[发明专利]基于深度信念神经网络的微震信号到时自动拾取方法

摘要

本发明公开一种基于深度信念神经网络的微震信号到时拾取方法。该方法把每一个微震记录按照统一固定的维数采样，再人为的拾取部分记录的信号到时作为对应记录的标签信息，已拾取信息的记录及其标签作为网络构建时的总数据集，分成三个部分：训练数据集、验证数据集、测试数据集；通过把数据输入到深度信念神经网络中进行训练和测试，构建深度信念神经网络；最后把实际采集的待处理的数据输入到训练好的网络模型中进行微震信号的识别和到时自动拾取，该网络输出即为微震数据的到时位置点。

主权项

1.一种基于深度信念神经网络的微震信号到时自动拾取方法，其特征在于，通过构建深度信念网络模型实现微震信号的识别及到时自动拾取，具体实现步骤如下：步骤一：对微震数据按照固定的维数进行采样；步骤二：对用于网络模型训练的原始数据进行人工信号到时拾取，作为对应样本数据的标签信息；步骤三：把数据和标签放到同一数据集中，并通过添加高斯噪声产生新的样本数据；步骤四：把数据集划分为训练数据集、验证数据集和测试数据集；步骤五：搭建深度信念网络模型；步骤六：把数据集输入到网络，两个相邻层之间视为一个受限玻尔兹曼机，下层为可视层，上层为隐藏层；步骤七：逐个训练受限玻尔兹曼机，把多个训练好的受限玻尔兹曼机依次堆叠，并在最后一个受限玻尔兹曼机的隐藏层上加入一个多分类的逻辑回归层作为分类器；受限玻尔兹曼机训练过程具体为：首先给定每一个受限玻尔兹曼机的训练迭代次数J和学习率α，初始化可视层的偏置向量a∈Rⁿ和隐层的偏置向量b∈R^m都为0向量，两个层之间的连接权值矩阵W∈R^n×m初始为上的随机数；其中，Rⁿ表示n维欧氏空间，a∈Rⁿ表示a为一个1行n列的向量，n的个数对应可视层的节点数；R^m表示m维欧氏空间，b∈R^m表示b为一个1行m列的向量，m的个数对应隐藏层的节点数；R^n×m表示n×m维欧氏空间，W∈R^n×m表示W是一个n行m列的矩阵；其次，通过对比散度算法来更新参数a、b和W，这一过程分为两步：第一部分是吉布斯采样过程：首先把输入层的输入向量V通过转换函数求得隐藏层的激活值h；其次随机产生[0,1)之间的随机数r，把r作为判定条件，当h向量中的值大于r时，h的一个子样本h^s的值为1，否则为0，这样就得到一个二值的子样本；把h^s作为输入向量，同样做法得到可视层激活值的一个子样本最后再把输入得到隐藏层激活值的一个子样本第二部分是参数更新，当输入样本个数为N时，更新公式如下：其中，表示原连接权值矩阵W更新后的值，表示原可视层的偏置向量b更新后的值，表示原隐藏层的偏置向量a更新后的值；然后对输入测试样本数据进行测试重构，得到隐藏层的输出值，具体做法为：利用更新过后的参数，通过转换公式计算隐藏层的激活值：其中X^(l)为测试样本第l个样本；然后计算受限玻尔兹曼机对测试样本数据的重构结果：最后把重构结果与测试样本数据进行作差比较，如果误差在合理的范围则认为该受限玻尔兹曼机训练结束，否则增加迭代次数训练直至满足；步骤八：进行无监督预训练，预训练完成后计算无监督学习到的输出与期望输出之间的误差，并进行误差反向传播；具体地包括：把误差定义网络预测输出h_θ(xⁱ)与期望输出yⁱ之间平方差，则代价函数为：其中，m为输入样本总数，yⁱ表示第i个样本的期望类别；然后采用随机梯度下降法来对目标函数进行优化，其算法具体为：首先建立目标函数：其中参数θ＝{W,a,b}；其次通过随机梯度下降来更新参数，步骤如下：从M个总样本{X,Y}随机抽取出N个子样本{X_i,Y_i}，计算子样本的目标函数L(f(X_i；θ),Y_i)，求取目标函数对参数θ的梯度：通过梯度更新参数：迭代更新完N个子样本的参数；最后，通过误差反向传播的方法来微调整个网络参数：通过上个步骤中更新的参数θ的转置，与逻辑回归层的输出相乘得到重构值，并把重构值与原先的输出值建立代价函数，同样通过随机梯度下降方法来更新逻辑回归层与前一层隐层之间的参数，往后的隐层之间参数更新与此同理，直至更新完第一层隐层与输入层之间的参数；步骤九：利用误差反向传播微调整个网络，在微调过程中添加验证数据集和测试数据集，设置一个数据批量，当训练完该批量数据后进行一次交叉验证和测试；步骤十：当验证误差趋于某值长期不变，且测试误差高于验证误差时，网络训练完成，即基于深度信念神经网络的微震信号到时自动拾取模型构建完成，否则返回步骤八，继续网络微调；步骤十一：把未经过到时拾取的数据集输入到训练好的网络模型中，网络输出即为微震信号到时。