基于深度学习的微震信号分类方法、装置及存储介质.pdf

(19)中华人民共和国国家知识产权局(12)发明专利申请(10)申请公布号CN110308485A(43)申请公布日2019.10.08(21)申请号201910601781.2(22)申请日2019.07.05(71)申请人中南大学地址410083湖南省长沙市岳麓区麓山南路932号申请人长沙施玛特迈科技有限公司(72)发明人彭平安王李管张建国何正祥蒋元建(74)专利代理机构长沙瀚顿知识产权代理事务所(普通合伙)43223代理人吴亮朱敏(51)Int.Cl.G01V1/28(2006.01)G01V1/30(2006.01)权利要求书2页说明书12页附图3页(54)发明名称基于深度学习的微震信号分类方法、装置及存储介质(57)摘要本发明公开了一种基于深度学习的微震信号分类方法、装置及存储介质，该分类方法包括：获取微震信号；对所述微震信号进行特征提取，得到用于表征所述微震信号的表达特征，其中，所述表达特征为基于分帧和各分帧对应的时域及频域特征确定的二维特征矩阵；基于所述表达特征和用于分类的分类模型进行分类识别，确定所述微震信号对应的分类结果；其中，所述分类模型为基于训练集数据进行深度学习训练确定的模型。其可以实现对微震传感器监测的微震信号按照预设的分类模型进行自动准确分类，利于提升地压灾害监测的智能化水平。CN110308485ACN110308485A权利要求书1/2页1.一种基于深度学习的微震信号分类方法，其特征在于，获取微震信号；对所述微震信号进行特征提取，得到用于表征所述微震信号的表达特征，其中，所述表达特征为基于分帧和各分帧对应的时域及频域特征确定的二维特征矩阵；基于所述表达特征和用于分类的分类模型进行分类识别，确定所述微震信号对应的分类结果；其中，所述分类模型为基于训练集数据进行深度学习训练确定的模型。2.如权利要求1所述的基于深度学习的微震信号分类方法，其特征在于，所述对所述微震信号进行特征提取得到用于表征所述微震信号的表达特征，包括：对微震信号基于设定的帧长度进行分帧处理，得到多个分帧，其中，所述多个分帧中相邻两分帧部分重叠；针对每个所述分帧，确定各所述分帧对应的时域特征和频域特征；基于所述多个分帧和各所述分帧对应的时域特征和频域特征确定所述表达特征；其中，所述时域特征包括以下至少之一：能量、过零率及能量熵；所述频域特征包括以下至少之一：谱质心、谱宽度、谱熵、谱通量、谱滚降、梅尔频率倒谱系数、谐波比、基础频率及色度向量。3.如权利要求1所述的基于深度学习的微震信号分类方法，其特征在于，所述基于所述表达特征和用于分类的分类模型进行分类识别，确定所述微震信号对应的分类结果之前，还包括：获取所述训练集数据，所述训练集数据包括经过人工分类标注的微震信号对应的表达特征；基于所述训练集数据和深度学习算法进行深度学习训练，确定所述分类模型。4.如权利要求3所述的基于深度学习的微震信号分类方法，其特征在于，所述训练集数据包括：岩体破裂微震事件对应的第一训练集数据、爆破事件对应的第二训练集数据集及噪声对应的第三训练集数据。5.如权利要求3所述的基于深度学习的微震信号分类方法，其特征在于，所述基于所述训练集数据和深度学习算法进行深度学习训练，确定所述分类模型，包括：对所述训练集数据输入卷积神经网络CNN进行深度学习训练，调整所述CNN的网络参数，得到所述分类模型。6.如权利要求5所述的基于深度学习的微震信号分类方法，其特征在于，所述CNN采用16层网络结构，包括依序连接：输入层、第一卷积层、第一激活层、第一跨通道归一化层、第一最大池化层、第二卷积层、第二激活层、第二跨通道归一化层、第二最大池化层、第一全连接层、第三激活层、第二全连接层、第四激活层、第三全连接层、第五激活层及输出层。7.如权利要求5所述的基于深度学习的微震信号分类方法，其特征在于，所述对所述训练集数据输入CNN进行深度学习训练之前，包括：对所述训练集数据划分为两部分，一部分作为验证集数据，另一部分作为输入CNN的训练集数据。8.一种基于深度学习的微震信号分类装置，其特征在于，包括：获取模块，用于获取微震信号；2CN110308485A权利要求书2/2页特征提取模块，用于对所述微震信号进行特征提取，得到用于表征所述微震信号的表达特征，其中，所述表达特征为基于分帧和各分帧对应的时域及频域特征确定的二维特征矩阵；分类识别模块，用于基于所述表达特征和用于分类的分类模型进行分类识别，确定所述微震信号对应的分类结果；其中，所述分类模型为基于训练集数据进行深度学习训练确定的模型。9.一种基于深度学习的微震信号分类设备，其特征在于，包括：存储器，用于存储计算机程序；处理器，用于执行所述存储器中存储的计算机程序时，实现如权利要求1至7任一所述的基于深度学习的微震信号分类方法。10.一种