本發(fā)明屬于地震信號(hào)監(jiān)測(cè)，涉及基于dvec的微地震信號(hào)頻譜分析系統(tǒng)及方法，主要是通過(guò)深度變分編碼-分類器網(wǎng)絡(luò)(dvec)對(duì)地震信號(hào)分析的識(shí)別和運(yùn)用。

背景技術(shù)：

1、在地震信號(hào)識(shí)別領(lǐng)域，準(zhǔn)確識(shí)別信號(hào)對(duì)于地震監(jiān)測(cè)、預(yù)警和減災(zāi)具有重要的意義。傳統(tǒng)的地震信號(hào)分析方法，如傅里葉變換和小波變換，雖然在一定程度上能夠揭示信號(hào)的頻率特性，但它們?cè)谔幚矸蔷€性和非平穩(wěn)信號(hào)時(shí)存在明顯的局限性。這些方法往往依賴于線性變換或固定基函數(shù)，難以有效捕捉地震信號(hào)中的非線性和動(dòng)態(tài)特征。此外，傳統(tǒng)方法通常需要預(yù)先設(shè)定參數(shù)，如窗長(zhǎng)和閾值，這些參數(shù)的選擇對(duì)分析結(jié)果有顯著影響，但往往缺乏理論指導(dǎo)，因此容易導(dǎo)致結(jié)果的主觀性和不確定性。

2、近年來(lái)，隨著深度學(xué)習(xí)技術(shù)的發(fā)展，基于深度神經(jīng)網(wǎng)絡(luò)的方法在地震信號(hào)識(shí)別領(lǐng)域取得了顯著的進(jìn)展。深度學(xué)習(xí)模型，如卷積神經(jīng)網(wǎng)絡(luò)(cnn)和循環(huán)神經(jīng)網(wǎng)絡(luò)(rnn)，通過(guò)自動(dòng)提取信號(hào)的深層次特征，能夠?qū)崿F(xiàn)對(duì)地震信號(hào)的高精度分類。這些模型能夠從原始信號(hào)中學(xué)習(xí)到更加抽象和豐富的特征表示，而無(wú)需依賴手工設(shè)計(jì)的特征提取器。因此，相較于傳統(tǒng)方法，深度學(xué)習(xí)模型在處理地震信號(hào)時(shí)具有更強(qiáng)的靈活性和泛化能力，能夠更好地適應(yīng)信號(hào)的復(fù)雜性和多樣性。

3、然而，現(xiàn)有的深度學(xué)習(xí)模型大多基于閉集假設(shè)，即所有類別在訓(xùn)練階段都是已知的。在實(shí)際應(yīng)用中，由于地震信號(hào)的多樣性和不確定性，新的或未知的信號(hào)類型可能會(huì)出現(xiàn)，這些類型在訓(xùn)練數(shù)據(jù)中并未出現(xiàn)，導(dǎo)致現(xiàn)有模型的識(shí)別能力受限。在面對(duì)未知類別時(shí)，現(xiàn)有模型往往表現(xiàn)出過(guò)度自信的傾向，將未知信號(hào)誤分類為已知類別，從而影響了識(shí)別的準(zhǔn)確性和魯棒性。因此，針對(duì)開(kāi)放環(huán)境中的地震信號(hào)識(shí)別問(wèn)題，需要進(jìn)一步研究開(kāi)放集識(shí)別算法，以減小未知類別對(duì)微地震信號(hào)頻譜分析系統(tǒng)的影響，從而更好地應(yīng)對(duì)實(shí)際應(yīng)用中的挑戰(zhàn)。

4、因此，亟待提出一種新地震信號(hào)分析方法，解決傳統(tǒng)的地震信號(hào)分析方法在地震信號(hào)識(shí)別分析的局限性、不穩(wěn)定和主觀性問(wèn)題，以及簡(jiǎn)單閉集深度學(xué)習(xí)模型對(duì)未知信號(hào)不能準(zhǔn)確分類等問(wèn)題。

技術(shù)實(shí)現(xiàn)思路

1、本發(fā)明的目的是針對(duì)上述現(xiàn)有技術(shù)中存在的問(wèn)題，提供一種基于dvec(deepvariational?encoder-classifier)的微地震信號(hào)頻譜分析系統(tǒng)，能夠?qū)崿F(xiàn)對(duì)微地震信號(hào)的有效分析。

