，有7个微震事件被识别为其他事件。STA/LTA识别出215个微震事件，其中有68个与人工挑选结果符合，有21个微震事件被错位识别为其他事件。具体数据如下表所示：
精度高表明所使用的算法误检率低，召回率高则表明算法漏检率低。STA/LTA因其算法本身受噪声影响较大，在信噪比较低时，极易将高振幅噪声信号误识别为微震信号，因此误检率较高，相应的其精确率只有31.6%。而CNN的精度为66.1%，召回率为92.0%，均高于传统算法STA/LTA，因此表1中的数据可以充分证明，CNN算法在微震波形识别方面优于传统方法STA/LTA。
需要指出的是，表1中CNN的精确率也只有66.1%，但这里的精确率P并不能完全反映CNN的分类效果，因为作为参照的样本是由人工挑选的，由于人眼识别的局限性以及主观性，很容易漏掉信噪比较低的微震事件或者孤立事件，所以这个参照目录不一定完整，因此这个数据只针对这一次对比试验。后续对CNN识别出的121个微震事件又人工进行了重分类，发现除了那80个与参照样本相符的事件外，还存在着约28个震幅较弱的微震事件，这充分证明CNN能更好地识别这些微弱的微震信号。
上述实施例仅为本发明的优选实施例，并非对本发明保护范围的限制，但凡采用本发明的设计原理，以及在此基础上进行非创造性劳动而做出的变化，均应属于本发明的保护范围之内。
Claims (5)
1.一种基于卷积神经网络的自动识别微地震信号的算法，其特征在于，包括如下步骤：
（S1）对微地震信号数据集进行收集和预处理；
（S2）采用滤波去噪和数据截取对数据集进行增强；
（S3）搭建一个深度为10层的卷积神经网络模型；
（S4）结合交叉验证完成对模型的训练。
2.根据权利要求1所述的一种基于卷积神经网络的自动识别微地震信号的算法，其特征在于，所述步骤（S1）中微地震信号数据集包括微地震波信号、掘进爆破信号、中深孔爆破信号和机械振动波形信号，其中，对微地震信号数据集进行的预处理操作包括：读取一维时间序列，将其转换为二维数字图像，并根据数据集中波形的有效信息确定用于训练的波形样本长度，并完成初步数据清洗操作；预处理后获得的数据是进行微地震信号算法网络的基础。
3.根据权利要求1所述的一种基于卷积神经网络的自动识别微地震信号的算法，其特征在于，所述步骤（S2）中所述数据去噪工作具体采用小波去噪，具体包括选择sym8作为小波基，选择3层作为分解尺度，选取通用阈值T对分解后的小波系数作阈值处理，T的公式如下：
：公式中:
为噪声的标准差，N为信号的长度；
最后将近似系数(低频成分)与各层细节系数(高频成分)进行逆小波变换，实现信号的重构,完成小波去噪；数据截取工作具体操作如下：用固定长度的窗口在波形数据上滑动，每滑动一次形成一个新的波形片段，完成截取操作之后再经过人工筛选，剔除无效波形，保证数据的有效性。
4.根据权利要求1所述的一种基于卷积神经网络的自动识别微地震信号的算法，其特征在于，所述步骤（S3）中卷积神经网络包含输入层、2个卷积层、2个池化层、2个全连层，决策层和输出层；其中，输入层中的数据是经处理后的数据集，卷积层主要是对输入的数据进行特征提取，卷积公式如下：
其中，其中
为非线性激活函数(如ReLU函数)，
是输入特征图集合,
是
层上第
个
维卷积核的权值，
是
层的第
个输出特征图，
是每一个卷积核的偏置；所述池化层周期性的插入卷积网络的卷积层之间，用于对卷积计算以后的特征图进一步减少参数以及保证特征不变性；所述全连层为一种多层感知器网络，用于将所有特征进行连接，完成对向量的降维操作后将结果传输至决策层；所述决策层采用Softmax，决策层输出波形类型，其中微震信号、掘进爆破信号、中深孔爆破信号以及机械噪声信号分别输出为0、1、2、3。
5.根据权利要求1所述的一种基于卷积神经网络的自动识别微地震信号的算法，其特征在于，所述步骤（S4）中所述交叉验证是为了对模型提供最严格的评价，进行了10次分层交叉验证；具体操作如下：使用分层分割，将数据按类别比例分成10组，从10个原始集合中任意选择一个作为测试集，然后使用其余9组数据对模型进行训练，训练完成后使用选定的测试集对其进行评估；接着再挑选另一个测试集，直到10个原始集合都成为测试集，验证结束；交叉验证实现了在数据量有限的情况下，能够让更多的数据参与模型训练，使其能学习到更丰富的特征，模型也会有更好的表现。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110049247.2A CN114842280A (zh) | 2021-01-14 | 2021-01-14 | 一种基于卷积神经网络的自动识别微地震信号算法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110049247.2A CN114842280A (zh) | 2021-01-14 | 2021-01-14 | 一种基于卷积神经网络的自动识别微地震信号算法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN114842280A true CN114842280A (zh) | 2022-08-02 |
Family
ID=82561326
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110049247.2A Pending CN114842280A (zh) | 2021-01-14 | 2021-01-14 | 一种基于卷积神经网络的自动识别微地震信号算法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114842280A (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115373029A (zh) * | 2022-10-25 | 2022-11-22 | 中国科学院地质与地球物理研究所 | 基于深度学习的实时微地震震源机制计算方法及系统 |
