CN116660992B - 一种基于多特征融合的地震信号处理方法 - Google Patents
一种基于多特征融合的地震信号处理方法 Download PDFInfo
- Publication number
- CN116660992B CN116660992B CN202310656536.8A CN202310656536A CN116660992B CN 116660992 B CN116660992 B CN 116660992B CN 202310656536 A CN202310656536 A CN 202310656536A CN 116660992 B CN116660992 B CN 116660992B
- Authority
- CN
- China
- Prior art keywords
- vector
- token
- seismic
- seismic signal
- features
- 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.)
- Active
Links
- 230000004927 fusion Effects 0.000 title claims abstract description 38
- 238000003672 processing method Methods 0.000 title claims abstract description 16
- 239000013598 vector Substances 0.000 claims abstract description 156
- 230000007246 mechanism Effects 0.000 claims abstract description 37
- 238000012545 processing Methods 0.000 claims abstract description 26
- 230000009467 reduction Effects 0.000 claims abstract description 10
- 238000000605 extraction Methods 0.000 claims description 31
- 238000000034 method Methods 0.000 claims description 29
- 230000008569 process Effects 0.000 claims description 24
- 238000013528 artificial neural network Methods 0.000 claims description 10
- 238000013527 convolutional neural network Methods 0.000 claims description 8
- 230000009466 transformation Effects 0.000 claims description 8
- 230000006870 function Effects 0.000 claims description 6
- 238000011176 pooling Methods 0.000 claims description 6
- 238000005070 sampling Methods 0.000 claims description 4
- 230000004913 activation Effects 0.000 claims description 3
- 238000012216 screening Methods 0.000 claims description 2
- 238000013136 deep learning model Methods 0.000 abstract description 5
- 230000011218 segmentation Effects 0.000 abstract description 3
- 238000010586 diagram Methods 0.000 description 6
- 238000007781 pre-processing Methods 0.000 description 4
- 230000000694 effects Effects 0.000 description 3
- 239000000284 extract Substances 0.000 description 3
- 238000012935 Averaging Methods 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 239000003208 petroleum Substances 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
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
- G01V1/30—Analysis
-
- 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
- G01V1/30—Analysis
- G01V1/306—Analysis for determining physical properties of the subsurface, e.g. impedance, porosity or attenuation profiles
