[发明专利]一种基于深度学习的微震信号分类辨识方法

说明书

本发明公开了一种基于深度学习的微震信号分类辨识方法，属于信号分析及识别领域。本发明方法包括以下步骤：步骤1、建立微震信号与爆破信号的样本数据库；步骤2、提取样本信号的主频、峰后衰减系数和能量重心系数特征，构成样本特征数据训练集和测试集；步骤3、使用样本特征数据训练集训练深度神经网络分类辨识模型，利用测试集数据验证信号分类辨识模型的分类辨识效果，并通过交叉训练不断提升分类精度；步骤4、提取待辨识信号的特征向量，输入信号分类模型中，得到辨识结果。本发明方法具有算法简单、自适应性和实时性强、辨识准确率高的特点，能对煤矿微震信号和爆破信号进行有效的分类，具有很好的技术价值和应用前景。

技术领域

本发明属于信号分析及识别领域，具体涉及一种基于深度学习的微震信号分类辨识方法。

背景技术

煤矿微震监测系统采集到的信号中除了大量有效的煤岩破裂微震信号，还包含了煤矿爆破作业产生的大量爆破震动信号，煤岩破裂微震信号波形与爆破震动信号波形又极为相似，需将煤岩破裂微震信号从海量监测数据中识别出来，采用人工识别方式，识别难度大，工作效率低。

目前，国内外对煤矿微震信号和爆破信号的识别方法主要包括傅里叶变换、小波变换、小波包变换和经验模态分解(Empirical Mode Decomposition,EMD)等。如传统的傅里叶变换主要用于分析周期性平稳信号，对包含有尖峰和突变的随机性、非平稳性微震信号分析效果欠佳；EMD方法存在边界效应及模态混叠现象，导致EMD分解信号具有不稳定性和不唯一性，EMD的这些缺陷使得在信号辨识时难免存在弊端。这些方法用于信号分析时均存在一定程度的解决了两类震动信号的辨识问题，但忽略了当前煤矿监测大数据环境和深度学习等新一代信息化技术在信号分类辨识技术中的应用，影响了信号分类辨识精度的进一步提高。

发明内容

本发明的目的在于提供一种基于深度学习的微震信号分类辨识方法，从煤岩破裂微震信号和爆破震动信号中提取辨识敏感特征，应用深度学习技术，构建基于深度神经网络的两类震动信号分类辨识模型，利用分类器对测试集数据进行识别。

为了实现上述目的，本发明采用了如下技术方案：

一种基于深度学习的微震信号分类辨识方法，依次包括如下步骤：

步骤1：分别选取M个煤岩破裂微震信号和N个爆破震动信号构成两类震动信号的样本数据集；

步骤2：提取M个煤岩破裂微震信号和N个爆破震动信号的主频F_m、峰后衰减系数b、能量重心系数C_x构成样本特征数据训练集和测试集；

步骤3：基于四层深度神经网络构建煤岩破裂微震信号与爆破震动信号的分类辨识模型，用训练集数据训练该分类辨识模型，利用测试集数据验证分类辨识模型的分类辨识效果，通过交叉训练不断提升分类精度；

步骤4：提取待辨识信号的特征向量，输入所述的分类辨识模型中，得到辨识结果。

进一步的，步骤2中，提取所述的M个煤岩破裂微震信号和N个爆破震动信号的主频F_m的具体步骤为：

假设煤岩破裂微震信号或爆破震动信号为x(t)，t＝1,2,…,T；

步骤2.1.1：根据式(1)计算得到信号的频谱；

式(1)中，X(ω)为信号x(t)的频谱，j²＝-1；

步骤2.1.2：根据式(2)计算信号的主频：

F_m＝max(X(ω)) (2)。

进一步的，步骤2中，提取所述的M个煤岩破裂微震信号和N个爆破震动信号的峰后衰减系数b的具体步骤为：假设煤岩破裂微震信号或爆破震动信号为x(t)，t＝1,2,…,T；