2、本發(fā)明還提供了一種基于dvec的微地震信號(hào)頻譜分析方法。

3、本發(fā)明在地震信號(hào)分析中引入了dvec，結(jié)合了深度學(xué)習(xí)和時(shí)間序列分析，它能夠有效地處理非平穩(wěn)信號(hào)，并能夠從信號(hào)中提取出反映地震活動(dòng)狀態(tài)的深層次特征。與傳統(tǒng)的閉集深度學(xué)習(xí)模型不同，dvec算法能夠?qū)σ阎悇e進(jìn)行準(zhǔn)確分類，從而提高了地震信號(hào)識(shí)別的魯棒性和適應(yīng)性，完善了閉集模型的不足。

4、為達(dá)到上述目的，本發(fā)明采用以下技術(shù)方案來(lái)實(shí)現(xiàn)。

5、本發(fā)明提供的基于dvec的微地震信號(hào)頻譜分析系統(tǒng)，其包括：

6、數(shù)據(jù)采集裝置，用于采集微地震信號(hào)；

7、數(shù)據(jù)預(yù)處理模塊，用于對(duì)微地震信號(hào)進(jìn)行快速傅里葉變換fft處理，得到相應(yīng)的頻域序列信號(hào)；并將若干時(shí)域上的原始微地震信號(hào)和相應(yīng)的頻域序列信號(hào)以雙通道的方式拼接，進(jìn)而構(gòu)成雙通道微地震信號(hào)輸入數(shù)據(jù)；

8、深度變分編碼-分類器，用于對(duì)雙通道微地震信號(hào)輸入數(shù)據(jù)進(jìn)行特征提取，并基于提取的特征對(duì)信號(hào)進(jìn)行分類；所述深度變分編碼-分類器包括編碼器和分類器；所述編碼器用于依據(jù)雙通道微地震信號(hào)輸入數(shù)據(jù)獲取隱特征；所述分類器用于依據(jù)隱特征得到各原始微地震信號(hào)的分類類別；

9、上述數(shù)據(jù)采集裝置，可以采集來(lái)自地面的任何微地震信號(hào)，例如用于采集深部地質(zhì)能源開(kāi)發(fā)和土工建設(shè)等工業(yè)、工程生產(chǎn)過(guò)程中產(chǎn)生的微地震信號(hào)；可以通過(guò)常規(guī)振動(dòng)傳感器來(lái)采集原始微地震信號(hào)。

10、上述深度變分編碼-分類器中，所述編碼器用于依據(jù)雙通道微地震信號(hào)輸入數(shù)據(jù)獲取期望值μ和標(biāo)準(zhǔn)差σ，并從n(μ,σ2)中采樣得到隱特征z；所述編碼器包括若干卷積模塊、若干卷積層和兩個(gè)全連接層；所述卷積模塊包括卷積層和池化層；雙通道的微地震信號(hào)頻譜輸入先由若干采用了概率梯形結(jié)構(gòu)的卷積模塊映射至低維隱空間，再經(jīng)若干卷積層進(jìn)一步提取特征，最后通過(guò)兩個(gè)全連接層分別映射為高斯分布的均值與標(biāo)準(zhǔn)差。

11、上述深度變分編碼-分類器中，所述分類器用于依據(jù)隱特征得到各原始微地震信號(hào)在已知類中的分類類別；所述分類器由若干全連接層構(gòu)成。

12、上述深度變分編碼-分類器中，使用的總損失函數(shù)為：

13、l＝lce-λ(x)dkl；

14、其中，lce為分類損失，使用的是交叉熵?fù)p失函數(shù)；λ(x)表示引入的自適應(yīng)權(quán)重，x表示雙通道的微地震信號(hào)頻譜輸入數(shù)據(jù)，dkl表示kl散度正則化項(xiàng)。

15、其中，分類損失lce具體表示為：

16、

17、表示期望值；pξ(y|z)表示類別概率，是由微地震信號(hào)隱特征z到微地震信號(hào)類別標(biāo)簽y的映射，即給定隱特征z時(shí)，得到類別y的概率；期望值計(jì)算是通過(guò)樣本的方法實(shí)現(xiàn)的，從中采樣得到z，之后再使用這些樣本計(jì)算logpθ(x|z)的平均值。

