[发明专利]基于深度神经网络的声发射初至信号分类与识别方法

权利要求书

1.基于深度神经网络的声发射初至信号分类与识别方法，其特征在于，该方法包括以下步骤：

S1、对采集得到的声发射原始数据进行清洗处理；

S2、对声发射原始数据进行预处理，并将预处理后的数据分为主动源数据、被动源数据及噪声数据三类，定义数据类型作为标签信息；

S3、进行多层神经网络模型构建与训练；

S4、向训练完毕的神经网络模型中输入全新声发射数据，及对应的标签，实现发射信号的识别与分类；

其中，所述对采集得到的声发射原始数据进行清洗处理包括以下步骤：

S11、评估声发射原始数据的数据量，分析原始数据的整体质量；

S12、对原始数据中存在的缺失值进行处理；

S13、采用平均值来代替原始数据中的存在的异常值；

S14、对多通道原始数据进行归一化处理；

S15、检查原始数据道头字段，并删除道头字段中不完整的数据；

其中，所述对原始数据中存在的缺失值进行处理包括以下步骤：

S121、当数据中多个通道均存在大量缺失值，则删除该数据；

S122、当某个数据中只存在个别通道中的某些时刻出现缺失值，则取平均值来填充；

所述对声发射原始数据进行预处理，并将预处理后的数据分为主动源数据、被动源数据及噪声数据三类，定义数据类型作为标签信息包括以下步骤：

S21、针对待测物体建立空间直角坐标系，确定声发射监测阵列中每个探测器的坐标位置，并将三维坐标位置对应写入多通道数据的道头文件中；

S22、筛选出原始数据中的主动数据源，同时将震源激发位置坐标写入对应的数据道头中；

S23、区分出原始数据中的被动源数据与噪声数据；

S24、将筛选与区分完毕后的数据分为主动数据源、被动源数据及噪声数据三类，并在数据道头中分别对三类数据类型进行标记；

S25、对主动源数据与被动源数据中的初至信息进行拾取，并将拾取所得的到时信息写入对应的数据道头字段中；

S26、根据比例对数据进行随机抽取并划分为训练集与测试集；

所述进行多层神经网络模型构建与训练包括以下步骤：

S31、构建有若干隐藏层的深度神经网络模型，并输入数据集中的数据；

S32、计算神经网络模型的输入与输出标签的误差来更新网络参数；

S33、用验证集来验证神经网络模型，当验证训练达到预设准确率后，完成神经网络模型训练；

所述计算神经网络模型的输入与输出标签的误差来更新网络参数包括以下步骤；

S321、使用自适应参数的优化方法实现神经网络参数更新；

S322、采用交叉熵作为损失函数计算神经网络的误差；

其中，所述神经网络模型中通过采用线性整流函数作为神经元的激活函数，神经网络模型末端的输出层使用归一化植树函数。

2.根据权利要求1所述的基于深度神经网络的声发射初至信号分类与识别方法，其特征在于，所述多通道原始数据由声发射监测阵列所包含的多个探测器监测得到。

3.根据权利要求2所述的基于深度神经网络的声发射初至信号分类与识别方法，其特征在于，所述道头字段中包含时间信息。

4.根据权利要求3所述的基于深度神经网络的声发射初至信号分类与识别方法，其特征在于，所述训练集与测试集的比例为8：2。