CN118193950A - 基于一维卷积神经网络的地震计自噪声计算方法 - Google Patents
基于一维卷积神经网络的地震计自噪声计算方法 Download PDFInfo
- Publication number
- CN118193950A CN118193950A CN202410393047.2A CN202410393047A CN118193950A CN 118193950 A CN118193950 A CN 118193950A CN 202410393047 A CN202410393047 A CN 202410393047A CN 118193950 A CN118193950 A CN 118193950A
- Authority
- CN
- China
- Prior art keywords
- noise
- seismometer
- data
- neural network
- 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.)
- Granted
Links
- 238000013527 convolutional neural network Methods 0.000 title claims abstract description 54
- 238000004364 calculation method Methods 0.000 title claims abstract description 32
- 238000000034 method Methods 0.000 claims abstract description 49
- 238000012549 training Methods 0.000 claims abstract description 21
- 238000005259 measurement Methods 0.000 claims abstract description 19
- 230000006870 function Effects 0.000 claims description 33
- 238000011176 pooling Methods 0.000 claims description 19
- 230000004913 activation Effects 0.000 claims description 18
- 238000012545 processing Methods 0.000 claims description 15
- 238000010606 normalization Methods 0.000 claims description 12
- 238000012360 testing method Methods 0.000 claims description 6
- 230000003213 activating effect Effects 0.000 claims description 3
- 238000004422 calculation algorithm Methods 0.000 claims description 3
- 238000012417 linear regression Methods 0.000 claims description 3
- 230000011218 segmentation Effects 0.000 claims description 3
- 238000011425 standardization method Methods 0.000 claims description 2
- 238000004458 analytical method Methods 0.000 abstract description 11
- 230000001427 coherent effect Effects 0.000 abstract description 9
- 239000000284 extract Substances 0.000 abstract description 4
- 210000002569 neuron Anatomy 0.000 description 12
- 238000013528 artificial neural network Methods 0.000 description 7
- 238000001228 spectrum Methods 0.000 description 4
- 238000011161 development Methods 0.000 description 3
- 230000018109 developmental process Effects 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 238000013507 mapping Methods 0.000 description 3
- 238000012546 transfer Methods 0.000 description 3