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/10—Pre-processing; Data cleansing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/25—Fusion techniques
- G06F18/253—Fusion techniques of extracted features
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01V—GEOPHYSICS; GRAVITATIONAL MEASUREMENTS; DETECTING MASSES OR OBJECTS; TAGS
- G01V2210/00—Details of seismic processing or analysis
- G01V2210/60—Analysis
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01V—GEOPHYSICS; GRAVITATIONAL MEASUREMENTS; DETECTING MASSES OR OBJECTS; TAGS
- G01V2210/00—Details of seismic processing or analysis
- G01V2210/60—Analysis
- G01V2210/61—Analysis by combining or comparing a seismic data set with other data
- G01V2210/614—Synthetically generated data
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01V—GEOPHYSICS; GRAVITATIONAL MEASUREMENTS; DETECTING MASSES OR OBJECTS; TAGS
- G01V2210/00—Details of seismic processing or analysis
- G01V2210/60—Analysis
- G01V2210/64—Geostructures, e.g. in 3D data cubes
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2123/00—Data types
- G06F2123/02—Data types in the time domain, e.g. time-series data
-
- 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
-
- 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
-
- 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
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/30—Computing systems specially adapted for manufacturing
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Remote Sensing (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Biology (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- General Life Sciences & Earth Sciences (AREA)
- Geophysics (AREA)
- Geology (AREA)
- Environmental & Geological Engineering (AREA)
- Acoustics & Sound (AREA)
- Geophysics And Detection Of Objects (AREA)
Abstract
本发明公开了一种基于多特征融合的地震信号处理方法,包括通过地震仪获取时间序列数据,对采集到的地震信号分别进行分段、降维、卷积操作获取地震信号的浅层特征,随后对浅层特征进行向量编码得到对应的向量token,其次将向量token拼接后输入至自注意力机制网络获取带有权重的向量token,将带有权重的向量token输入至多头注意力机制网络,最终通过模块中的分类token获得所述地震信号的分类结果。本发明提取了地震信号的细粒度特征和粗粒度特征,进行融合判定,能提高深度学习模型对地震信号特征的利用率,能够优化其对地震信号特征的处理能力,提升对地震信号的分类精度。
Description
技术领域
本发明属于地震事件检测领域,尤其涉及一种基于多特征融合的地震信号处理方法。
背景技术
地震信号处理技术已经被广泛的应用在各类大型岩土工程,尤其是在石油勘探中利用地震信号处理技术确定地下储层结构,同时该技术也是地震学进一步深入研究的基础。地震信号本身的能量较弱,易受噪音干扰,现有的基于深度学习的研究,大都致力于解决地震信号处理的相关任务,在处理时特征利用不充分、丢失部分信息,导致分类效果较差。
多特征融合思想最早应用在图像分类领域,并得到了快速的发展。常规特征提取方法不能充分提取地震信号的特征,而多特征融合可将原地震信号的粗粒度特征与常规特征提取的细粒度特征进行融合,这样可以更好地对输入信号的全局依赖性进行分析,充分利用地震信号所蕴含的特征,提高分类效果。
