[发明专利]基于深度T-Net网络的微地震P波初至拾取方法及装置

说明书

本发明公开一种基于深度T‑Net网络的微地震P波初至拾取方法及装置，所述方法包括：准备原始数据集并制作有标签数据集和无标签数据集，用张量对数据进行压缩；通过一个高阶低秩的张量来参数化表示HG网络结构中的权重，所述高阶低秩的张量各维数分别表示HG网络的各类架构设计参数，得到优化的HG网络模型；将所述训练集输入所述优化的HG网络模型中训练；通过训练好的HG网络模型确定有效信号的P波初至点。本发明通过使用一个8阶低秩张量参数化权重，提高了网络计算效率，节省了大量的存储空间，同时使用残差映射的方法，解决了深度网络退化的问题。

技术领域

本发明属于微地震信号检测技术领域，具体涉及一种基于深度T-Net网络的微地震P波初至拾取方法及装置。

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视频特性不同，达到提取有效信号的目的。然而，传统的微地震信号检测技术不仅无法满足弱信号比下的有效信号提取精度的要求，而且往往需要消耗大量的时间，这显然无法满足当今大数据时代的需求。

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地关注。参数多、容量众的特点，是深度神经网络对于海量数据拥有强大的处理能力。过度参数化对成功训练神经网络至关重要，但与此同时，过度参数化导致大量的冗余，增加计算机的存储和计算需求，可能会阻碍泛化，针对该问题Alexander Novikov等人在Tensorizing neuralnetworks文章中提出对全连接张紧，然后对逐层独立张紧，通过利用冗余有效的参数化表示。但仅集中于逐层张紧，仍有诸多不足。

发明内容

为了解决过度参数下的模型的泛化能力下降的问题，本发明将采集到的微地震信号数据集预处理后用一个高阶张量进行压缩，并使用一个8阶张量参数化优化的HG(Hourglass)结构，提高模型的计算效率，然后通过HG网络优化模型确定有效信号的初至点。

本发明第一方面，提出一种基于深度T-Net网络的微地震P波初至拾取方法，所述方法包括：

S1、准备原始数据集并制作有标签数据集和无标签数据集，用张量对数据进行压缩；

S2、通过一个高阶低秩的张量来参数化表示HG网络结构中的权重，所述高阶低秩的张量各维数分别表示HG网络的各类架构设计参数，得到优化的HG网络模型；

S3、通过使用协同训练的方式进行半监督学习，将所述有标签数据集和无标签数据集分别放入两个优化的HG网络模型中训练，并将一个模型训练结果置信度最高的数据放入另一个模型的数据集中，进行迭代训练得到训练好的HG网络优化模型；

S4、通过所述训练好的HG网络优化模型确定有效信号的P波初至点。

优选的，所述步骤S1具体为：

S11、利用有限差分地震生成不同模型下主频范围20～1000Hz的大量模拟信号，与实际资料共同构成原始数据集；

S12、通过matlab绘出原始信号剖面图，观图确定有效信号道，确定已提取的各信号道中有效信号的初至位置，做成标签，制作一部分有标签数据集，其余为无标签数据集；

S13、用张量对所述有标签数据集和无标签数据集中的数据进行压缩。

优选的，所述步骤S2中，所述高阶低秩的张量各维数分别表示HG网络的各类架构设计参数具体为：

所述高阶低秩的张量每一维度依次对应HG网络结构的数量、HG的深度、三个信号路径、每个残差模块卷积层数、输入特征、输出特征、每个卷积核的高度和宽度；所述三个信号路径分别为跳层连接、下采样和上采样。

优选的，所述步骤S2中，使用Tucker分解将所述高阶低秩的张量分解成一个低阶核张量和每一维矩阵的投影因子的乘积，公式为：