- 239000000654 additive Substances 0.000 description 2
- 230000000996 additive effect Effects 0.000 description 2
- 238000001514 detection method Methods 0.000 description 2
- 238000011156 evaluation Methods 0.000 description 2
- 230000003595 spectral effect Effects 0.000 description 2
- 230000004075 alteration Effects 0.000 description 1
- 238000000354 decomposition reaction Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 238000013441 quality evaluation Methods 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 238000000926 separation method Methods 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000001360 synchronised effect Effects 0.000 description 1
Landscapes
- Geophysics And Detection Of Objects (AREA)
Abstract
本发明公开了一种基于一维卷积神经网络的地震计自噪声计算方法，包括建立一维卷积神经网络；以理论计算或生产厂家标称的被测地震计自噪声数据与标准地震计实测的当地背景噪声数据相加构建训练数据集，然后输出推测的当地背景噪声，再以该推测的当地背景噪声与前述的标准地震计实测的当地背景噪声求差获得损失函数值；以被测地震计的实测混合噪声作为完成训练后一维卷积神经网络模型的输入，通过该一维卷积神经网络模型输出推测的当地背景噪声，再从被测地震计的实测混合噪声中减去推测的当地背景噪声，最终计算出被测地震计自噪声。本发明打破了传统自噪声计算方法中因相干分析带来的局限，降低了对同步性的要求，能够准确提取地震计的自噪声。
Description
技术领域
本发明涉及地震计自噪声的计算方法，属于地震或声学的勘探或探测技术领域。
背景技术
地震计是获取地震信号的核心设备，广泛应用于地震监测、地震勘探和油气开发等领域。地震计自噪声反应了地震计能够识别的最小信号幅度，影响了地震计记录信号的动态范围和数据质量，决定了地震计信号观测能力的下限，是地震计的关键性能指标之一。随着地震领域对地震仪器性能越来越高的要求，测定地震计的自噪声成为制造商和科研人员评估地震计性能而必须开展的一项工作，精确测定地震计自噪声并探寻其与理论值的差异对地震仪器设备研制和观测数据质量评价等均具有重要意义。
地震计自噪声是在无外界信号输入时，内部机械结构和电子元器件等正常运行所产生的固有噪声。地震计自噪声信号幅值极其微弱，部分频段会被当地的地球背景震动噪声淹没，无法直接准确测量，并且地震计微弱的自噪声易受环境中的震动噪声和电磁噪声干扰，容易导致自噪声整体估计水平偏高。此外，由于地震计的自噪声属于宽带信号，背景噪声信号的频谱会与地震计自噪声的频谱重叠，因此传统的带通滤波分离方法不能适用。为了有效评估地震计的噪声性能，需要研究一种地震计噪声信号处理方法，从而能够准确分离地震计自噪声和背景噪声。
目前，应用最为广泛的地震计自噪声计算方法是两台法和三台法。两台法是在相同的低背景噪声地点，相同实验条件下同时采集两台距离足够近的地震计，并且认为两台地震计采集到了相同的背景震动噪声，该背景噪声具有相干性，而地震计的自噪声均为随机信号，不具备相干性，因此可采用相干分析提取背景噪声并从混合噪声信号中加以去除，余下的非相干部分即为地震计的自噪声（Holcomb L G. 1989. A direct method forcalculating instrument noise levels in side-by-side seismometer evaluations.[S.l.]:U.S. Geological Survey Open-File Report.）。与两台法类似，三台法指在相同地点，相同实验条件下同时采集三台距离足够近的地震计，与两台法不同的是，三台法引入了第三台地震计的噪声功率谱，通过推导出不同地震计传递函数的比值与噪声功率谱的比值关系，用噪声功率谱的比值关系将传递函数的比值关系予以替代，最后经过相干分析，将地震计的自噪声与背景噪声分离（Sleeman R, van Wettum A, Trampert J. 2006.Three-channel correlation analysis:A new technique to measure instrumentnoise of digitizers and seismic sensors. Bulletin of the SeismologicalSociety of America, 96(1): 258-271. DOI:10.1785/0120050032）。例如，现有技术尹康达,李冬圣,张晓刚等.甚宽频带地震计自噪声测试方法对比[J].地震地磁观测与研究,2023,44(05):74-80就针对两台法和三台法进行了同址自噪声的比较测试。
