[发明专利]联合U-Net++和UDA的微地震有效信号初至拾取方法及装置

权利要求书

1.一种联合U-Net++和UDA的微地震有效信号初至拾取方法，其特征在于，所述方法包括：

S1、获取原始微地震信号数据并进行预处理，得到微地震信号数据集；

S2、根据微地震信号数据集的部分数据制作有标签数据集，其余为无标签数据集；

S3、将有标签数据集和无标签数据集一并投入到U-Net++网络中分别进行基于高斯噪音的有监督训练和基于数据增强的无监督训练，将预测出的有监督部分的损失值和无监督部分的损失值整合为最终损失值，将所述最终损失值作为衡量整个网络模型质量的标准进行半监督模型训练；

S4、通过训练好的网络模型进行微地震有效信号初至拾取。

2.根据权利要求1所述联合U-Net++和UDA的微地震有效信号初至拾取方法，其特征在于，所述步骤S1具体包括：

用matlab画出原始微地震信号数据的剖面图并标记信号的采样点，提取出有效信号道、剔除无效道，通过低通或高通滤波实现信号和噪音的分离；

使用S变换对微地震信号进行时频分析，得到微地震信号数据集；所述S变换的公式为：

其中为高斯窗函数，t代表时间，f代表频率。

3.根据权利要求1所述联合U-Net++和UDA的微地震有效信号初至拾取方法，其特征在于，所述步骤S3中，所述基于高斯噪音的有监督训练的过程为：

将有标签数据集分为两批标签信号，一批保持不变，另一批通过添加高斯噪音进行干扰；将两批有标签信号放入U-Net++网络进行卷积、池化操作得到端对端的输出；

对于保持不变的数据，计算得到条件概率分布p_θ(y|x)，对于添加高斯噪音进行干扰的数据，计算得到条件概率分布p_θ(y^*|x,∈)；

整合计算两批特征不同层次的交叉熵损失，将骰子系数引入交叉熵损失中，作为有监督部分的损失值，有监督部分的损失公式为：

其中x指代输入，y和y^*分别指代真实值和预测值，b指第b个信号，N为批量大小，θ指模型参数，L指带标签的样本，∈指代噪音。

4.根据权利要求3所述联合U-Net++和UDA的微地震有效信号初至拾取方法，其特征在于，所述步骤S3中，所述基于数据增强的无监督训练的过程为：

将无标签数据集分为两批无标签信号，一批进行数据增强，另一批保持不变；将两批无标签信号放入U-Net++网络进行卷积、池化操作得到端对端的输出；

将上采样后得到的信号按如下方式处理：对于保持不变的数据，计算给定输入x时y的条件概率分布对于经过增强的数据计算给定输入时y的条件概率分布

整合计算两批次不同层次的一致性损失，将一致性损失作为无监督部分的损失值，其计算公式为：

其中U指无标签数据，是数据增强转换，是当前参数θ的固定副本。

5.根据权利要求5所述联合U-Net++和UDA的微地震有效信号初至拾取方法，其特征在于，所述步骤S3中，所述最终损失值由使用权重因子平衡有监督损失和无监督损失得到，其表达式为：

final_loss＝cross_entropy_loss+λconsistency_loss

λ为权重因子；

对于网络最终输出的final_loss值，若final_loss小于等于预设阈值，表明模型收敛性好，保留其训练数据；若final_loss值大于预设阈值，采用BP神经网络算法将最后一层得到的特征结果向前推进更新参数，直到模型收敛。

6.根据权利要求1所述联合U-Net++和UDA的微地震有效信号初至拾取方法，其特征在于，所述步骤S3中，所述半监督模型训练中使用随机梯度下降作为优化器训练样本，通过每个样本的损失函数对θ求导得到相应梯度进而更新参数θ，通过调参优化网络，其训练公式为：

其中θ是迭代参数，y是函数输出量，h(θ)是求出的拟合函数，j是参数个数，θ′是沿θ梯度负方向更新的得到的参数；