[发明专利]一种基于多尺度卷积神经网络的微地震事件检测方法

权利要求书

1.一种基于多尺度卷积神经网络的微地震事件检测方法，其特征在于包括如下步骤：

步骤一、训练数据集预处理：

数据集准备包括微地震资料的获取、滑动窗口大小和步长的设定、数据增强、数据集的归一化处理；用不同频率的雷克子波正演得到的微地震资料添加上不同强度的高斯白噪声作为样本，通过添加不同信噪比SNR的高斯白噪声来进行数据增强，通过数据增强的方法来提高数据集的覆盖程度，缩小训练集和测试集之间的差距，其中SNR定义如下：

式中：P_signal表示信号的平均能量；P_noise表示噪声的平均能量；

步骤二、设计神经网络模型：

1)学习特征选取

采用雷克子波完整波形和雷克子波半波波形作为学习特征，利用神经网络的强大非线性映射能力找到学习特征与微地震事件的映射关系；

2)网络模型搭建

微地震资料通过卷积神经网络，得到多个尺度上的特征图，并在每个尺度上对特征图进行特征检测，然后把每个尺度上的检测结果输入C-F模型进行多尺度不确定性的信任度合成，得到最终检测结果；

搭建的多尺度卷积神经网络结构的输入层由A、C两个超参数决定，A的取值由采样频率和雷克子波主频和检波器采样周期决定，C决定训练一次输入的数据量；网络的隐含层由卷积层和全连接层组成，隐含层首先是6个卷积层做特征提取，加快网络对微地震事件和背景噪声的特征的学习，在减少卷积滤波器个数保证网络运算量；卷积滤波器感受野逐渐减小，每一个卷积层输出的特征图在经过BN层和ReLu层后送入下一个卷积层，同时用Flatten操作把多维特征图一维化后送入检测器，分类器由全连接组成，输入大小由该尺度上的特征图数量和大小决定；把每个尺度上的检测结果同时送入C-F模型进行最终的决策；

步骤三、训练并保存训练好的网络模型：

设置输入层的两个超参数，确定学习率和迭代次数；用步骤一混合高斯白噪声的微地震信号作为训练集输入步骤二中搭建的多尺度卷积神经网络模型中，模型反向传播调整网络参数，前向传递做检测，直到模型在验证集上的表现达到要求或则迭代次数达到设定次数后保存模型；若模型迭代次数达到设定值后在验证集上表现仍然达不到要求，则调整输入层的超参数、学习率和迭代次数并相应的改变数据集的长度来改善网络效果，直至模型性能达到要求保存好网络模型参数；

步骤四、性能验证：

将步骤一中用于测试模型性能的数据集加入不同强度的高斯白噪声，并用滑动窗口截取信号片段，其中长度和训练样本相同；最大误差为检波器采样周期和滑动步长之积，滑动步长越小微地震初至时间和实际时间的误差就越小；将处理好的测试样本输入到步骤三训练好的网络模型中，观察其检测效果和初至拾取精度。

2.根据权利要求1所述的基于多尺度卷积神经网络的微地震事件检测方法，其特征在于：所述的C-F模型进行最终的决策的方法；

经过神经子网得到的结果是介于0到1之间的概率值，分别表示在该尺度上检测判断该窗口包含有微地震事件的概率值；用结论不确定性的合成算法求出每个尺度对最终检测结果的影响：

if E_i then H(CF(H,E_i))，i＝1,2,3…n.

式中：E_i表示在尺度i上检测为微地震事件；H表示为微地震事件；CF(H,E_i)为可信度因子，反映前提条件E_i与结论H的联系强度，即在尺度i上检测为微地震事件时为微地震事件的可信度；

可信度因子通过验证集得到，神经网络输出概率值即为证据的不确定性CF(E)；C-F模型中的不确定性推理是从不确定的初始证据出发，通过运用相关的不确定性知识，最终推出结论并求出结论的可信度值；结论H的可信度由下式计算：

CF(H)＝CF(H,E)×MAX{0,CF(E)}

在本发明中分别对每一条证据的可信度，即求出在尺度i上检测为微地震事件的可信度，然后通过结论不确定性算法求出多个证据对最终结论的综合影响所形成的可信度，通过比较综合可信度来判断该窗口是否存在微地震事件；结论不确定性算法如下所示：

各个尺度上的检测结果为证据的不确定性CF(E)，可信度因子CF(H,E)为验证集的准确度，经过上述结论不确定性算法两两合成得到最终检测结果。