此外，针对地震计的自噪声计算，中国发明专利CN115857013A（2023.03.28）公开了一种利用改进welch法计算地震计自噪声的方法，该方法基于两台地震计的数据文件，通过两台地震计各自的传递函数，以及平均自功率谱密度和平均互功率谱密度得到各自地震计的自噪声。
但是，两台法和三台法的不足之处主要有两点：
其一是相干分析本身的局限性：仿真实验表明，在高信噪比时，相干分析的结果会明显高于真实噪声水平（Holcomb L G. 1990. A Numerical Study of Some PotentialSources of Error in Side-by-Side Seismometer Evaluations.[S.l.]:U.S.Geological Survey Open-File Report.），且微小的误差扰动会使相干分析结果产生较大的偏差，使地震计自噪声计算结果不准确。
其二是对数据采集的同步性要求高：两台法和三台法使用的相干分析要求参与计算的地震计均要同时采集，以能够提取出具有相干性的背景噪声，这就要求采集器的时间系统具有高同步性，当其受外界干扰而产生微弱偏差时，将会产生不准确的相干分析结果。
随着深度学习技术的发展，卷积神经网络在图像识别、目标检测等多个领域均得到了广泛的应用，并显著提高了各个领域信号处理的性能。相较于常用的二维卷积神经网络和其他神经网络，一维卷积神经网络具有较少的参数量和较小的过拟合风险，更加适用于震动信号、心电信号等一维信号的分析与处理。基于上述原因，本发明尝试提供一种新的地震计自噪声计算途径。
发明内容
本发明旨在提供一种基于一维卷积神经网络的地震计自噪声计算方法，一方面规避传统的两台法和三台法中因相干分析带来的局限性，另一方面取消对地震计数据同步采集的要求，有效分离并预测混合噪声中的背景噪声，从而准确地提取地震计的自噪声。
为了实现上述目的，本发明采用了下述技术方案：
基于一维卷积神经网络的地震计自噪声计算方法，包括：
S1，建立一维卷积神经网络模型；
S2，以理论计算或生产厂家标称的被测地震计自噪声数据与标准地震计实测的当地背景噪声数据相加构建训练数据集，输入并训练S1中建立的一维卷积神经网络，然后输出推测的当地背景噪声，再以该推测的当地背景噪声与前述的标准地震计实测的当地背景噪声求差获得损失函数值，从而更新S1中建立的一维卷积神经网络的参数；
S3，以被测地震计的实测混合噪声作为S2中完成训练后的一维卷积神经网络模型的输入，通过该一维卷积神经网络模型输出推测的当地背景噪声，再从被测地震计的实测混合噪声中减去推测的当地背景噪声，最终计算出被测地震计自噪声。
作为一种方案，所述S1中，一维卷积神经网络模型包括依次连接的输入层、卷积层、激活层、池化层、全连接层和输出层，其中：
所述输入层中，对噪声数据进行归一化处理；
所述卷积层中，对归一化后的噪声数据进行卷积、求和以及添加偏置；
所述激活层中，采用激活函数激活卷积层的输出；
所述池化层中，对激活层的输出结果进行下采样，提取主要特征；
所述全连接层和输出层给出一维卷积神经网络模型的最终输出结果。
作为一种选择，所述输入层中，采用min-max标准化法，将噪声数据映射到[0-1]之间实现归一化处理，记为归一化后的结果，则：/>，，其中，/>表示每段数据的数据索引，/>为每段数据的总点数，/>为输入到输入层的噪声数据，/>为/>对应的向量。
作为一种选择，所述激活层中，采用ReLU函数作为激活函数。
作为一种选择，所述池化层中，池化方法为平均池化法或最大值池化法。
作为一种选择，所述全连接层和输出层中，采用sigmoid函数作为激活函数。
作为一种方案，所述S2和S3中，将标准地震计和被测地震计固定在同一台面上进行实测噪声数据采集。
进一步，基于一维卷积神经网络的地震计自噪声计算方法还包括：
对采集到的标准地震计实测噪声数据和被测地震计实测噪声数据进行分段处理，并对每一段数据进行去均值和去线性度处理，然后对每段数据进行地震计增益的归一化处理，其中：
实测噪声数据记为，其中/>为采集的噪声数据总点数，下标/>表示标准地震计的噪声数据，下标/>表示被测地震计的噪声数据；
去除均值后的噪声数据记为，则/>，/>，/>表示每段数据的数据索引，/>为每段数据的总点数；
去除线性度后的噪声数据记为，则/>，，/>为使用最小二乘法拟合出的噪声数据线性回归线；
地震计增益归一化后的噪声数据记为，则/>，，/>为地震计自身的增益。
需要指出的是，直接采集的地震数据一般是长时间的（几天或十几天），受计算机内存资源限制，需要将长时间数据分成小段，然后分别取若干个小段组成一个批（batch），每次取一个批（batch）进行训练。根据实际训练的损失函数值不断调整每段长度和批（batch）大小，使训练结果达到最优。