发明内容
为解决上述技术问题,本发明提出了一种基于多特征融合的地震信号处理方法,提取了地震信号的细粒度特征和粗粒度特征,进行融合判定,提高深度学习模型对地震信号特征的利用率,能够优化其对地震信号特征的处理能力,提升对地震信号的分类精度。
为实现上述目的,本发明提供了一种基于多特征融合的地震信号处理方法,包括:
采集原始地震信号,将所述原始地震信号进行筛选,获取地震信号,将所述地震信号进行处理,获取若干目标向量token;
通过正余弦函数获取若干所述目标向量token所对应的位置编码,基于若干所述目标向量token和对应的所述位置编码,获取含有位置编码信息的向量token;
对所述含有位置编码信息的向量token进行特征提取,获取含有权重的向量token;
基于所述含有权重的向量token,获取分类token;
将所述地震信号与所述含有权重的向量token、所述分类token进行融合,获取融合信息;
对所述融合信息进行特征提取,获取地震信号的分类结果,完成对所述地震信号的处理。
可选的,所述地震信号为时间序列数据。
可选的,将所述地震信号进行处理,获取若干所述目标向量token包括:
将每条所述地震信号分别分为若干段,获取若干段所述地震信号,并对若干段所述地震信号进行向量编码、拼接和重新向量编码处理,获取第一组向量token;
将所述地震信号进行降维处理,获取降维后的所述地震信号并进行向量编码,获取第二组向量token;
利用卷积神经网络提取所述地震信号的浅层特征,对所述浅层特征进行向量编码,获取第三组向量token;
所述第一组向量token、所述第二组向量token和所述第三组向量token即为所述目标向量token。
可选的,利用卷积神经网络提取所述地震信号的浅层特征包括:将所述地震信号输入第一特征提取模块,获取第一特征;
将所述第一特征输入第二特征提取模块,获取第二特征;
基于所述第一特征和所述第二特征,获取所述地震信号的浅层特征。
可选的,所述卷积神经网络由所述第一特征提取模块和所述第二特征提取模块串行堆叠组成,所述第一特征提取模块和所述第二特征提取模块均由一维卷积和ELU激活函数组成。
可选的,对所述含有位置编码信息的向量token进行特征提取,获取含有权重的向量token包括:
将所述含有位置编码信息的向量token输入自注意力机制网络中的自注意力机制层,对所述含有位置编码信息的向量token进行线性变换,获取初始查询向量、键向量和值向量;
对所述初始查询向量、键向量和值向量进行随机采样策略处理,获取所述浅层特征;
获取所述含有位置编码信息的向量token进行线性变换的结果,将所述线性变换的结果和所述浅层特征进行跨层连接获取过程特征;
将所述过程特征进行标准化,将标准化后的所述过程特征输入自注意力机制网络中的前馈神经网络,获取深层特征;
将所述过程特征和所述深层特征进行求和与标准化处理,获取所述含有权重的向量token。
可选的,获取分类token包括:将所述含有权重的向量token输入全局平均池化层进行池化处理,获取所述分类token。
可选的,将所述地震信号与所述含有权重的向量token、所述分类token进行融合包括:
将所述地震信号进行向量编码,获取所述地震信号的向量编码;
将所述地震信号的向量编码与所述含有权重的向量token、所述分类token进行向量拼接,获取拼接之后的向量token;
获取所述拼接之后的向量token的位置编码,将所述拼接之后的向量token和对应的位置编码进行求和处理,获取所述融合信息。
可选的,对所述融合信息进行特征提取,获取地震信号的分类结果包括:
将多头注意力机制网络串行堆叠若干次,获取融合信息特征提取网络;
基于所述融合信息特征提取网络对所述融合信息进行特征提取,获取地震信号分类结果。
可选的,所述多头注意力机制网络包括:多头注意力机制网络层和前馈神经网络;
所述多头注意力机制网络层对输入数据进行处理,获取特征向量,将所述特征向量和所述输入数据进行求和与标准化,获取过程特征;
将所述过程特征输入所述前馈神经网络进行处理,获取新的分类token和新的含有权重的向量token。
本发明技术效果:本发明通过借鉴多特征融合的思想,分别获取地震信号的细粒度特征和粗粒度特征,将多种特征融合后输入自注意力机制网络,获取带有权重的向量token,并利用带有权重的向量token生成分类token,然后将分类token、带有权重的向量token和原始地震信号融合后输入多头注意力机制,最终利用分类token获取分类结果。本发明的方法能够提高深度学习模型对地震数据全局属性的关注,充分利用了原始数据的特征,不仅优化了对地震数据特征的处理能力,更提升了两种地震数据的分类精度。
附图说明
构成本申请的一部分的附图用来提供对本申请的进一步理解,本申请的示意性实施例及其说明用于解释本申请,并不构成对本申请的不当限定。在附图中:
图1为本发明实施例中的基于多特征融合的地震信号处理方法步骤流程示意图;
图2为本发明实施例的中基于多特征融合的地震信号处理方法的结构示意图;
图3为本发明实施例预处理模块的分段策略示意图;
图4为本发明实施例预处理模块的卷积策略示意图;
图5是本发明实施例中的深层特征提取模块的示意图;
图6是本发明实施例中多头注意力机制网络的示意图。
具体实施方式
需要说明的是,在不冲突的情况下,本申请中的实施例及实施例中的特征可以相互组合。下面将参考附图并结合实施例来详细说明本申请。
需要说明的是,在附图的流程图示出的步骤可以在诸如一组计算机可执行指令的计算机系统中执行,并且,虽然在流程图中示出了逻辑顺序,但是在某些情况下,可以以不同于此处的顺序执行所示出或描述的步骤。
如图1所示,本实施例中提供一种基于多特征融合的地震信号处理方法流程图,包括:
