[發(fā)明專利]一種基于改進(jìn)模型遷移學(xué)習(xí)的微震事件識別方法

在審

• 申請?zhí)枺?/td>: 202110276110.0
• 申請日: 2021-03-15
• 公開（公告）號: CN113158792A
• 公開（公告）日: 2021-07-23
• 發(fā)明（設(shè)計）人: 丁琳琳;曹魯杰;于海友;潘一山;張翰林
• 申請（專利權(quán)）人: 遼寧大學(xué)
• 主分類號: G06K9/00
• 分類號: G06K9/00;G06K9/46;G06K9/62;G06N3/04;G06N3/08
• 代理公司: 沈陽杰克知識產(chǎn)權(quán)代理有限公司 21207
• 代理人: 王洋

一種基于改進(jìn)模型遷移學(xué)習(xí)的微震事件識別方法，步驟1)時間序列數(shù)據(jù)的預(yù)處理；步驟2)CNN特征提??；步驟3)LSTM特征提取；步驟4)源域特征及時間序列特征遷移；步驟5)微震分類器生成與識別。本發(fā)明通過上述方法，提供了一種基于改進(jìn)模型遷移學(xué)習(xí)的微震事件識別方法，在考慮微震數(shù)據(jù)圖像特征的同時，遷移源域和原始時間序列數(shù)據(jù)的特征，最終實(shí)現(xiàn)微震事件的有效識別。

技術(shù)領(lǐng)域

本發(fā)明屬于微震事件數(shù)據(jù)處理領(lǐng)域，涉及一種微震事件的識別方法，發(fā)明具體始終涉及一種基于改進(jìn)模型遷移學(xué)習(xí)的微震事件識別方法。

背景技術(shù)

礦山微震監(jiān)測系統(tǒng)運(yùn)用于大部分礦區(qū)中，其源源不斷地產(chǎn)生大量的微震數(shù)據(jù)。由于這些數(shù)據(jù)有混入噪聲及其他干擾信號的可能性，使得微震數(shù)據(jù)及其復(fù)雜。微震數(shù)據(jù)一般具有數(shù)據(jù)量大、維度高、更新快等特點(diǎn)。微震事件識別問題是微震大數(shù)據(jù)處理領(lǐng)域中的重點(diǎn)問題，具有較高的應(yīng)用價值。微震事件識別任務(wù)中，基于深度學(xué)習(xí)的CNN和LSTM等神經(jīng)網(wǎng)絡(luò)技術(shù)是解決微震事件識別問題的有效方法。基于神經(jīng)網(wǎng)絡(luò)的識別方法具有以下優(yōu)勢：模型針對微震事件數(shù)據(jù)自動提取特征，特征逐層傳遞；通過參數(shù)共享機(jī)制大大減小了參數(shù)的數(shù)量，顯著提高了計算機(jī)的處理效率；參數(shù)系統(tǒng)隨機(jī)設(shè)置并通過反向誤差回傳機(jī)制被逐步修改，提高分類的準(zhǔn)確性。CNN主要通過卷積操作對微震事件圖像數(shù)據(jù)進(jìn)行特征提取，共享權(quán)重并且網(wǎng)絡(luò)結(jié)構(gòu)加深；LSTM通過對微震事件時間序列數(shù)據(jù)進(jìn)行特征提取，能夠解決長期依賴關(guān)系，可以防止梯度消失并使時間序列數(shù)據(jù)在較長的時間跨度內(nèi)充分利用時間信息。

現(xiàn)有的微震事件識別方法主要存在兩方面的問題。一方面，由于微震事件數(shù)據(jù)量過小，在訓(xùn)練神經(jīng)網(wǎng)絡(luò)模型時容易出現(xiàn)過擬合等問題；另一方面，基于神經(jīng)網(wǎng)絡(luò)的微震事件識別模型效率和精度不高。因此，本發(fā)明基于神經(jīng)網(wǎng)絡(luò)和遷移學(xué)習(xí)的方法，首先構(gòu)建CNN和LSTM模型，利用CNN和LSTM分別對圖像和時間序列數(shù)據(jù)進(jìn)行特征提取；然后結(jié)合遷移學(xué)習(xí)的思想，對源域數(shù)據(jù)進(jìn)行特征遷移學(xué)習(xí)來解決數(shù)據(jù)量小的問題，同時對時間序列數(shù)據(jù)的特征進(jìn)行遷移學(xué)習(xí)，最終提出一種基于改進(jìn)模型遷移學(xué)習(xí)的微震事件識別方法。

發(fā)明內(nèi)容

為了解決現(xiàn)有微震事件識別方法的不足，本發(fā)明提供一種基于改進(jìn)模型遷移學(xué)習(xí)的微震事件識別方法，能夠快速有效地處理微震事件數(shù)據(jù)準(zhǔn)確識別的問題。

為了實(shí)現(xiàn)上述目的，本發(fā)明創(chuàng)造采用了如下技術(shù)方案：

一種基于改進(jìn)模型遷移學(xué)習(xí)的微震事件識別方法，其步驟為：

步驟1)時間序列數(shù)據(jù)的預(yù)處理：把源域和目標(biāo)域時間序列數(shù)據(jù)轉(zhuǎn)化為圖像，并對目標(biāo)域進(jìn)行選取有效時間序列數(shù)據(jù)操作；

步驟2)CNN特征提取過程：通過卷積層、池化層和全連接層的特征提取，得到每層對應(yīng)的權(quán)重w和偏置值b；

步驟3)LSTM特征提取過程：添加注意力機(jī)制評估，使得數(shù)據(jù)對應(yīng)權(quán)值改變，通過LSTM的輸入門、忘記門、內(nèi)部記憶單元和輸出門進(jìn)行時間序列數(shù)據(jù)的特征提取；

步驟4)源域特征及時間序列特征遷移：大樣本源域特征對卷積層、池化層和第一層全連接層的遷移，圖像所對應(yīng)原始時間序列數(shù)據(jù)通過LSTM循環(huán)神經(jīng)網(wǎng)絡(luò)處理后進(jìn)行第二層全連接層的特征遷移；

步驟5)微震分類器生成與識別：通過數(shù)據(jù)標(biāo)簽與特征的對應(yīng)關(guān)系，訓(xùn)練模型生成分類器，最終實(shí)現(xiàn)微震事件的識別。

所述的步驟1)中，具體步驟為：

1.1)時間序列數(shù)據(jù)轉(zhuǎn)化為圖像：利用MATLAB對源域和目標(biāo)域時間序列數(shù)據(jù)的xyz三分量數(shù)值求平均值，畫出微震數(shù)據(jù)圖像；

1.2)選取有效時間序列數(shù)據(jù)：