作为一种方案，所述S2中,根据1范数计算一维卷积神经网络推测的当地背景噪声与标准地震计实测的当地背景噪声的损失函数值。
所作为一种方案，所述S2中，采用反向传播算法更新卷积核的权重和偏置/>，即：
；
；
其中，为迭代次数，/>为学习率，E为损失函数值。
与现有的两台法和三台法相比，本发明采用了一维卷积神经网络建立地震计混合噪声与当地背景噪声之间的映射关系，从而使背景噪声能够从混合噪声中分离，达到提取地震计自噪声的目的。针对两台法和三台法使用的相干分析的局限性，本发明采用的一维卷积神经网络并不基于相干分析，因此在高信噪比条件下，一维卷积神经网络也能够有效预测出背景噪声；针对两台法和三台法对数据采集同步性要求高的缺点，本发明首先构建出训练集，训练一维卷积神经网络使其具备当地背景噪声的特征，并将该特征应用到实测噪声数据中，因此不要求地震计数据采集的同步性。
在地震计自噪声的计算问题上，本发明的计算方法具备以下特点：
（1）本发明提出了采用一维卷积神经网络计算地震计的自噪声，一维卷积神经网络参数较少，过拟合风险低，适用于地震计噪声等一维信号的处理；
（2）本发明提出了将理论或标称的被测地震计自噪声数据与标准地震计实测的当地背景噪声数据相加构建训练集，采用1范数构建推测和实测当地背景噪声之间的损失函数，训练一维卷积神经网络具备当地背景噪声的特征，以及从混合噪声信号中提取背景噪声的能力；
（3）本发明提出了使用已训练的一维卷积神经网络应用于被测地震计的实测混合噪声信号中，以提取被测地震计测得的当地背景噪声，并将该背景噪声从混合噪声中去除，得到被测地震计的自噪声值。
附图说明
图1是基于一维卷积神经网络的地震计自噪声计算原理图；
图2是基于一维卷积神经网络的地震计自噪声工作流程图；
图3是一维卷积神经网络结构与原理图。
具体实施方式
下面结合附图和具体实施例对本发明作进一步的说明，但不应就此理解为本发明所述主题的范围仅限于以下的实施例，在不脱离本发明上述技术思想情况下，凡根据本领域普通技术知识和惯用手段做出的各种修改、替换和变更，均包括在本发明的范围内。
在测量地震计的自噪声时，实际采集到的信号为地震计自噪声和当地背景噪声混合的噪声信号，其中背景噪声是独立于自噪声的加性成分：
；
上式中，为混合噪声信号，/>为地震计自噪声，/>为测量时的当地背景噪声。
由于背景噪声是一种加性成分，地震计自噪声的计算可以等效为一种分解任务。为了实现这一目的，如图1所示，本发明将理论计算或生产厂家标称的被测地震计自噪声数据与标准地震计实测的当地背景噪声数据相加，作为一维卷积神经网络的输入（标准地震计的自噪声极低，其测得的噪声可视为当地背景噪声），将推测的当地背景噪声作为网络的输出，通过构建推测和实测当地背景噪声数据之间的损失函数，优化一维卷积神经网络的参数，使其具备当地背景噪声的特征；然后将被测地震计的实测混合噪声数据输入到已训练的一维卷积神经网络，此时网络会推测出一组当地背景噪声数据，将其从被测地震计的实测混合噪声中去除，即可得到被测地震计的自噪声。
根据上述地震计自噪声计算思路，本发明设计了如图2所示的工作流程，具体步骤如下：
1.噪声数据采集：在低背景噪声的洞室中，将被测地震计和标准地震计固定在同一台面上，并分别接入采集器，设置采集器的采集参数一致，其中采样率一般设置为100sps，量程一般设置为采集器的最小量程，随后开始采集并记录足够时长的噪声数据，形式一般为，其中/>表示采集的噪声数据，/>为/>对应的向量，为采集的噪声数据总点数（直接采集的、未经分段处理的数据总点数），下标/>表示标准地震计，下标/>表示被测地震计；
2.噪声数据预处理：将被测地震计和标准地震计测得的混合噪声数据进行分段，并对每一段数据进行去均值和去线性度处理，以消除采集设备引入的偏置和漂移，然后对每段数据进行地震计增益的归一化：
，/>；
，/>；
，/>；
上式中，表示每段数据的数据索引，/>为分段后的每段数据的总点数，/>为去除均值后的噪声数据，/>为去除线性度后的噪声数据，/>为地震计增益归一化后的噪声数据，/>为使用最小二乘法拟合出的噪声数据线性回归线，/>为地震计自身的增益；
3.构建训练数据集：将理论计算或厂商标称的被测地震计自噪声数据与标准地震计测得的当地背景噪声数据进行叠加，形成训练数据集：
，/>；
上式中，为训练数据集/>中对应的数据，/>表示每段数据的数据索引，/>为每段数据的总点数，下标/>表示标准地震计，下标/>表示被测地震计，/>为被测地震计理论或标称的自噪声，/>为标准地震计预处理后的当地背景噪声；
4.训练一维卷积神经网络：如图3所示，一维卷积神经网络的基本结构包括输入层、卷积层、激活层、池化层、全连接层和输出层。其中，输入层对噪声数据进行归一化处理，方便后续激活；卷积层使用一维卷积核对数据进行卷积运算，提取噪声数据的特征，然后将不同神经元的卷积结果进行求和并添加偏置；激活层使用激活函数引入非线性，以此来模拟输入和输出的非线性映射；池化层对数据进行下采样，提取主要特征，减少运算量；全连接层和输出层的每个神经元均通过权值连接，对噪声数据进行重新拟合，减少特征信息的损失。根据一维卷积神经网络每层的功能，设计如下训练流程：
