[发明专利]一种基于深度学习的微震多时窗智能P波到时拾取方法

权利要求书

1.一种基于深度学习的微震多时窗智能P波到时拾取方法，其特征在于，其步骤为：

1)采集用于模型训练与测试的数据集，采用多时窗微震信号到时拾取方法，依据时窗滑过P波到时的不同状态，将微震波形分为不同种类的微时窗；

2)搭建CGAS的P波到时拾取模型，对该模型进行训练：

2.1)搭建CGAS的P波到时拾取模型，该模型的层次结构主要包括卷积神经网络CNN、压缩函数Squash、注意力机制Attention、门控单元GRU、等相关网络结构，首先采用4层CNN对波形进行特征提取，每层CNN包括不同大小数量的卷积核、批量标准化层BN、最大池化层MaxPooling、Squash函数、Relu激活函数，其中Squash函数如公式(1)所示。

式中j为卷积核编号，S_j为第j维卷积层的输出，v_j为卷积层经过压缩后CNN层的输入；之后通过Squash函数对一组不同的卷积核进行压缩，在系统模型结构当中，通过不同的卷积核形成胶囊层，再进行压缩。

经过4层CNN之后，对输出结果进行三次并行的全连接操作，三个全连接的输出结果分别作为参数K，Q，V输入到Attention机制当中，Attention对系统模型中的波形震动特征进行提取；该机制通过Softmax对不同的特征值进行归一化，对这些特征值赋予不同的参数以提高关键特征在波形分类中的作用占比，Attention机制公式如公式(2)所示。

式中Q，K，V分别为输入数据的维度，由于系统当中的网络模型使用的是Self-Attention机制所以Q，K，V是同一输入数据经过不同的全连接操作得到的；

Attention层结构的输出通过GRU层从而获得波形的时间序列特征，最后经过全连接层并通过SoftMax函数对结果进行分类；

2.2)设置模型的迭代次数为i，批处理数量为b，迭代次数由数据集大小决定，批处理数量由处理器内存决定；

2.3)设置模型的损失函数、设置模型优化器以及学习率，模型的损失函数采用交叉熵损失函数，模型优化器采用Adam优化器，学习率为e；

2.4)将训练集数据输入到模型当中进行训练；

3)使用测试集对模型进行测试评估；若CGAS模型通过测试，则对模型以及相关参数保存下来，进行步骤4)；若CGAS模型未通过测试，重复步骤2.2)、步骤2.3)、步骤2.4)；

4)使用CGAS模型对波形进行P波到时拾取；

5)当多个台站监测到微震事件后，使用CGAS模型对多个台站监测到的震动波形数据进行多时窗的滑动分类；

6)记录微震事件和各台站的到时信息。

2.根据权利要求1所述的一种基于深度学习的微震多时窗智能P波到时拾取方法，其特征在于，所述的步骤1)中，具体划分方式为：

时间窗口长度为n秒钟，根据台站的采样频率设置采样点数量，将训练集划分成5类序列时窗，时窗数据按照步长向前滑动，设手动拾取的P波到时位置为w，时窗中点位置为m；若m∈[n/2,w-n/2]，则该时窗为第1类时窗；若m∈[w-n/2,w-1]，则该时窗为第2类时窗；若m∈[w-1,w+1]则该时窗为第3类时窗；若m∈[w+1,w+n/2]，则该时窗为第4类时窗；若m∈[w+n/2,l]，则该时窗为第5类时窗，其中l为波形震动部分长度。第3类时窗的中点位置即为要获取的P波到时。

3.根据权利要求1所述的一种基于深度学习的微震多时窗智能P波到时拾取方法，其特征在于，所述的步骤3)中，具体评估方法如下：

采用准确率、精确率、召回率以及F1分数模型指标对模型进行评估，当模型的准确率、精确率、召回率以及F1分数低于设置的阈值则判断为不合格的模型，准确率和召回率以及F1分数的具体公式如下：

其中TP为检测正确波形的次数，FP为将错误波形检测为正确的次数，FN为正确波形漏选的次数。