[发明专利]一种基于IfnoGAN和SSD模型的微地震有效信号的识别方法及系统

说明书

本发明涉及一种基于IfnoGAN和SSD模型的微地震有效信号的识别方法及系统，本方法通过采用最大互信息化生成对抗神经网络InfoGAN结合SSD模型，实现对小样本微地震数据集中的信号进行微地震有效检测，通过生成器、分类器和判别器的相互作用，提高生成数据集样本的质量和精确度，将经过InfoGAN中分类器分离出的特征结合SSD预训练模型进行再次训练，准确识别有效信号。

技术领域

本发明涉及微地震有效信号检测技术领域，特别涉及一种基于IfnoGAN和SSD模型的微地震有效信号的识别方法及系统。

背景技术

微地震有效信号检测技术是微地震数据处理的重要技术之一，传统的检测技术基于小波变换、曲波或者剪切波变换对信号进行变换域转换之后，通过有效信号和噪音的时频特性的不同，达到去除噪音保留有效信号的目的。然而，传统的微地震信号检测技术不仅无法满足弱信噪比下的有效信号提取精度的要求，而且往往需要大量的时间，这显然无法满足当今大数据时代的需要。

深度学习作为人工智能的一个重要分支，近些年受到了越来越广泛的关注。其参数多、容量众的特点，使深度网络对于海量数据拥有强大的处理能力。但是传统的深度神经网络无法准确的学习到小样本数据集中信号的特征，造成检测精度大大下降。针对该问题，GAN生成对抗神经网络于2014年由Ian Good fellow提出(Generative AdversarialNets)。然而，传统的生成对抗神经网络由于加入的随机噪具有不确定性，所以生成的数据和原训练集相差甚远，甚至不具备相似性。

发明内容

针对现有，本发明提出一种基于IfnoGAN和SSD模型的微地震有效信号的识别方法及系统，运用IfnoGAN生成特征图片的优势扩充数据集，强化训练，提取信号特征，然后再结合SSD模型对信号进行检测。

为实现上述目的，本发明提供一种基于IfnoGAN和SSD模型的微地震有效信号的识别方法，所述方法包括以下步骤：

S1、根据微地震原始数据集中不同的原始信号，进行初步分离出信号和噪音；

S2、将初步处理后的微地震原始数据集输入IfnoGAN中，通过IfnoGAN中的生成器在无监督条件下通过最大互信息化提取有效特征；

S3、根据生成器中的隐编码，分类器从中提取出特征，再利用生成器和判别器的相互博弈过程，生成与原始数据集相似度高且精确度大于设定阈值的数据集；

S4、根据步骤S3中生成的大于设定阈值的数据集与原始数据集组成SSD模型的训练集，并将所述训练集中的信号进行标记，将标记后的训练集输入SSD预训练模型中并结合步骤S2中提取的特征进行充分训练，由此准确识别出有效信号；

S5、重复执行步骤S4，通过再次的训练对信号和噪声进行有效识别，并利用SSD模型框出有效信号，从而检测出有效信号。

在上述技术方案中，所述步骤S2中原始数据集输入IfnoGAN中，将获得生成器G(z,c),其中z为随机噪音且不可压缩，c为隐编码。

在上述技术方案中，所述生成器提取的有效特征存储于隐编码c中。

在上述技术方案中，所述步骤S3包括以下步骤：

S31、生成器生成图片，生成器中的隐编码c输入IfnoGAN的分类器中进行解码后，提取出有效特征；

S32、所述生成的图片输入IfnoGAN的判别器中进行评判同时反馈至生成器，通过生成器与判别器之间的相互作用，生成和原始数据集相似度高的数据集，并检测数据集的精确度。

在上述技术方案中，所述步骤S32中，数据集的精确度阈值根据需要进行设定。