[发明专利]一种结合U-net网络和DenseNet网络的微地震有效信号检测方法

权利要求书

1.一种结合U-net网络和DenseNet网络的微地震有效信号检测方法，其特征在于，包括：

步骤1，利用有限差分正演生成不同地层模型下的模拟信号，与利用检波器实际采集到的实际地层资料共同构成原始数据集；

步骤2，用算法对所述原始数据集进行初至拾取，选取初至和非初至处的信号波形并分别进行标定；

步骤3，在原有的U-net网络中添加两个Denseblock；

步骤4，将标定后的信号数据集输入MSNet网络中进行学习，对学习后输出的信号作Softmax函数计算，将计算结果与标定后的数据集作交叉熵计算损失函数，最小化损失函数以调整网络参数；

所述步骤4具体过程如下：

步骤4.1：将信号数据集输入MSNet网络中进行学习，所述学习步骤具体为：

1)通过U-net收缩路径：输入信号，信号数据集通过U-net网络的收缩路径，用于获取信号的上下文信息；

2)通过Denseblock1：信号数据集通过U-net网络里添加的第一个Dense block模块，再通过U-net网络本来所具备的上采样结构，实现原信号特征向量的恢复，使得最终输出与输入信号向量一模一样的向量，实现端对端识别；

3)通过卷积：信号数据集通过卷积层，卷积核在信号上滑过，得到各个通道的特征图，即学习信号的特征；

4)通过池化：信号数据集通过池化层，对信号进行下采样，减少特征的维度，以减少网络参数；

5)通过Denseblock2：信号数据集通过U-net网络里添加的第二个Dense block模块，与所述通过Denseblock1方法相同；

6)通过卷积：信号数据集通过卷积层，卷积核在信号上滑过，得到各个通道的特征图，即学习信号的特征；

7)通过池化：信号数据集通过池化层，对信号进行下采样，减少特征的维度，以减少网络参数；

8)通过U-net扩张路径的顺序进行：信号数据集通过U-net网络的扩张路径，对数据集中所需要分割出来的部分进行精准定位，输出信号；

步骤4.2：对学习后输出的信号作Softmax函数计算，用Softmax函数计算输出概率，得到每一个点的二分类概率，0分类为非初至，1分类为初至，选取初至类别的概率峰值为初至点；

步骤4.3：将Softmax计算后的输出信号作为函数的预测标签，将初至拾取制作的one-hot标签作为真实标签，预测标签和真实标签作交叉熵计算得到损失函数；

步骤4.4：用Adam算法最小化损失函数以调整网络参数；

步骤5，Softmax计算后的输出信号通过网络参数调整，所得概率峰值点所在的位置，即为输入信号通过MSNet学习后标定的初至点。

2.根据权利要求1所述的结合U-net网络和DenseNet网络的微地震有效信号检测方法，其特征在于，所述步骤2具体过程为：

利用STA算法对信号进行初至拾取，选取拾取曲线峰值处对应的点作为初至点，制作one-hot标签，将初至位点置标为1。

3.根据权利要求1所述的结合U-net网络和DenseNet网络的微地震有效信号检测方法，所述步骤4.2和步骤4.3中，计算概率分布的Softmax函数公式表示为：

其中，k＝1～6001表示采样点个数，q_k(x)表示每个点为初至的概率。

4.根据权利要求1所述的结合U-net网络和DenseNet网络的微地震有效信号检测方法，所述步骤4.3和步骤4.4中，调整网络参数损失函数的公式表示为：

其中，H(p,q)表示损失函数，pi(x)表示真实标签，qi(x)表示预测标签，通过最小化损失函数以取得最优网络参数，所述真实标签为步骤2初至拾取所制作的one-hot标签，所述预测标签为步骤4通过网络学习识别出来的初至位置。