通过地震仪获取时间序列数据,对采集到的地震信号分别进行分段、降维、卷积操作获取地震信号的浅层特征,随后对浅层特征进行向量编码得到对应的向量token,其次将各向量token拼接,并与位置编码求和后输入至自注意力机制网络获取带有权重的向量token,将带有权重的向量token输入至多头注意力机制网络,最终通过模块中的分类token获得所述地震信号的分类结果。
如图2所示,为基于多特征融合的地震信号处理方法的结构示意图,包括预处理模块、深层特征提取模块、多头注意力机制网络。在预处理模块中,先利用地震仪采集地震信号数据,然后采用多分段、降维、卷积的方式获取地震信号的浅层特征。其中多分段策略的具体实施方式如图3所示:将每条地震信号分别分割为二十九、三十一、三十七段,并依次对每一段进行向量编码,得到二十九、三十一、三十七个向量token,再将上述九十七个向量token进行拼接,随后重新进行向量编码,得到新的三十一个向量token,新的三十一个向量token为第一组向量token。降维策略的具体实施方式为:将原地震信号降维后进行向量编码得到第三十二个向量token,第三十二个向量token为第二组向量token,降维策略获取地震信号的粗粒度特征,减少计算复杂度和信号的长度。如图4所示,卷积策略的具体实施方式为:先利用卷积神经网络提取地震信号的浅层特征,然后对浅层特征进行向量编码得到第三十三到第四十个向量token,第三十三到第四十个向量token为第三组向量token,第一组向量token、第二组向量token和第三组向量token三组向量为目标向量token。卷积神经网络由第一特征提取模块和第二特征提取模块串行堆叠组成,第一特征提取模块和第二特征提取模块均由卷积核为3*3的一维卷积和ELU激活函数组成,将第一特征与第二特征进行求和,然后对结果进行向量编码得到第三十三到第四十个向量token。
通过正余弦函数生成这四十个向量token对应的位置编码,并与各自位置编码进行求和操作,得到四十个含有位置编码信息的向量token。
将上述带有位置编码信息的向量token输入至深层特征提取模块,如图5所示,深层特征提取模块由自注意力机制网络组成。自注意力机制网络串行堆叠七次,其中深层特征提取模块的输入与第七个自注意力机制网络的输出进行跨层连接、第一个自注意力机制网络的输出与第六个自注意力机制网络的输出进行跨层连接、第二个自注意力机制网络的输出与第五个自注意力机制网络的输出进行跨层连接。自注意力机制网络的第一个作用是获取带有权重的向量token,第二个作用是获取分类token。其中带有权重的向量token的获取过程包括:将含有位置编码信息的向量token输入自注意力机制网络,自注意力机制网络包括自注意力机制层和前馈神经网络。输入序列首先经过自注意力机制层,通过对输入的原始向量进行线性变换得到初始的查询向量(Query)、键向量(Key)和值向量(Value),并对这三个向量进行随机采样策略处理得到浅层特征,随机采样策略是指为每个Query都随机采样十七个Key,并计算每个Query与所采样Key的相关程度,选择相关程度最高的十七个Query,只计算这十七个Query和所有Key的点积结果,从而得到浅层特征。同时,对原始输入的向量序列进行线性变换,将得到的结果与上述浅层特征进行跨层连接得到过程特征。然后将过程特征进行标准化并送入前馈神经网络,得到深层特征。接着,将过程特征和深层特征进行求和与标准化,获得带有权重的向量token和更新后的查询向量(Query)、键向量(Key)和值向量(Value)。获取分类token的过程为:将带有权重的向量token输入至一个全局平均池化层,得到一个分类token。
如图6所示,先将深层特征提取模块输出的带有权重的向量token输入到全局平均池化层中,得到分类token,它是输入序列的一个固定长度的向量表示。然后对对应的原始地震信号进行向量编码,并与上述分类token、带有权重的向量token进行向量拼接,拼接后与位置编码进行求和操作,然后将多尺度信息融合后将结果输入多头注意力机制网络。其中多尺度信息融合是指:将分类token、带有权重的向量token、降维后的原始地震信号拼接在一起,并与各自的位置编码进行求和操作。多头注意力机制网络串行堆叠N次,多头注意力机制网络运行过程包括:输入数据首先经过多头注意力机制网络层的处理,得到多个不同的特征向量,然后将这些特征向量与原始输入的向量token进行求和与标准化,得到过程特征。接着,将过程特征输入到前馈神经网络中进行处理,输出新的分类token和新的带有权重的向量token,将前馈神经网络的输出结果和过程特征进行求和,对新的分类token、新的带有权重的向量token进行更新。多头注意力机制网络串行堆叠N次,从而使模型能够提取更加丰富和复杂的特征信息,最终利用第N次输出的分类token获得地震信号的二分类结果。
以上,仅为本申请较佳的具体实施方式,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,可轻易想到的变化或替换,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该以权利要求的保护范围为准。
Claims (8)
1.一种基于多特征融合的地震信号处理方法,其特征在于,包括:
采集原始地震信号,将所述原始地震信号进行筛选,获取地震信号,将所述地震信号进行处理,获取若干目标向量token;
将所述地震信号进行处理,获取若干所述目标向量token包括:
将每条所述地震信号分别分为若干段,获取若干段所述地震信号,并对若干段所述地震信号进行向量编码、拼接和重新向量编码处理,获取第一组向量token;
将所述地震信号进行降维处理,获取降维后的所述地震信号并进行向量编码,获取第二组向量token;
