1.一种边坡滚石微震信号的自动检测方法,其特征在于,包括以下步骤:
步骤A,使用无缆节点地震仪采集信号,包括滚石微震信号、自然噪声信号、地震信号与大型机械微震信号,并对采集到的信号数据进行预处理,建立数据库;
步骤B,使用连续小波变换获取时频图,用于制作边坡滚石微震信号分类的训练集和验证集,对训练集数据进行数据增强处理;
步骤C,构建引入双注意力机制的卷积神经网络,通过训练减小损失值函数,获取50轮训练中损失值小于0.1的网络权重参数,将其中最小的网络权重参数作为引入双注意力机制的卷积神经网络检测模型的参数;
构建引入双注意力机制的卷积神经网络模型包括卷积模块、注意力模块和分类模块三个部分;
所述卷积模块部分用于提取信号时频变换后的局部特征,其由三个卷积块组成,每个卷积块包含三个CNN层、三个批归一化层和三个RELU激活函数;
所述注意力模块部分由三个并行的多头自注意力层、SE通道注意力层、最大池化层和一个特征融合层构成;
其中,多头自注意力层由三个部分组成,分别是层归一化、多头自注意力以及MLP构成;MLP由第一全连接层,激活函数和第二全连接层组成;多头自注意力进行特征提取的过程为:将输入特征X分别通过三组线性层生成Q、K、V:Q=XWQ,K=XWK,V=XWV;计算Q和K的点积相似性,用于衡量每个patch对其他patch的相关性:多头注意力通过分头计算,将输入拆分为多个子空间,从不同的角度捕获特征:
MultiHead(Q,K,V)=Concat(head1,head2,…,headh)WO,
以上公式中,Q、K、V分别为查询、键和值;WQ,WK,WV为线性变换的权重矩阵;dk为每个注意力头的特征维度;h为头的数量,每个头独立计算注意力;Concat为将h个头的输出拼接;headi是第i个头的输出;WO为可训练的线性投影矩阵;Softmax为对相似度进行归一化,得到注意力权重;
SE通道注意力层通过结合最大池化和平均池化来提取每个通道的全局特征,通过降维和升维操作,学习到每个通道的重要性分布最后通过sigmoid函数将特征通道的重要性转化为介于0到1之间的权重系数,通过点乘和相加操作将每个通道的权重重新分配到输入特征图中;
所述分类模块部分由FC模块和softmax函数构成,其中,FC模块由全局平均池化层、两个Dropout层和三个全连接层构成;
步骤D,对实时检测的地震数据进行信号拾取,将每3s的数据作为一个数据片段,在每个数据片段内使用去噪后的MER-AIC方法进行异常信号拾取,在每个数据片段内得到异常信号位置索引;
步骤E,根据步骤D中计算得到的异常信号位置索引结果,计算每个信号索引前后共3000个采样点的连续小波变换,形成二维时频图并自动保存,将其作为步骤C中引入双注意力机制的卷积神经网络检测模型的输入,得出识别结果实现自动检测。
2.根据权利要求1所述的一种边坡滚石微震信号的自动检测方法,其特征在于:步骤A,预处理过程,包括对信号进行去直流信号以及使用滤波器去噪。
3.根据权利要求1所述的一种边坡滚石微震信号的自动检测方法,其特征在于:步骤B,训练集数据增强操作,包括随机水平翻转和随机裁剪。
4.根据权利要求1所述的一种边坡滚石微震信号的自动检测方法,其特征在于:步骤C,对引入双注意力机制的卷积神经网络模型按照指定参数进行训练,包括以交叉熵作为损失函数,SGD作为网络优化器,批尺寸12,学习动量0.9,初始学习率设为0.001,而后每过10轮训练,学习率变为原来的十分之一。
5.根据权利要求1所述的一种边坡滚石微震信号的自动检测方法,其特征在于,步骤D,对每个数据片段内使用去噪后的MER-AIC方法进行异常信号拾取的步骤为:步骤D1,对该片段信号使用Curvelet方法进行去噪处理,去噪过程具体包括信号预处理、Curvelet变换、阈值处理及逆Curvelet变换得到去噪后的信号;
步骤D2,对该片段进行归一化处理,使得信号幅度在[-1,1]范围内;
步骤D3,采用MER算法识别出异常信号以及初至位置,利用前后两个长度为200的时窗扫描信号,并计算两个时窗内信号的能量比值;当扫描时窗通过异常信号初至位置时,能量比值会增大;当能量比阈值大于10时,将能量比值的峰值位置作为初至时刻,在这个时刻点前后开一个长度为300的时窗使用AIC算法拾取信号的精确初至,根据统计特征上的差异区分有效信号与噪声,在初至位置有效信号与噪声的拟合程度最低,通过计算代价函数的最小值找到精确初至时刻;其中,MER算法能量比判别公式与AIC算法代价函数公式如下:其中,R表示信号x在j时刻前后窗口内的能量变化程度,e表示时窗长度,k是能量比值峰值位置的索引,是能量比值峰值位置之前数据的方差,是能量比值峰值位置之后数据的方差,N是时窗总长度,C是常数。
6.根据权利要求1所述的一种边坡滚石微震信号的自动检测方法,其特征在于:步骤E,将步骤D保存的时频图调整形状为256*256*3,输入到引入双注意力机制的卷积神经网络检测模型中进一步判断,保存所得结果,包括将步骤C所得50轮训练中损失值最小的网络权重参数加载到卷积神经网络模型中,再采用双三次插值法调整异常微震信号二维时频图尺寸为256*256*3,满足网络输入要求,之后将其输入到卷积神经网络,经过计算后将产生两个输出,分别代表其为滚石信号的概率以及其他噪声的概率;当滚石信号的概率大于另一个概率,则最终确定其为滚石信号;然后,计算其出现的时间;重复进行以上步骤直到判断完所有时频图。