18、kl散度正則化項(xiàng)dkl表示為：

19、

20、其中，qφ(z|x)表示后驗(yàn)分布，pθ(z)表示微地震信號(hào)隱特征分布，l表示z的長(zhǎng)度。

21、通過(guò)這種損失函數(shù)的設(shè)計(jì)，深度變分編碼-分類器(dvec模型)能夠在學(xué)習(xí)過(guò)程中平衡分類誤差和特征分布的正則化，從而實(shí)現(xiàn)更準(zhǔn)確、更魯棒的微地震信號(hào)分類。這不僅提高了對(duì)已知微地震信號(hào)類型的識(shí)別準(zhǔn)確度，還增強(qiáng)了系統(tǒng)對(duì)未知類型的適應(yīng)能力，彌補(bǔ)了原簡(jiǎn)單神經(jīng)網(wǎng)絡(luò)中未知類對(duì)已知類的干擾和分類，為大壩和水電站的安全提供了額外的保障。

22、上述深度變分編碼-分類器，還包括自適應(yīng)權(quán)重調(diào)整模塊，表示為：

23、

24、其中，ω2表示預(yù)定義的權(quán)重參數(shù)；y表示樣本xl的真實(shí)標(biāo)簽；表示深度變分編碼-分類器對(duì)樣本xl的預(yù)測(cè)標(biāo)簽；ω(x)表示weibull分布的累計(jì)密度函數(shù)(cdf)；

25、ω(x)表示為：

26、

27、其中，κ表示weibull分布中的形狀參數(shù)；s表示weibull分布中使用的變量；γ表示weibull分布的尺度參數(shù)。

28、自適應(yīng)權(quán)重函數(shù)將每個(gè)微地震信號(hào)類的特征后驗(yàn)分布視為球體，從球心到邊界附近的kl距離視為數(shù)據(jù)特征到分布中心的距離。對(duì)于已知類的隱特征分布空間，錯(cuò)誤分類的數(shù)據(jù)位于球體外。自適應(yīng)權(quán)重函數(shù)λ(x)自動(dòng)為極值數(shù)據(jù)設(shè)置更大的分布收斂損失權(quán)重，加快這些極端微地震信號(hào)樣本的分布約束。在每個(gè)訓(xùn)練周期中，對(duì)新的極值數(shù)據(jù)設(shè)置自適應(yīng)權(quán)重。同時(shí)對(duì)錯(cuò)誤分類數(shù)據(jù)，其kl損失權(quán)重自適應(yīng)地設(shè)置為零，以避免訓(xùn)練過(guò)程中分布參數(shù)受到誤導(dǎo)。

29、本發(fā)明還提供了上述基于dvec的微地震信號(hào)頻譜分析系統(tǒng)的訓(xùn)練方法，將訓(xùn)練用的若干樣本數(shù)據(jù)分為若干批次，每個(gè)批次按照以下步驟執(zhí)行：

30、s1利用數(shù)據(jù)預(yù)處理模塊對(duì)該批次的若干樣本數(shù)據(jù)中的原始微地震信號(hào)進(jìn)行快速傅里葉變換fft處理，得到相應(yīng)的頻域序列信號(hào)；并將若干樣本數(shù)據(jù)中的原始微地震信號(hào)和相應(yīng)的頻域序列信號(hào)拼接構(gòu)成雙通道微地震信號(hào)輸入數(shù)據(jù)；

31、s2將雙通道微地震信號(hào)輸入數(shù)據(jù)輸入深度變分編碼-分類器，得到kl散度正則化項(xiàng)，并結(jié)合樣本數(shù)據(jù)中的標(biāo)簽數(shù)據(jù)得到分類損失；

32、s3根據(jù)將分類損失與kl散度損失計(jì)算得到總損失；

33、s4通過(guò)總損失對(duì)編碼器和分類器參數(shù)進(jìn)行優(yōu)化；

34、返回步驟s1，重復(fù)步驟s1-s4，通過(guò)各批次樣本數(shù)據(jù)對(duì)系統(tǒng)進(jìn)行訓(xùn)練，直至系統(tǒng)收斂。

35、上述步驟s4中，可以通過(guò)梯度下降優(yōu)化算法來(lái)對(duì)編碼器和分類器參數(shù)進(jìn)行優(yōu)化。

36、可以通過(guò)總損失值是否達(dá)到設(shè)定閾值范圍或者是否達(dá)到迭代次數(shù)上限來(lái)判斷系統(tǒng)是否收斂。

37、本發(fā)明還提供的基于dvec的微地震信號(hào)頻譜分析方法，使用前面所述的系統(tǒng)，按照以下步驟執(zhí)行：

38、l1通過(guò)數(shù)據(jù)采集裝置采集微地震信號(hào)；

39、l2利用數(shù)據(jù)預(yù)處理模塊對(duì)微地震信號(hào)進(jìn)行快速傅里葉變換fft處理，得到相應(yīng)的頻域序列信號(hào)；并將原始微地震信號(hào)和相應(yīng)的頻域序列信號(hào)拼接構(gòu)成雙通道微地震信號(hào)輸入數(shù)據(jù)；

