[发明专利]微地震事件自动识别方法及装置

权利要求书

1.一种微地震事件自动识别方法，其特征在于，包括：

构建不同信噪比下的微地震事件样本和非微地震事件样本；

按照预先设定的标签对所述微地震事件样本和非微地震事件样本添加标签；

采用添加标签后的微地震事件样本和非微地震事件样本，训练CNN卷积神经网络模型，获得训练好的CNN卷积神经网络模型，所述CNN卷积神经网络模型包括6层卷积核和2层全连接层，其中每层卷积核中至少包括一个批量标准化BN层；

将实际三分量微地震数据进行预处理后，输入至训练好的CNN卷积神经网络模型，获得微地震事件识别结果。

2.如权利要求1所述的微地震事件自动识别方法，其特征在于，所述CNN卷积神经网络模型中6层卷积核包括第1卷积层、第2卷积层、第3卷积层、第4卷积层、第5卷积层、第6卷积层，其中，第1卷积层包括一个3×3大小的64深度卷积核、一个BN层、一个Relu激活函数、一个2×2大小的池化层，第1卷积层输出数量为11×1000×64的特征图；第2卷积层包括一个3×3的大小64深度卷积核、一个BN层、一个Relu激活函数、一个3×3大小的池化层，第2卷积层输出数量为6×500×64的特征图；第3卷积层包括一个3×3大小的64深度卷积核、一个BN层、一个Relu激活函数、一个2×2大小的池化层，第3卷积层输出数量为3×250×64的特征图；第4卷积层包括一个3×3大小的64深度卷积核、一个BN层、一个Relu激活函数、一个2×2大小的池化层，第4卷积层输出数量为1×125×64的特征图；第5卷积层包括一个1×1大小的32深度卷积核、一个BN层、一个Relu激活函数、一个1×1大小的池化层，第5卷积层输出数量为1×63×32的特征图；第6卷积层包括一个1×1大小的32深度卷积核、一个BN层、一个Relu激活函数、一个1×1大小的池化层，第6卷积层输出数量为1×32×32的特征图。

3.如权利要求1所述的微地震事件自动识别方法，其特征在于，所述CNN卷积神经网络模型中2层全连接层包括第1全连接层和第2全连接层，其中，第1全连接层将1024个特征图的特征向量全连接到100个特征值，第2全连接层将100个特征值全连接到预先设定的标签上。

4.如权利要求1所述的微地震事件自动识别方法，其特征在于，所述预先设定的标签至少包括背景噪音标签、单震微地震相事件标签、双震相微地震事件标签。

5.如权利要求1所述的微地震事件自动识别方法，其特征在于，采用添加标签后的微地震事件样本和非微地震事件样本，训练CNN卷积神经网络模型，包括：

将添加标签后的微地震事件样本和非微地震事件样本分为训练集数据和测试集数据；

采用训练集数据迭代训练CNN卷积神经网络模型，获得损失函数最小时的CNN卷积神经网络模型的参数；采用测试集测试损失函数最小时的CNN卷积神经网络模型，计算准确率，获得准确率最大时的CNN卷积神经网络模型的参数。

6.如权利要求1所述的微地震事件自动识别方法，其特征在于，将实际三分量微地震数据进行预处理，包括：

将实际三分量微地震数据进行三分量叠加处理。

7.一种微地震事件自动识别装置，其特征在于，包括：

样本构建模块，用于构建不同信噪比下的微地震事件样本和非微地震事件样本；

添加标签模块，用于按照预先设定的标签对所述微地震事件样本和非微地震事件样本添加标签；

训练模块，用于采用添加标签后的微地震事件样本和非微地震事件样本，训练CNN卷积神经网络模型，获得训练好的CNN卷积神经网络模型，所述CNN卷积神经网络模型包括6层卷积核和2层全连接层，其中每层卷积核中至少包括一个批量标准化BN层；

识别模块，用于将实际三分量微地震数据进行预处理后，输入至训练好的CNN卷积神经网络模型，获得微地震事件识别结果。