利用卷积神经网络提取所述地震信号的浅层特征,对所述浅层特征进行向量编码,获取第三组向量token;
所述第一组向量token、所述第二组向量token和所述第三组向量token即为所述目标向量token;
通过正余弦函数获取若干所述目标向量token所对应的位置编码,基于若干所述目标向量token和对应的所述位置编码,获取含有位置编码信息的向量token;
对所述含有位置编码信息的向量token进行特征提取,获取含有权重的向量token;
基于所述含有权重的向量token,获取分类token;
将所述地震信号与所述含有权重的向量token、所述分类token进行融合,获取融合信息;
对所述融合信息进行特征提取,获取地震信号的分类结果,完成对所述地震信号的处理。
2.如权利要求1所述的基于多特征融合的地震信号处理方法,其特征在于,所述地震信号为时间序列数据。
3.如权利要求1所述的基于多特征融合的地震信号处理方法,其特征在于,利用卷积神经网络提取所述地震信号的浅层特征包括:将所述地震信号输入第一特征提取模块,获取第一特征;
将所述第一特征输入第二特征提取模块,获取第二特征;
基于所述第一特征和所述第二特征,获取所述地震信号的浅层特征;
所述卷积神经网络由所述第一特征提取模块和所述第二特征提取模块串行堆叠组成,所述第一特征提取模块和所述第二特征提取模块均由一维卷积和ELU激活函数组成。
4.如权利要求3所述的基于多特征融合的地震信号处理方法,其特征在于,对所述含有位置编码信息的向量token进行特征提取,获取含有权重的向量token包括:
将所述含有位置编码信息的向量token输入自注意力机制网络中的自注意力机制层,对所述含有位置编码信息的向量token进行线性变换,获取初始查询向量、键向量和值向量;
对所述初始查询向量、键向量和值向量进行随机采样策略处理,获取所述浅层特征;
获取所述含有位置编码信息的向量token进行线性变换的结果,将所述线性变换的结果和所述浅层特征进行跨层连接获取过程特征;
将所述过程特征进行标准化,将标准化后的所述过程特征输入自注意力机制网络中的前馈神经网络,获取深层特征;
将所述过程特征和所述深层特征进行求和与标准化处理,获取所述含有权重的向量token。
5.如权利要求1所述的基于多特征融合的地震信号处理方法,其特征在于,获取分类token包括:将所述含有权重的向量token输入全局平均池化层进行池化处理,获取所述分类token。
6.如权利要求1所述的基于多特征融合的地震信号处理方法,其特征在于,将所述地震信号与所述含有权重的向量token、所述分类token进行融合包括:
将所述地震信号进行向量编码,获取所述地震信号的向量编码;
将所述地震信号的向量编码与所述含有权重的向量token、所述分类token进行向量拼接,获取拼接之后的向量token;
获取所述拼接之后的向量token的位置编码,将所述拼接之后的向量token和对应的位置编码进行求和处理,获取所述融合信息。
7.如权利要求1所述的基于多特征融合的地震信号处理方法,其特征在于,对所述融合信息进行特征提取,获取地震信号的分类结果包括:
将多头注意力机制网络串行堆叠若干次,获取融合信息特征提取网络;
基于所述融合信息特征提取网络对所述融合信息进行特征提取,获取地震信号分类结果。
8.如权利要求7所述的基于多特征融合的地震信号处理方法,其特征在于,所述多头注意力机制网络包括:多头注意力机制网络层和前馈神经网络;
所述多头注意力机制网络层对输入数据进行处理,获取特征向量,将所述特征向量和所述输入数据进行求和与标准化,获取过程特征;
将所述过程特征输入所述前馈神经网络进行处理,获取新的分类token和新的含有权重的向量token。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310656536.8A CN116660992B (zh) | 2023-06-05 | 2023-06-05 | 一种基于多特征融合的地震信号处理方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310656536.8A CN116660992B (zh) | 2023-06-05 | 2023-06-05 | 一种基于多特征融合的地震信号处理方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116660992A CN116660992A (zh) | 2023-08-29 |
CN116660992B true CN116660992B (zh) | 2024-03-05 |
Family
ID=87718692
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310656536.8A Active CN116660992B (zh) | 2023-06-05 | 2023-06-05 | 一种基于多特征融合的地震信号处理方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116660992B (zh) |
Citations (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112363216A (zh) * | 2020-08-19 | 2021-02-12 | 中国石油大学(华东) | 基于注意力机制的地震数据去噪方法 |
CN112799128A (zh) * | 2021-02-03 | 2021-05-14 | 北京航空航天大学 | 一种地震信号检测和震相提取的方法 |