40、l3將雙通道微地震信號(hào)輸入數(shù)據(jù)輸入深度變分編碼-分類器，得到原始微地震信號(hào)的分類結(jié)果。

41、與現(xiàn)有技術(shù)相比，采用本發(fā)明提供的基于dvec的微地震信號(hào)頻譜分析方法具有以下十分突出的優(yōu)點(diǎn)：

42、1)本發(fā)明結(jié)合多源數(shù)據(jù)(時(shí)域序列數(shù)據(jù)和頻域訓(xùn)練數(shù)據(jù)構(gòu)造雙通道微地震信號(hào)輸入數(shù)據(jù)，再依據(jù)雙通道微地震信號(hào)輸入數(shù)據(jù)，通過(guò)構(gòu)建的深度變分編碼-分類器(dvec模型)進(jìn)行特征提取和分類，能夠?qū)崿F(xiàn)對(duì)微地震信號(hào)的有效分析；

43、2)本發(fā)明雙通道微地震信號(hào)輸入數(shù)據(jù)融合并充分利用了信號(hào)的時(shí)域和頻域信息，這是從非序列數(shù)據(jù)任務(wù)轉(zhuǎn)移到序列信號(hào)任務(wù)的關(guān)鍵，也有助于提取魯棒性特征；

44、3)本發(fā)明對(duì)dvec模型的損失函數(shù)設(shè)計(jì)優(yōu)化了特征提取過(guò)程，這有助于從微地震信號(hào)中準(zhǔn)確抽取關(guān)鍵信息；在微地震設(shè)施的監(jiān)測(cè)中，這意味著可以更快地識(shí)別出可能影響建筑穩(wěn)定性的微地震活動(dòng)，從而提前采取必要的預(yù)防措施；

45、4)本發(fā)明通過(guò)對(duì)dvec模型的自適應(yīng)權(quán)重的應(yīng)用，強(qiáng)化了對(duì)分類邊界附近樣本的關(guān)注，這對(duì)于預(yù)測(cè)和防范罕見(jiàn)但潛在危害大的微地震事件具有重要意義；在水利水電行業(yè)中，這種能力對(duì)于確保大壩和水電站的安全運(yùn)行至關(guān)重要；

46、5)dvec模型通過(guò)為編碼器提取的特征加入變分處理和基于監(jiān)督學(xué)習(xí)范式的預(yù)測(cè)類別約束，使得編碼器輸出的特征后驗(yàn)分布能夠近似真實(shí)的先驗(yàn)分布；這一機(jī)制不僅提高了特征對(duì)已知類分類任務(wù)的貢獻(xiàn)度，還加強(qiáng)了輸入數(shù)據(jù)在網(wǎng)絡(luò)隱藏層的特征聚合性；通過(guò)迫使不同的隱特征逼近不同的高斯模型，dvec模型能夠提供具有強(qiáng)分布、高內(nèi)聚的隱特征空間，從而確保每個(gè)類別內(nèi)的特征高度聚合。

47、6)本發(fā)明通過(guò)構(gòu)建的dvec模型能夠清晰地區(qū)分不同類別的微地震信號(hào)特征，此外，模型利用kl散度約束使得特征分布更為緊湊，進(jìn)而提高了類內(nèi)聚合性；這些特征的高聚合性在后續(xù)的未知類數(shù)據(jù)識(shí)別中也提供了可靠性和魯棒性。

48、在實(shí)際應(yīng)用中，基于dvec的微地震信號(hào)頻譜分析方法可以應(yīng)用于微地震監(jiān)測(cè)、微地震預(yù)警和微地震災(zāi)害評(píng)估等多個(gè)領(lǐng)域。與傳統(tǒng)方法相比，dvec模型在處理復(fù)雜微地震信號(hào)、識(shí)別未知信號(hào)類型以及適應(yīng)信號(hào)變異方面展現(xiàn)出了顯著的優(yōu)勢(shì)，有望成為地震信號(hào)識(shí)別領(lǐng)域的重要技術(shù)手段。隨著地震學(xué)研究的深入和人工智能技術(shù)的不斷發(fā)展，基于dvec的微地震信號(hào)頻譜分析方法將在未來(lái)微地震信號(hào)識(shí)別領(lǐng)域發(fā)揮越來(lái)越重要的作用。