| CN116821642A (zh) * | 2023-06-13 | 2023-09-29 | 北京建筑大学 | 基于数据增广和深度学习的建筑震害快速评估方法及系统 |
-
2021
- 2021-01-14 CN CN202110049247.2A patent/CN114842280A/zh active Pending
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115373029A (zh) * | 2022-10-25 | 2022-11-22 | 中国科学院地质与地球物理研究所 | 基于深度学习的实时微地震震源机制计算方法及系统 |
| CN116821642A (zh) * | 2023-06-13 | 2023-09-29 | 北京建筑大学 | 基于数据增广和深度学习的建筑震害快速评估方法及系统 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Zhu et al. | Seismic signal denoising and decomposition using deep neural networks | |
| CN108805269B (zh) | 一种基于lstm循环神经网络拾取震相到时的方法 | |
| Del Pezzo et al. | Discrimination of earthquakes and underwater explosions using neural networks | |
| CN114863937B (zh) | 基于深度迁移学习与XGBoost的混合鸟鸣识别方法 | |
| CN110632662A (zh) | 一种利用DCNN-Inception网络自动识别微地震信号的算法 | |
| CN113191178B (zh) | 一种基于听觉感知特征深度学习的水声目标识别方法 | |
| CN109818892A (zh) | 构建循环谱特征参数提取模型及信号调制方式识别方法 | |
| CN114842280A (zh) | 一种基于卷积神经网络的自动识别微地震信号算法 | |
| Kim et al. | Graph convolution networks for seismic events classification using raw waveform data from multiple stations | |
| CN106886044A (zh) | 一种基于剪切波与Akaike信息准则的微地震初至拾取方法 | |
| CN103279744A (zh) | 基于多尺度三模式纹理特征的仿造指纹检测方法和系统 | |
| CN115826042B (zh) | 一种边云端结合的分布式地震数据处理方法与装置 | |
| CN108549078A (zh) | 一种雷达脉冲信号跨信道合并及检测方法 | |
| CN112364296A (zh) | 一种基于深度学习的p波到时自动拾取方法 | |
| CN112580486A (zh) | 一种基于雷达微多普勒信号分离的人体行为分类方法 | |
| CN116413786A (zh) | 一种地震波异常初至修正方法、装置和相关设备 | |
| Song et al. | An improved reconstruction method based on auto-adjustable step size sparsity adaptive matching pursuit and adaptive modular dictionary update for acoustic emission signals of rails | |
| CN117727307A (zh) | 基于特征融合的鸟类声音智能识别方法 | |
| Romeo | Seismic signals detection and classification using artiricial neural networks | |
| CN116626753A (zh) | 一种基于多模态神经网络的微地震事件识别方法及系统 | |
| CN111310719A (zh) | 一种未知辐射源个体识别及检测的方法 | |
| CN115034254A (zh) | 基于hht频带能量特征和卷积神经网络的核素识别方法 | |
| WO2024099422A1 (zh) | 一种基于UNet的面波频散质量快速评估方法 | |
| CN117390413A (zh) | 分布式电力光纤振动信号降噪与时序特征提取的识别方法 | |
| CN115733673B (zh) | 一种基于多尺度残差分类器的数据异常检测方法 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| WD01 | Invention patent application deemed withdrawn after publication | ||
| WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20220802 |