[發明專利]一種基于Swin Transformer的煤礦微震信號分類辨識方法

在審

• 申請號: 202210794551.4
• 申請日: 2022-07-05
• 公開（公告）號: CN115169400A
• 公開（公告）日: 2022-10-11
• 發明（設計）人: 張杏莉;王曉紅;盧新明
• 申請（專利權）人: 山東科技大學
• 主分類號: G06K9/00
• 分類號: G06K9/00;G06K9/62
• 代理公司: 青島眾智源知識產權代理事務所(普通合伙) 37355
• 代理人: 張紅鳳

本發明公開了一種基于Swin Transformer的煤礦微震信號分類辨識方法，屬于信號識別技術領域。包括：步驟1、對煤礦微震信號和爆破信號兩類樣本信號進行數據歸一化，構建樣本信號像素柱狀特征圖，形成兩類信號像素柱狀特征圖訓練集和測試集；步驟2、基于像素柱狀特征圖訓練集，采用Swin Transformer模型訓練兩類信號的分類器，用訓練集數據訓練信號分類器，利用測試集數據驗證信號分類器的分類辨識效果，通過交叉訓練不斷提升分類精度；步驟3、轉換待辨識信號時序圖為像素柱狀特征圖，輸入Swin Transformer信號分類器中，得到該信號的辨識結果。本發明能對煤礦微震信號和爆破信號進行有效分類。

技術領域

本發明屬于信號分析及識別領域，具體涉及一種基于Swin Transformer的煤礦微震信號分類辨識方法。

背景技術

煤礦微震監測系統采集到的信號中除了大量有效的煤巖破裂微震信號，還包含了煤礦爆破作業產生的大量爆破震動信號，煤巖破裂微震信號波形與爆破震動信號波形又極為相似，需將煤巖破裂微震信號從海量監測數據中識別出來，采用人工識別方式，識別難度大，工作效率低。

目前，國內外對煤礦微震信號和爆破信號的識別方法主要包括傅里葉變換、小波變換、小波包變換和經驗模態分解(Empirical Mode Decomposition，EMD)等。如傳統的傅里葉變換主要用于分析周期性平穩信號，對包含有尖峰和突變的隨機性、非平穩性微震信號分析效果欠佳；EMD方法存在邊界效應及模態混疊現象，導致EMD分解信號具有不穩定性和不唯一性，EMD的這些缺陷使得在信號辨識時難免存在弊端。這些方法用于信號分析時均在一定程度上解決了兩類震動信號的辨識問題，但忽略了當前煤礦監測大數據環境和深度學習等新一代信息化技術在信號分類辨識技術中的應用，影響了信號分類辨識精度的進一步提高。

由此可見，現有技術中的信號分類辨識精度還有待于進一步提高。

發明內容

本發明的目的在于提供一種基于SwinTransformer的煤礦微震信號分類辨識方法，其對煤礦微震信號和爆破信號兩類樣本信號進行數據歸一化，構建樣本信號像素柱狀特征圖，并形成兩類信號像素柱狀特征圖訓練集和測試集，構基基于像素柱狀特征圖訓練集，采用Swin Transformer模型訓練兩類信號的分類器，用訓練集數據訓練該信號分類器，利用測試集數據驗證信號分類器的分類辨識效果。

為了實現上述目的，本發明采用了如下技術方案：

一種基于Swin Transformer的煤礦微震信號分類辨識方法，依次包括如下步驟：

步驟1：分別選取M個煤礦微震信號、N個爆破信號，并對選取得到的M個煤礦微震信號和N個爆破信號組成的兩類樣本信號進行數據歸一化，分別構建兩類樣本信號的像素柱狀特征圖，并形成兩類樣本信號的像素柱狀特征圖的訓練集和測試集；

步驟2：基于SwinTransformer模型構建煤礦微震信號、爆破信號分類器，用所述的訓練集中的數據訓練該信號分類器，利用所述的測試集中的數據驗證信號分類器的分類辨識效果，通過交叉訓練不斷提升分類精度；

步驟3：轉換待辨識信號時序圖為像素柱狀特征圖，輸入步驟2得到的基于SwinTransformer信號分類器中，得到該信號的辨識結果。

進一步的，步驟1中，對兩類樣本信號進行數據歸一化的具體步驟為：

假設煤礦微震信號或爆破信號為x(t)，t＝1,2,…,P；

步驟1.1.1：根據式(1)計算得到兩類樣本信號的絕對值的最大特征值；

X_max＝max(abs(x(t))) (1)

式(1)中，X_max為信號x(t)的絕對值最大特征值；