（1）设计网络结构：根据地震计噪声信号特征确定网络层数和神经元个数；
（2）初始化网络参数：初始化卷积核的权重、偏置/>、学习率/>和卷积步幅等参数；
（3）数据归一化：在输入层中对噪声数据进行归一化，可采用min-max标准化法，将噪声数据映射到[0-1]之间，即：
，/>；
上式中，表示每段数据的数据索引，/>为每段数据的总点数，/>为输入到输入层的噪声数据，/>为/>对应的向量，/>为归一化后的结果；
（4）计算卷积：在卷积层中对归一化后的噪声数据进行卷积、求和以及添加偏置：
；
上式中，上标表示第/>层网络，下标/>表示某层网络的第/>个神经元，下标/>表示某层网络某个神经元输入数据的索引，/>为某卷积层的输入数据，若为第一层卷积层，，/>为卷积后的输出结果，/>为神经元的偏置，/>为卷积核的权重，/>表示卷积运算；
（5）激活：采用激活函数激活卷积层的输出结果，
；
上式中，上标表示第/>层网络，下标/>表示某层网络的第/>个神经元，/>为激活后的输出结果，/>为激活函数，可采用ReLU函数，即/>；
（6）池化：对激活后的输出结果进行下采样，提取主要特征，
；
上式中，上标表示第/>层网络，下标/>表示某层网络的第/>个神经元，/>为池化后的结果，/>表示池化操作，可选用平均池化法、最大值池化或其他池化方法；
（7）计算输出结果：根据全连接层和输出层的连接结构计算网络的输出值：
；
上式中，上标表示第/>层网络，下标/>表示全连接层或输出层的第/>个神经元，下标/>表示全连接层或输出层某个神经元输入数据的索引，/>为全连接层或输出层的输出结果，/>为神经元的偏置，/>为卷积核的权重，/>为激活函数，一般选用sigmoid函数，即：
；
（8）计算损失函数值：根据1范数计算网络推测的背景噪声与标准地震计实测的背景噪声的损失函数值E：
；
（9）更新参数：采用反向传播算法更新卷积核的权重和偏置：
；
；
上式中，为迭代次数，当网络推测的背景噪声与标准地震计实测背景噪声足够接近时，迭代完成。
5.输入实测数据：将被测地震计的实测混合噪声输入到训练完毕的一维神经网络中，得到推测的当地背景噪声；
6.计算被测地震计自噪声：用被测地震计的实测混合噪声减去推测的当地背景噪声，得到被测地震计的自噪声/>：
。
本发明采用一维卷积神经网络，将推测的背景噪声与标准地震计实测的背景噪声构建出损失函数，损失函数只与背景噪声有关，因此在任意信噪比条件下，一维卷积神经网络均能有效预测出背景噪声；此外，本发明将地震计的理论或标称自噪声与当地背景噪声叠加构建训练集，训练一维卷积神经网络具备当地背景噪声的特征，并将该特征应用到实测噪声数据中，因此无需同步采集地震计噪声。
以上为本发明的主要构思，凡是依据本构思进行的地震计自噪声计算均落入本发明的保护范围内。
Claims (10)
1.基于一维卷积神经网络的地震计自噪声计算方法，其特征在于，包括：
S1，建立一维卷积神经网络模型；
S2，以理论计算或生产厂家标称的被测地震计自噪声数据与标准地震计实测的当地背景噪声数据相加构建训练数据集，输入并训练S1中建立的一维卷积神经网络，然后输出推测的当地背景噪声，再以该推测的当地背景噪声与前述的标准地震计实测的当地背景噪声求差获得损失函数值，从而更新S1中建立的一维卷积神经网络的参数；
S3，以被测地震计的实测混合噪声作为S2中完成训练后的一维卷积神经网络模型的输入，通过该一维卷积神经网络模型输出推测的当地背景噪声，再从被测地震计的实测混合噪声中减去推测的当地背景噪声，最终计算出被测地震计自噪声。
2.根据权利要求1所述的基于一维卷积神经网络的地震计自噪声计算方法，其特征在于：所述S1中，一维卷积神经网络模型包括依次连接的输入层、卷积层、激活层、池化层、全连接层和输出层，其中：
所述输入层中，对噪声数据进行归一化处理；
所述卷积层中，对归一化后的噪声数据进行卷积、求和以及添加偏置；
所述激活层中，采用激活函数激活卷积层的输出；
所述池化层中，对激活层的输出结果进行下采样，提取主要特征；
所述全连接层和输出层给出一维卷积神经网络模型的最终输出结果。
3.根据权利要求2所述的基于一维卷积神经网络的地震计自噪声计算方法，其特征在于：所述输入层中，采用min-max标准化法，将噪声数据映射到[0-1]之间实现归一化处理，记为归一化后的结果，则：/>，/>，其中，/>表示每段数据的数据索引，/>为每段数据的总点数，/>为输入到输入层的噪声数据，/>为/>对应的向量。
4.根据权利要求2所述的基于一维卷积神经网络的地震计自噪声计算方法，其特征在于：所述激活层中，采用ReLU函数作为激活函数。
5.根据权利要求2所述的基于一维卷积神经网络的地震计自噪声计算方法，其特征在于：所述池化层中，池化方法为平均池化法或最大值池化法。
6.根据权利要求2所述的基于一维卷积神经网络的地震计自噪声计算方法，其特征在于：所述全连接层和输出层中，采用sigmoid函数作为激活函数。
7.根据权利要求1所述的基于一维卷积神经网络的地震计自噪声计算方法，其特征在于：所述S2和S3中，将标准地震计和被测地震计固定在同一台面上进行实测噪声数据采集。
8.根据权利要求7所述的基于一维卷积神经网络的地震计自噪声计算方法，其特征在于，还包括：
