[发明专利]一种基于改进模型迁移学习的微震事件识别方法

说明书

一种基于改进模型迁移学习的微震事件识别方法，步骤1)时间序列数据的预处理；步骤2)CNN特征提取；步骤3)LSTM特征提取；步骤4)源域特征及时间序列特征迁移；步骤5)微震分类器生成与识别。本发明通过上述方法，提供了一种基于改进模型迁移学习的微震事件识别方法，在考虑微震数据图像特征的同时，迁移源域和原始时间序列数据的特征，最终实现微震事件的有效识别。

技术领域

本发明属于微震事件数据处理领域，涉及一种微震事件的识别方法，发明具体始终涉及一种基于改进模型迁移学习的微震事件识别方法。

背景技术

矿山微震监测系统运用于大部分矿区中，其源源不断地产生大量的微震数据。由于这些数据有混入噪声及其他干扰信号的可能性，使得微震数据及其复杂。微震数据一般具有数据量大、维度高、更新快等特点。微震事件识别问题是微震大数据处理领域中的重点问题，具有较高的应用价值。微震事件识别任务中，基于深度学习的CNN和LSTM等神经网络技术是解决微震事件识别问题的有效方法。基于神经网络的识别方法具有以下优势：模型针对微震事件数据自动提取特征，特征逐层传递；通过参数共享机制大大减小了参数的数量，显著提高了计算机的处理效率；参数系统随机设置并通过反向误差回传机制被逐步修改，提高分类的准确性。CNN主要通过卷积操作对微震事件图像数据进行特征提取，共享权重并且网络结构加深；LSTM通过对微震事件时间序列数据进行特征提取，能够解决长期依赖关系，可以防止梯度消失并使时间序列数据在较长的时间跨度内充分利用时间信息。

现有的微震事件识别方法主要存在两方面的问题。一方面，由于微震事件数据量过小，在训练神经网络模型时容易出现过拟合等问题；另一方面，基于神经网络的微震事件识别模型效率和精度不高。因此，本发明基于神经网络和迁移学习的方法，首先构建CNN和LSTM模型，利用CNN和LSTM分别对图像和时间序列数据进行特征提取；然后结合迁移学习的思想，对源域数据进行特征迁移学习来解决数据量小的问题，同时对时间序列数据的特征进行迁移学习，最终提出一种基于改进模型迁移学习的微震事件识别方法。

发明内容

为了解决现有微震事件识别方法的不足，本发明提供一种基于改进模型迁移学习的微震事件识别方法，能够快速有效地处理微震事件数据准确识别的问题。

为了实现上述目的，本发明创造采用了如下技术方案：

一种基于改进模型迁移学习的微震事件识别方法，其步骤为：

步骤1)时间序列数据的预处理：把源域和目标域时间序列数据转化为图像，并对目标域进行选取有效时间序列数据操作；

步骤2)CNN特征提取过程：通过卷积层、池化层和全连接层的特征提取，得到每层对应的权重w和偏置值b；

步骤3)LSTM特征提取过程：添加注意力机制评估，使得数据对应权值改变，通过LSTM的输入门、忘记门、内部记忆单元和输出门进行时间序列数据的特征提取；

步骤4)源域特征及时间序列特征迁移：大样本源域特征对卷积层、池化层和第一层全连接层的迁移，图像所对应原始时间序列数据通过LSTM循环神经网络处理后进行第二层全连接层的特征迁移；

步骤5)微震分类器生成与识别：通过数据标签与特征的对应关系，训练模型生成分类器，最终实现微震事件的识别。

所述的步骤1)中，具体步骤为：

1.1)时间序列数据转化为图像：利用MATLAB对源域和目标域时间序列数据的xyz三分量数值求平均值，画出微震数据图像；

1.2)选取有效时间序列数据：