[发明专利]基于声纹深度特征的硬岩拉剪破裂识别方法及装置

权利要求书

1.基于声纹深度特征的硬岩拉剪破裂识别方法，其特征在于，包括：

步骤S1：获取硬岩张拉破裂和剪切破裂的声音信号，并绘制成相应的Wigner-Ville声纹图形；

步骤S2：利用预训练深度神经网络提取张拉和剪切破裂两类声纹图的深度特征；

步骤S3：将张拉和剪切两类破裂信号声纹图的深度特征作为训练样本训练IVM；

步骤S4：监测硬岩的破裂声音信号，获取相应的破裂声音声纹图；

步骤S5：利用预训练深度神经网络对预测的声音声纹图进行深度特征提取，并根据IVM分类结果，确定此时刻硬岩破裂类型；

步骤S6：将IVM分类结果良好的预测样本也一同作为训练样本加入到训练集合中，对之后监测所得的声音进行预测。

2.根据权利要求1中基于声纹深度 特征的硬岩拉剪破裂识别方法，其特征在于，所述步骤S1包括：首先，通过现场试验获取危岩岩样的张拉破裂和剪切破裂的声音信号；然后，将原声信号转换成时间-频率-幅值的三维平面Wigner-Ville声纹图。

3.根据权利要求1中基于声纹深度 特征的硬岩拉剪破裂识别方法，其特征在于，所述步骤S2包括：提取张拉和剪切两类声纹图形的深度特征的方法为：由步骤S1获得声音声纹图带入预训练的深度神经网络中，提取网络层中的深度特征矩阵，将上述的深度特征作为区分张拉破裂和剪切破裂声音信号的依据。

4.根据权利要求1中基于声纹深度 特征的硬岩拉剪破裂识别方法，其特征在于，所述步骤S3还包括：将所提取的张拉和剪切两类声纹图的深度特征矩阵作为训练样本对IVM模型进行训练，并利用交叉验证方法提高IVM模型的对训练样本的泛化能力。

5.根据权利要求1中基于声纹深度 特征的硬岩拉剪破裂识别方法，其特征在于，所述步骤S6还包括：将预测结果为0p*0.2的剪切样本和预测结果为0.8p*1张拉破裂样本，作为新的训练样本加入到训练样本集合中，重新训练IVM模型，提高IVM的学习深度，并对之后监测得到的破裂声音信号进行预测。

6.基于声纹深度 特征的硬岩拉剪破裂识别装置，其特征在于，包括：

拉剪采样模块Z1，用于对硬岩的岩样开展张拉破裂实验和剪切破裂实验获取相应的张拉破裂声音和剪切破裂声音，用于之后声音信号特征的提取；

声纹深度特征提取模块Z2，用于将原声信号绘制成声纹图并提取声音声纹图的深度特征；

IVM计算模块Z3，用于将已经提取的声纹图深度特征作为IVM模型的训练样本，并且对预测样本做出分类结果；

现场声音信号监测模块Z4，用于对现场硬岩的破裂声音信号进行监测、提取，获取现场硬岩的破裂声音信号，并作为预测样本交给IVM计算模块分类识别；

显示模块Z5，用于显示上述各模块之间的计算结果，及控制各个模块的进程；

传输模块Z6，用于实现对各模块之间的信息通信，实现各模块间信息的储存和传递。

7.根据权利要求6 所述的基于声纹深度 特征的硬 岩拉剪破裂识别装置，其特征在于，所述声纹深度特征提取模块Z2包括：

声纹图形生成单元Z2-1，用于计算生成声音信号的声纹图形；

声纹图深度特征提取单元Z2-2，利用预训练深度神经网络对生成的声纹图形进行深度特征的提取，预训练网络包括：VGG、Resent、Inception–X中的一个或多个。

8.根据权利要求6 所述的基于声纹深度 特征的硬 岩拉剪破裂识别装置，其特征在于，所述IVM计算模块Z3包括：

均匀化样本单元Z3-1，其用于均匀化训练样本；

交叉训练单元Z3-2，其用于交叉训练样本，训练IVM模型；

模型参数调整单元Z3-3，其用于对IVM模型训练较差的情况，调整IVM模型的参数，以适应训练；

预测样本显示单元Z3-4，其用于显示IVM模型对于预测样本的预测结果。