对采集到的标准地震计实测噪声数据和被测地震计实测噪声数据进行分段处理，并对每一段数据进行去均值和去线性度处理，然后对每段数据进行地震计增益的归一化处理，其中：
实测噪声数据记为，其中/>为采集的噪声数据总点数，下标/>表示标准地震计的噪声数据，下标/>表示被测地震计的噪声数据；
去除均值后的噪声数据记为，则/>，/>，/>表示每段数据的数据索引，/>为每段数据的总点数；
去除线性度后的噪声数据记为，则/>，/>，为使用最小二乘法拟合出的噪声数据线性回归线；
地震计增益归一化后的噪声数据记为，则/>，/>，为地震计自身的增益。
9.根据权利要求1所述的基于一维卷积神经网络的地震计自噪声计算方法，其特征在于：所述S2中,根据1范数计算一维卷积神经网络推测的当地背景噪声与标准地震计实测的当地背景噪声的损失函数值。
10.根据权利要求1所述的基于一维卷积神经网络的地震计自噪声计算方法，其特征在于：所述S2中，采用反向传播算法更新卷积核的权重和偏置/>，即：
；
；
其中，为迭代次数，/>为学习率，E为损失函数值。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410393047.2A CN118193950B (zh) | 2024-04-02 | 2024-04-02 | 基于一维卷积神经网络的地震计自噪声计算方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410393047.2A CN118193950B (zh) | 2024-04-02 | 2024-04-02 | 基于一维卷积神经网络的地震计自噪声计算方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN118193950A true CN118193950A (zh) | 2024-06-14 |
| CN118193950B CN118193950B (zh) | 2024-07-16 |
Family
ID=91403350
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202410393047.2A Active CN118193950B (zh) | 2024-04-02 | 2024-04-02 | 基于一维卷积神经网络的地震计自噪声计算方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN118193950B (zh) |
Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110058305A (zh) * | 2019-05-24 | 2019-07-26 | 吉林大学 | 一种基于卷积神经网络的das地震数据降噪方法 |
| CN113687414A (zh) * | 2021-08-06 | 2021-11-23 | 北京大学 | 基于数据增广的卷积神经网络地震层间多次波压制方法 |
| CN115330643A (zh) * | 2022-10-13 | 2022-11-11 | 中国石油大学(华东) | 基于卷积神经网络和视觉变换神经网络的地震去噪方法 |
| CN115857013A (zh) * | 2022-12-09 | 2023-03-28 | 中国科学院地质与地球物理研究所 | 一种利用改进welch法计算地震计自噪声的方法 |
| CN115903018A (zh) * | 2022-10-18 | 2023-04-04 | 南方科技大学 | 一种基于物理信息神经网络的背景噪声程函成像方法 |
| US20230296800A1 (en) * | 2022-07-11 | 2023-09-21 | Yikang Zheng | DAS Same-Well Monitoring Real-Time Microseismic Effective Event Identification Method Based on Deep Learning |
| CN117171514A (zh) * | 2023-09-11 | 2023-12-05 | 中国石油大学(华东) | 一种基于多尺度残差卷积的地震数据去噪方法 |
-
2024
- 2024-04-02 CN CN202410393047.2A patent/CN118193950B/zh active Active
Patent Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110058305A (zh) * | 2019-05-24 | 2019-07-26 | 吉林大学 | 一种基于卷积神经网络的das地震数据降噪方法 |
| CN113687414A (zh) * | 2021-08-06 | 2021-11-23 | 北京大学 | 基于数据增广的卷积神经网络地震层间多次波压制方法 |
