[发明专利]一种用于微地震信号检测的高效智能感知采集方法

权利要求书

1.一种用于微地震信号检测的高效智能感知采集方法，其特征在于，包括：

1)根据测量矩阵在时间域上对微地震数据进行压缩采样，得出压缩采样矢量值b；

2)通过分析微地震信号的局部特征提取、时序状态记忆、平滑分布三者之间的关系构建微地震信号检测模型基本结构，以迭代的方式优化模型参数；

3)基于机器学习的微地震信号检测方法获得经过训练的检测模型，将模型的参数发送至各采集节点对矢量值b中的每个元素判别微地震信号，并将包含微地震信号的数据传输至数据中心；

4)通过奇异值分解提取各采集节点中含有微地震信号特征作为初始字典，并更新位置限制和聚类方法进行近似值优化，以保证稀疏表征能力和更新过程的计算速度，为自适应微地震数据重构方法提供稀疏基；

5)采用SPGL1算法对稀疏基进行微地震数据重构；

步骤1)通过微地震信号y∈R^T的抖动采样获得压缩后的数据b∈R^M表示为：

b＝yΦ

其中，Φ∈R^T×M为观测矩阵；Φ∈R^r×Mξ为观测矩阵的非零元素模块，Φ中的元素只有两种：0和1，Φ的每一列中有且仅有一个非零元素；每一行至多有一个非零元素，Φ中前一列的非零元素所在的行数一定小于后一列非零元素的行数；

步骤2)包括以逐点的方式把采样后数据分成两类：与微地震信号相关的数据和与微地震信号无关的数据，包括以下步骤：

局部特征提取采用三层的一维卷积神经网络，第一层网络由4个尺寸为3、4个尺寸为5、2个尺寸为7的一维卷积核构成；第二层网络由12个尺寸为3、8个尺寸为5的一维卷积核构成；第三层网络由32个尺寸为3的一维卷积核构成，输入是由第一层网络的输出结果和第二层网络的输出结果拼接而成，输入通道数为30，局部特征提取输出为72通道的特征提取结果；在计算卷积过程中，先将多通道的所有向量在后端对齐，然后在前端未对齐的部分以0补全；

时序状态记忆采用2层GRU网络提取微地震信号中各局部形态特征的时序特征，输入端为局部特征提取中的72通道特征映射；第一层网络中包含8个GRU，第二层网络则只有1个GRU，在第二层GRU网络之上是一个Sigmoid分类器，负责把第二层GRU网络的输出值映射到(0,1)区间内，并将数值作为时序状态记忆模块输出；

在平滑分布中加入了含有e的负指数次衰减的平滑项，第i个点的输出Q_i表示如下：

Q_i＝σ(W^sP_i+V^sI_i+b^s)

其中，W^S，V^S，b^S为平滑分布模块中需要学习的参数；P_i为平滑分布模块在第i个点的输入值，也是时序状态记忆模块在第i个点的输出值；I_i为第i个点的修正因子，I_i求解如下所示：

其中，当i+j超出采样点取值范围时，P_i+j＝0；C_H为归一化因子；H为平滑尺度，H的取值定为2；

平滑分布按照输出Q_i的取值对采集数据进行分类，若Q_i≥0.5，则判定采集点含有微地震信号，将其传输到数据中心；若Q_i＜0.5，则判定采集节点与微地震信号无关，则不发送该数据；

所述步骤3)在充分挖掘各采集节点中微地震信号共同特征，以自适应的方式获取微地震信号的稀疏基；数据中心依据采集节点最终发送数据的采集时间戳信息组成每个采集节点所使用的测量矩阵，使用l₁范数谱投影梯度方法将压缩采样后数据恢复成原始地震数据；

基于奇异值分解的聚类字典学习方法通过调整微地震数据的稀疏基Ψ中的每个原子，使其在不增加系数矩阵A稀疏度的前提下减少对样本集合T表示的误差，实现对的稀疏基Ψ优化，对过完备字典Ψ的训练优化就是在解决如下问题：

其中，A^T为样本集合T在基Ψ^T下的系数矩阵；a_i为A^T中第i行的向量，为Ψ^T中第i列的向量所对应的系数；U为微地震数据在基Ψ^T下稀疏度，在对Ψ^T中各原子的更新过程中，每次更新稀疏基Ψ中的原子时只更新与系数矩阵A中非零项对应的元素，Ψ^T中第i列的原子Ψ_i的更新过程具体表示为如下形式：

E′_i＝E_iΩⁱ

a′_i＝a_iΩⁱ

ω_l＝{l|1≤l≤D,a_i(l)≠0}

其中，E_i为因缺失原子Ψ_i而导致在微地震信号样本集合T中产生的误差；Ω_i为Ψ^T中第i列原子更新的选择矩阵，其大小为R×|ω_l|，且其中位置为(ω_l(l),l)的元素为1，其余元素为0；在每次迭代过程中，基于奇异值分解的聚类字典学习方法依此对所有原子及其对应的表示系数进行更新，当最终学习到的稀疏基达到稳定状态时，该算法结束迭代，输出最终的稀疏基Ψ；

采用SPGL1算法对稀疏基进行微地震数据重构表示如下：

其中，σ为重构的噪声水平，令τ＝||s||₁，为稀疏度的衡量指标，为了平衡τ和σ达到最优效果，需要构建一个函数Γ来描述τ和σ之间的关系，

Γ(τ)＝σ

通过牛顿迭代格式，对τ求近似解：

其中，k为迭代次数，根据τ_k+1，使用谱投影梯度方法求解下式：

在求得s_k+1后，再对Γ(τ_k+1)和Γ′(τ_k+1)求近似解：

Γ(τ_k+1)＝||b-s_k+1ΨΦ||₂

通过反复迭代，使得τ_k+1逐渐向最优化的稀疏约束τ_σ，进而求得对应的s_σ为优化解，最终，恢复后的原始地震数据为