[发明专利]基于深度神经网络的微震信号到时和震相识别方法及系统

权利要求书

1.基于深度神经网络的微震信号到时和震相识别方法，其特征在于，包括以下步骤：

S1、获取预设维数的三分量数据；

S2、对用于网络模型训练的所述三分量数据进行到时拾取，作为对应样本数据的标签信息；

S3、将所述三分量数据数据和所述标签信息划分为训练数据集、验证数据集和测试数据集；

S4、搭建一个深度为10层的卷积神经网络模型；

S5、计算网络的输入和输出标签的误差，以完成网络参数的更新；

S6、将数据输入得到的网络结构进行模型训练；

S7、设置一个验证参数N，当迭代训练N次后，停止网络训练；即用于微震信号到时和震相识别的深度卷积神经网络模型构建完成；

S8、把未经过处理的数据集输入到训练好的网络模型中，网络输出为对应于输入数据维度的三个概率，对应识别出P波、S波和其他信号；所述其他信号包括：噪声、反射波、多次波和转换波。

2.如权利要求1所述的基于深度神经网络的微震信号到时和震相识别方法，其特征在于，所述步骤S7还包括：

当未到达预设的准确率时，返回执行步骤S6，继续利用输入数据进行模型训练。

3.如权利要求2所述的基于深度神经网络的微震信号到时和震相识别方法，其特征在于，所述步骤S4包括：

采用一维卷积神经网络进行设计，包括一个编码器网络和一个带着分级输出层的对应解码器网络，并把道对道三分量记录应用到模型输入中；

其中，所述解码器被设计成Segnet和U-net的结合体；

所述编码器网络由四层组成，编码器每一层均包含一个卷积块。

4.如权利要求3所述的基于深度神经网络的微震信号到时和震相识别方法，其特征在于，所述步骤S8，包括：

当输入数据在时间上有一个维度但特征通道有三个分量时，每个卷积层的维度是二，一个维度为特征图中数据的长度，另一个维度为通道的数量；给定第k+1层的输入特性是Y^k，在第k+1层中卷积计算单元的第p个特征输出通道可以用下面的式子(1)表示：

(1)式中N表示归一化的生产批量，B^k+1[p]表示在第k+1层第p个输出特征图的偏压矢量，R表示卷积核的长度和宽度，x表示特征图中的指数，s表示被设为1的给定的步长，F表示特征图中数据的长度；输入特征图的通道数为C；输出特征图的通道数为P；

输出被一个非线性函数批量归一化和激活，改进网络的非线性并引进稀疏性；

选择能改进网络的非线性并引入稀疏性的漏电整流线性单元；

解码器输出中的高维特征表示用来供给可训练的softmax分级器；softmax分级器输出概率的三个通道；三是指P波、S波和其他波级别的数量。

5.如权利要求4所述的基于深度神经网络的微震信号到时和震相识别方法，其特征在于，所述softmax分级器为公式(5)：

其中，i表示范围从1到3的级别的指数，F_i(y)表示在输出层中整个卷积单元的输出值。

6.基于深度神经网络的微震信号到时和震相识别系统，其特征在于，包括：

获取模块，用于获取预设维数的三分量数据；

拾取模块，对用于网络模型训练的所述三分量数据进行到时拾取，作为对应样本数据的标签信息；

划分模块，用于将所述三分量数据数据和所述标签信息划分为训练数据集、验证数据集和测试数据集；

搭建模块，用于搭建一个深度为10层的卷积神经网络模型；

计算更新模块，用于计算网络的输入和输出标签的误差，以完成网络参数的更新；

训练模块，用于将数据输入得到的网络结构进行模型训练；

收敛完成模块，用于设置一个验证参数N，当迭代训练N次后，停止网络训练；即用于微震信号到时和震相识别的深度卷积神经网络模型构建完成；

输出识别模块，用于把未经过处理的数据集输入到训练好的网络模型中，网络输出为对应于输入数据维度的三个概率，对应识别出P波、S波其他信号；所述其他信号包括：噪声、反射波、多次波和转换波。