| US20230296800A1 (en) * | 2022-07-11 | 2023-09-21 | Yikang Zheng | DAS Same-Well Monitoring Real-Time Microseismic Effective Event Identification Method Based on Deep Learning |
| CN115330643A (zh) * | 2022-10-13 | 2022-11-11 | 中国石油大学(华东) | 基于卷积神经网络和视觉变换神经网络的地震去噪方法 |
| CN115903018A (zh) * | 2022-10-18 | 2023-04-04 | 南方科技大学 | 一种基于物理信息神经网络的背景噪声程函成像方法 |
| CN115857013A (zh) * | 2022-12-09 | 2023-03-28 | 中国科学院地质与地球物理研究所 | 一种利用改进welch法计算地震计自噪声的方法 |
| CN117171514A (zh) * | 2023-09-11 | 2023-12-05 | 中国石油大学(华东) | 一种基于多尺度残差卷积的地震数据去噪方法 |
Non-Patent Citations (1)
| Title |
|---|
| 宋澄 等: "三地震计法精确测定地震计自身噪声研究", 华南地震, vol. 37, no. 03, 15 September 2017 (2017-09-15), pages 98 - 102 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN118193950B (zh) | 2024-07-16 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN108932480B (zh) | 基于1d-cnn的分布式光纤传感信号特征学习与分类方法 | |
| CN111442827B (zh) | 一种变压器绕组振动的光纤无源在线监测系统 | |
| CN113049084B (zh) | 一种基于注意力机制的Resnet的分布式光纤传感信号识别方法 | |
| CN110702418A (zh) | 航空发动机故障预测方法 | |
| CN114564982B (zh) | 雷达信号调制类型的自动识别方法 | |
| Wang et al. | Prediction model of natural gas pipeline crack evolution based on optimized DCNN-LSTM | |
| CN101900789A (zh) | 基于小波变换与分形维数的容差模拟电路故障诊断方法 | |
| CN113866102B (zh) | 一种基于光谱的土壤健康调查监测方法 | |
| CN114857504A (zh) | 基于分布式光纤传感器和深度学习的管道安全监测方法 | |
| CN111753776B (zh) | 基于回声状态与多尺度卷积联合模型的结构损伤识别方法 | |
| CN111181634B (zh) | 一种分布式光纤振动信号快速定位方法 | |
| CN113920255B (zh) | 基于点云数据的高效测绘系统 | |
| CN111365624A (zh) | 一种输卤管道泄漏检测的智能终端与方法 | |
| CN117009814A (zh) | 一种基于多源信息融合的发动机故障诊断方法及系统 | |
| Meng et al. | A gear fault diagnosis method based on improved accommodative random weighting algorithm and BB-1D-TP | |
| Peng et al. | A visual vibration characterization method for intelligent fault diagnosis of rotating machinery | |
| CN114077854A (zh) | 一种基于自适应VMD的φ-OTDR水声信号处理方法和装置 | |
| CN118193950B (zh) | 基于一维卷积神经网络的地震计自噪声计算方法 | |
| CN114065822B (zh) | 海洋潮流涨落的电磁识别方法及系统 | |
| CN115700595A (zh) | 基于射频指纹深度学习的身份识别方法及装置 | |
| CN113051809A (zh) | 一种基于改进受限玻尔兹曼机的虚拟健康因子构建方法 | |
| CN114047260B (zh) | 一种基于多尺度模糊熵的损伤识别方法及系统 | |
| CN117723782B (zh) | 用于桥梁结构健康监测的传感器故障识别定位方法及系统 | |
| CN117153188B (zh) | 一种基于声音频率的变功率设备故障分析方法及装置 | |
| CN112528849B (zh) | 一种基于内积矩阵及深度学习的结构健康监测方法 |
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 |