[发明专利]联合U-Net和Temporal Ensembling的信号初至拾取方法及装置

说明书

本发明公开一种联合U‑Net和Temporal Ensembling的信号初至拾取方法及装置，所述方法包括：获取原始微地震信号数据并进行预处理，得到微地震信号数据集；根据微地震信号数据集的部分数据制作有标签数据集；对数据集进行数据扩增，添加随机噪声并投入U‑Net网络进行训练；对U‑Net网络添加丢弃正则化防止训练过拟合，计算交叉熵损失和均方差损失的加权损失；根据所述加权损失结合Temporal Ensembling模型进行半监督训练；获取待测信号，根据所述联合U‑Net和Temporal Ensembling的微地震有效信号检测模型进行有效信号初至拾取。本发明可以对少量微地震信号扩容，集成预测有效信号，大大提高初至拾取效率。

技术领域

本发明属于微地震信号检测技术领域，具体涉及一种联合U-Net和TemporalEnsembling的微地震有效信号初至拾取方法及装置。

背景技术

地面微地震实际记录的信号是有效信号和各种噪声的叠加结果，因此如何从微地震资料中提取有效信号是通信领域的重点和难点。特别是在强噪声背景下，快速、准确地进行有效信号检测具有重要的现实意义。然而，针对上述问题，传统的信号检测算法无法准确地分离噪音信号和有效信号，严重影响有效信号检测的精度。

同时，传统信号检测算法并不能对连续输入的信号进行有效检测，而且目前的神经网络检测方法需要大量的人为标记标签输入到网络中进行强化学习，过程繁琐，耗时长且准确率较低。因此，如何实现半监督条件下对连续输入信号的准确检测就显得至关重要。

在以卷积神经网络(Convolutional Neural Network，CNN)为背景下的有效信号提取的研究中，不同的学者提出了不同的观点，如Wei Zhou在2019年提出的MutualImprovement Between Temporal Ensembling and Virtual Adversarial Training使用Temporal Ensembling方法预测并减小训练的网络模型loss值。然而在实际的TemporalEnsembling的训练过程中简单地添加随机噪音不能充分的利用其功能。

发明内容

本发明一种联合U-Net和Temporal Ensembling的微地震有效信号初至拾取方法及装置，用于解决现有微地震信号检测技术需要大量的人为标记、耗时长、有效信号初至拾取效率低等问题。

本发明第一方面，提出一种联合U-Net和Temporal Ensembling的信号初至拾取方法，所述方法包括：

S1、获取原始微地震信号数据并进行预处理，得到微地震信号数据集；

S2、根据微地震信号数据集的部分数据制作有标签数据集，其余为无标签数据集；

S3、对所述有标签数据集和无标签数据集进行数据扩增，将处理后的有标签数据集和无标签数据集添加随机噪声并投入U-Net网络进行训练；

S4、对U-Net网络添加丢弃正则化防止训练过拟合，计算交叉熵损失和均方差损失的加权损失；

S5、根据所述加权损失结合Temporal Ensembling模型进行半监督训练，得到训练好的联合U-Net和Temporal Ensembling的微地震有效信号检测模型；

S6、获取待测信号，根据所述联合U-Net和Temporal Ensembling的微地震有效信号检测模型进行有效信号初至拾取。

优选的，所述步骤S1具体包括：

用matlab画出原始微地震信号数据的剖面图并标记信号的采样点，提取出有效信号道、剔除无效道，通过低通或高通滤波实现信号和噪音的分离；

使用S变换对微地震信号进行时频分析，得到微地震信号数据集；所述S变换的公式为：