CN113033153A (zh) * | 2021-04-28 | 2021-06-25 | 西南石油大学 | 基于Transformer模型融合关键信息的神经机器翻译模型 |
CN114200520A (zh) * | 2021-12-09 | 2022-03-18 | 中国科学院地质与地球物理研究所 | 一种地震数据去噪方法 |
CN114898773A (zh) * | 2022-04-18 | 2022-08-12 | 中国科学院声学研究所 | 基于深度自注意力神经网络分类器的合成语音检测方法 |
CN115168579A (zh) * | 2022-07-08 | 2022-10-11 | 智慧中医科技(广东)有限公司 | 一种基于多头注意力机制和二维卷积操作的文本分类方法 |
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 |
CN115330007A (zh) * | 2021-05-11 | 2022-11-11 | 中国石油化工股份有限公司 | 基于深度融合模型的储层多分类预测方法 |
CN115436993A (zh) * | 2022-07-29 | 2022-12-06 | 太原理工大学 | 一种基于PPNet网络的地震信号P波检测方法 |
WO2023044961A1 (zh) * | 2021-09-23 | 2023-03-30 | 武汉大学 | 基于自注意力变换网络的多特征融合回声消除方法及系统 |
CN116068651A (zh) * | 2023-03-17 | 2023-05-05 | 北京石油化工学院 | 一种基于时间注意力机制的地震数据分类方法 |
WO2023077819A1 (zh) * | 2021-11-05 | 2023-05-11 | 上海商汤智能科技有限公司 | 数据处理系统及方法、装置、设备、存储介质、计算机程序、计算机程序产品 |
WO2023087451A1 (zh) * | 2021-11-19 | 2023-05-25 | 山东大学 | 基于观测数据自编码的多尺度无监督地震波速反演方法 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US11947061B2 (en) * | 2019-10-18 | 2024-04-02 | Korea University Research And Business Foundation | Earthquake event classification method using attention-based convolutional neural network, recording medium and device for performing the method |
US20220415027A1 (en) * | 2021-06-29 | 2022-12-29 | Shandong Jianzhu University | Method for re-recognizing object image based on multi-feature information capture and correlation analysis |
-
2023
- 2023-06-05 CN CN202310656536.8A patent/CN116660992B/zh active Active
Patent Citations (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112363216A (zh) * | 2020-08-19 | 2021-02-12 | 中国石油大学(华东) | 基于注意力机制的地震数据去噪方法 |
CN112799128A (zh) * | 2021-02-03 | 2021-05-14 | 北京航空航天大学 | 一种地震信号检测和震相提取的方法 |
CN113033153A (zh) * | 2021-04-28 | 2021-06-25 | 西南石油大学 | 基于Transformer模型融合关键信息的神经机器翻译模型 |
CN115330007A (zh) * | 2021-05-11 | 2022-11-11 | 中国石油化工股份有限公司 | 基于深度融合模型的储层多分类预测方法 |
WO2023044961A1 (zh) * | 2021-09-23 | 2023-03-30 | 武汉大学 | 基于自注意力变换网络的多特征融合回声消除方法及系统 |
WO2023077819A1 (zh) * | 2021-11-05 | 2023-05-11 | 上海商汤智能科技有限公司 | 数据处理系统及方法、装置、设备、存储介质、计算机程序、计算机程序产品 |
WO2023087451A1 (zh) * | 2021-11-19 | 2023-05-25 | 山东大学 | 基于观测数据自编码的多尺度无监督地震波速反演方法 |
CN114200520A (zh) * | 2021-12-09 | 2022-03-18 | 中国科学院地质与地球物理研究所 | 一种地震数据去噪方法 |
CN114898773A (zh) * | 2022-04-18 | 2022-08-12 | 中国科学院声学研究所 | 基于深度自注意力神经网络分类器的合成语音检测方法 |
CN115168579A (zh) * | 2022-07-08 | 2022-10-11 | 智慧中医科技(广东)有限公司 | 一种基于多头注意力机制和二维卷积操作的文本分类方法 |
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 |
