[发明专利]基于全过程可视化的卷积神经网络微震监测波形识别方法

权利要求书

1.一种基于全过程可视化的卷积神经网络微震监测波形识别方法，其特征在于，步骤如下：

S1、构建训练所需要的数据集，人工标注单通道数据；

S2、将波形数据集按照70％、10％、20％随机划分为训练集、验证集以及测试集；

S3、将原始波形图片进行图像缩放、归一化、标准化及灰度化图像预处理操作；

S4、在Lenet网络中，用卷积层代替全连接层，增加激活层；

S5、在模型训练过程中采用随机梯度下降方法，增加批量归一化层；

S6、在模型中增加注意力机制，并对模型识别不同波形种类的过程进行可视化解释；

S7、分类好的波形数据集加载到改进模型中进行训练，每一轮训练完的结果用验证集数据进行验证，观察模型在验证集中的学习情况，根据情况调整学习率，直至模型稳定，最后测试集测试模型的准确率。

2.如权利要求1所述的基于全过程可视化的卷积神经网络微震监测波形识别方法，其特征在于，步骤S4中，用卷积层代替全连接层步骤如下：

将原始模型的卷积通道数修改为64→128→256，采用全局平均池化层代替全连接层，通过求卷积神经网络每个特征图的平均值作为输出值，将输入图像修改成矩形，根据输入波形图像的特点设置高*宽分别为5*3、3*5、3*3、5*5的卷积核。

3.如权利要求1所述的基于全过程可视化的卷积神经网络微震监测波形识别方法，其特征在于，步骤S4中，增加激活层步骤如下：

在LeNet每一层卷积层之后添加一个非线性激活函数层；激活函数使用ReLU：

f(x)＝max(0,x)

其中x表示自变量。

4.如权利要求1所述的基于全过程可视化的卷积神经网络微震监测波形识别方法，其特征在于，步骤S5中，所述批量归一化层是一个有参数化且可学习的网络层，在进入批量归一化层之前对数据进行预处理，即白化操作，如下式：

其中，μ_β表示每批输入数据的平均值，表示每批数据的方差，ε表示实数；

引入了两个可学习的参数γ、β，对归一化的数据进行变换重构，最终输出下式：

详细算法框架如下：

输入：Values of x over a mini-batch:β＝{x_1...m}；

Parameters to be learned:γ、β

输出：{y_i＝BN_γ,β(x_i)}

其中u表示均值、σ表示标准差。

5.如权利要求1所述的基于全过程可视化的卷积神经网络微震监测波形识别方法，其特征在于，步骤S6中，添加的注意力采用SENet，网络在学习波形特征的过程中，同时学习每个通道对总体特征的贡献值，然后依照所述贡献值来提升有用的特征，并抑制对当前任务贡献不大的波形特征；给定一个特征通道数c₁输入x，对x进行一系列卷积操作变换得到一个特征通道数为c₂的特征集；然后在此基础上进行Squeeze、Excitation、Reweight操作，最终得到一个具有通道权重分配的特征

6.如权利要求5所述的基于全过程可视化的卷积神经网络微震监测波形识别方法，其特征在于，步骤S6具体步骤如下：

首先进行传统卷积F_tr操作，输出c₂*h*w形状的特征图；

Squeeze:然后进行F_sq操作，将一个channel上整个空间特征编码成一个全局特征，采用全局平均池化global average pooling来实现，这一层的输出是c₂*1*1的特征图，下式：

其中：u_c表示u中第c个二维矩阵，c表示通道数，H是高度，W是宽度；

Excitation:Squeeze操作得到了一个包含空间上全局信息的编码，抓取各个channel之间的关系，通过门机制来捕获通道间的依赖关系，如下式：

s＝F_ex(z,W)＝σ(g(z,W))＝σ(W₂δ(W₁z))

其中，s表示门控单元，W₁表示全连接层的降维权重，W₂表示全连接层的升维权重，δ表示ReLU激活函数，σ表示Sigmoid激活函数；

Fscale:在学习到了通道权重后，Scale操作通过乘法将归一化的权重逐通道加权到先前的特征上，来重新校正通道维度中的原始特征，如下式：

其中，和F_scale(u_c,s_c)指的是特征映射u_c∈R^w×h和标量s_c之间的对应通道的乘积，是的一个特征通道的一个Feature Map，s_c是门控单元s中的一个标量值。