CN115436993A (zh) * | 2022-07-29 | 2022-12-06 | 太原理工大学 | 一种基于PPNet网络的地震信号P波检测方法 |
CN116068651A (zh) * | 2023-03-17 | 2023-05-05 | 北京石油化工学院 | 一种基于时间注意力机制的地震数据分类方法 |
Non-Patent Citations (3)
Title |
---|
Hyperspectral Image Classification via Spectral Pooling and Hybrid Transformer;Chen Ma et al;REMOTE SENSING;第14卷(第19期);1-15 * |
Noise suppression for DAS seismic data with attention-aided generative adversarial netwiork;Ji Lishan;Proceeding of SPIE;第12169卷;1221697Z-1至7 * |
光纤分布式地震波信号降噪算法研究;纪丽珊;中国优秀硕士学位论文全文数据库;第基础科学辑卷(第11期);A011-167 * |
Also Published As
Publication number | Publication date |
---|---|
CN116660992A (zh) | 2023-08-29 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Dokht et al. | Seismic event and phase detection using time–frequency representation and convolutional neural networks | |
Saad et al. | Earthquake detection and P-wave arrival time picking using capsule neural network | |
CN113657450B (zh) | 基于注意机制的陆战场图像-文本跨模态检索方法及其系统 | |
CN110705525A (zh) | 一种诊断滚动轴承故障的方法及装置 | |
CN113723255B (zh) | 一种高光谱影像分类方法和存储介质 | |
CN111680176A (zh) | 基于注意力与双向特征融合的遥感图像检索方法及系统 | |
CN113095370B (zh) | 图像识别方法、装置、电子设备及存储介质 | |
CN116524361A (zh) | 基于双孪生分支的遥感图像变化检测网络及检测方法 | |
CN114255403A (zh) | 基于深度学习的光学遥感图像数据处理方法及系统 | |
Bai et al. | Attention-based LSTM-FCN for earthquake detection and location | |
CN116152611A (zh) | 一种多级多尺度点云补全方法、系统、设备及存储介质 | |
CN117671432B (zh) | 变化分析模型训练方法、装置、电子设备及存储介质 | |
CN111563528A (zh) | 基于多尺度特征学习网络与双边滤波的sar图像分类方法 | |
Ku et al. | Earthquake event classification using multitasking deep learning | |
CN113111706B (zh) | 一种面向方位角连续缺失的sar目标特征解缠与识别方法 | |
CN116660992B (zh) | 一种基于多特征融合的地震信号处理方法 | |
CN117407816A (zh) | 一种基于对比学习的多元时间序列异常检测方法 | |
Wang et al. | MIANet: Multi-level temporal information aggregation in mixed-periodicity time series forecasting tasks | |
CN115331311A (zh) | 一种手势识别和位置分类联合深度学习方法 | |
CN113111919B (zh) | 一种基于深度高分辨率的高光谱图像分类方法 | |
CN112052336B (zh) | 一种基于社交网络平台信息的交通突发事件识别方法及系统 | |
Liu et al. | TBSCD-Net: A Siamese Multi-task Network Integrating Transformers and Boundary Regularization for Semantic Change Detection from VHR Satellite Images | |
Ying et al. | DGMA 2-Net: A Difference-Guided Multiscale Aggregation Attention Network for Remote Sensing Change Detection | |
Li et al. | Boundary discrimination and proposal evaluation for temporal action proposal generation | |
CN115114953B (zh) | 一种基于循环神经网络的情绪脑信号识别方法 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |