CN111505705B - 基于胶囊神经网络的微地震p波初至拾取方法及*** - Google Patents
基于胶囊神经网络的微地震p波初至拾取方法及*** Download PDFInfo
- Publication number
- CN111505705B CN111505705B CN202010057384.6A CN202010057384A CN111505705B CN 111505705 B CN111505705 B CN 111505705B CN 202010057384 A CN202010057384 A CN 202010057384A CN 111505705 B CN111505705 B CN 111505705B
- Authority
- CN
- China
- Prior art keywords
- micro
- training
- data
- arrival
- capsule
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 239000002775 capsule Substances 0.000 title claims abstract description 52
- 238000013528 artificial neural network Methods 0.000 title claims abstract description 37
- 238000000034 method Methods 0.000 title claims abstract description 32
- 238000012549 training Methods 0.000 claims abstract description 86
- 238000001514 detection method Methods 0.000 claims abstract description 15
- 238000012545 processing Methods 0.000 claims abstract description 9
- 230000006870 function Effects 0.000 claims description 24
- 210000002569 neuron Anatomy 0.000 claims description 5
- 239000000284 extract Substances 0.000 claims description 3
- 238000000605 extraction Methods 0.000 abstract description 8
- 238000011156 evaluation Methods 0.000 abstract description 3
- 239000000523 sample Substances 0.000 description 10
- 238000010586 diagram Methods 0.000 description 4
- 230000008569 process Effects 0.000 description 4
- 238000004364 calculation method Methods 0.000 description 2
- 238000012937 correction Methods 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000003672 processing method Methods 0.000 description 2
- 230000004913 activation Effects 0.000 description 1
- 230000003416 augmentation Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 239000000470 constituent Substances 0.000 description 1
- 230000008878 coupling Effects 0.000 description 1
- 238000010168 coupling process Methods 0.000 description 1
- 238000005859 coupling reaction Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000005251 gamma ray Effects 0.000 description 1
- 230000014759 maintenance of location Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000000644 propagated effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000008685 targeting Effects 0.000 description 1
- 230000002123 temporal effect Effects 0.000 description 1
- 230000004580 weight loss Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01V—GEOPHYSICS; GRAVITATIONAL MEASUREMENTS; DETECTING MASSES OR OBJECTS; TAGS
- G01V1/00—Seismology; Seismic or acoustic prospecting or detecting
- G01V1/28—Processing seismic data, e.g. for interpretation or for event detection
- G01V1/288—Event detection in seismic signals, e.g. microseismics
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01V—GEOPHYSICS; GRAVITATIONAL MEASUREMENTS; DETECTING MASSES OR OBJECTS; TAGS
- G01V2210/00—Details of seismic processing or analysis
- G01V2210/60—Analysis
- G01V2210/67—Wave propagation modeling
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Physics & Mathematics (AREA)
- Computing Systems (AREA)
- Software Systems (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Biomedical Technology (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Mathematical Physics (AREA)
- Biophysics (AREA)
- Health & Medical Sciences (AREA)
- Remote Sensing (AREA)
- Environmental & Geological Engineering (AREA)
- Emergency Management (AREA)
- Business, Economics & Management (AREA)
- Acoustics & Sound (AREA)
- Geology (AREA)
- General Life Sciences & Earth Sciences (AREA)
- Geophysics (AREA)
- Geophysics And Detection Of Objects (AREA)
Abstract
本发明涉及微地震数据处理技术领域,尤其涉及一种基于胶囊神经网络的微地震P波初至拾取方法及***;所述方法包括准备原始数据集;制作数据训练集;选取所述原始数据集的一部分样本信号的初至点打上标签,作为有标签的部分,另一部分样本信号作为无标签的部分;将所述数据训练集输入到组合训练模型中,对微地震信号特征预测评估;对所述微地震信号特征进行目标检测,得到所述微地震信号的初至点;所述***包括数据采集模块、数据训练集制作模块、数据训练模块和输出模块;本发明实施例通过胶囊神经网络和半监督学习结合,利用RPN网络进行微地震信号检测,实现微地震信号的初至点拾取,提高微地震信号特征提取准确率和P波初至点准确拾取。
Description
技术领域
本发明涉及微地震数据处理技术领域,尤其涉及一种基于胶囊神经网络的微地震P波初至拾取方法及***。
背景技术
对微地震信号的有效检测,对油田开发稳产、高产具有重要的意义。通常微地震有效信号能量较弱,信噪比较低,甚至完全淹没在噪音之中。常规地震资料处理方法虽然众多,但若直接应用于微地震资料,往往无法获取满意的效果,这将直接影响微地震监测的质量和精度。因此,寻找合适的方法识别微地震资料中较弱的有效信号是微地震资料处理与解释的关键。
2018年在“微地震P波处至拾取的方法”论文中提出的基于一种Allen算法和Bear算法结合的AB算法使用的微地震P波初至的提取方法。该方法在分析微地震信号的特征基础上,将原能量比法中的时窗平均参数和特征函数进行了部分修改,并将一些新的数学计算方法使用到能量比法中,一定程度上提高了算法对信噪比比较低的微地震信号的判断能力和拾取效果。
现有技术的不足之处在于,该方法虽然对信号识别率有一定程度上提高,但微地震信号特征的提取准确率不高,导致P波初至点拾取准确率仅有73.5%。
发明内容
为克服现有技术存在的不足,本发明实施例一种基于胶囊神经网络的微地震P波初至拾取方法及***,进一步提高初至点拾取准确率。
一方面本发明实施例提供一种基于胶囊神经网络的微地震P波初至拾取方法,包括以下步骤:
S1,准备原始数据集;具体包括将全部所述原始数据集加入随机的高斯噪声以增强数据集处理;全部所述原始数据集包括不同主频、不同信噪比的微地震正演信号和实际的地震记录;
S2,制作数据训练集;选取所述原始数据集的一部分样本信号的初至点打上标签,作为有标签的部分,另一部分样本信号作为无标签的部分;
S3,将所述数据训练集输入到组合训练模型中,对微地震信号特征预测评估;所述组合训练模型由胶囊神经网络和半监督学习模型组成;将所述有标签的部分进行有监督训练,将所述无标签的部分进行无监督训练;
S4,对所述微地震信号特征进行目标检测,得到所述微地震信号的初至点;具体包括通过RPN网络规则设置不同尺度的锚点在卷积特征层提取候选框,进行端到端训练。
另一方面,本发明实施例提供一种基于胶囊神经网络的微地震P波初至拾取***,包括:
数据采集模块,准备原始数据集;具体包括将全部所述原始数据集加入随机的高斯噪声以增强数据集处理;全部所述原始数据集包括不同主频、不同信噪比的微地震正演信号和实际的地震记录;
数据训练集制作模块,制作数据训练集;选取所述原始数据集的一部分样本信号的初至点打上标签,作为有标签的部分,另一部分样本信号作为无标签的部分;
数据训练模块,将所述数据训练集输入到组合训练模型中,对微地震信号特征预测评估;所述组合训练模型由胶囊神经网络和半监督学习模型组成;将所述有标签的部分进行有监督训练,将所述无标签的部分进行无监督训练;
输出模块,对所述微地震信号特征进行目标检测,得到所述微地震信号的初至点;具体包括通过RPN网络规则设置不同尺度的锚点在卷积特征层提取候选框,进行端到端训练。
本发明实施例提供一种基于胶囊神经网络的微地震P波初至拾取方法及***;通过胶囊神经网络和半监督学习结合,利用RPN网络进行微地震信号检测,实现微地震信号的初至点拾取;提高微地震信号特征提取准确率和P波初至点准确拾取。
附图说明
为了更清楚地说明本发明的技术方案,下面将对本发明技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动性的前提下,还可以根据这些附图获得其他的附图。
图1为本发明实施例一种基于胶囊神经网络的微地震P波初至拾取方法流程示意图;
图2为本发明实施例一种基于胶囊神经网络的微地震P波初至拾取方法子流程示意图
图3为本发明实施例组合训练模型训练方法流程图;
图4为本发明实施例组合训练模型训练结果曲线图;
图5为本发明实施例RPN网络目标检测流程图;
图6为本发明实施例微地震信号初至拾取结果;
图7为本发明实施例一种基于胶囊神经网络的微地震P波初至拾取***结构示意图;
附图标记:
数据采集模块-1数据训练集制作模块-2数据训练模块-3输出模块-4
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚,下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
图1为本发明实施例一种基于胶囊神经网络的微地震P波初至拾取方法流程示意图;如图1所示,包括以下步骤:
S1,准备原始数据集;具体包括将全部所述原始数据集加入随机的高斯噪声以增强数据集处理;全部所述原始数据集包括不同主频、不同信噪比的微地震正演信号和实际的地震记录;
S2,制作数据训练集;选取所述原始数据集的一部分样本信号的初至点打上标签,作为有标签的部分,另一部分样本信号作为无标签的部分;
S3,将所述数据训练集输入到组合训练模型中,对微地震信号特征预测评估;所述组合训练模型由胶囊神经网络和半监督学习模型组成;将所述有标签的部分进行有监督训练,将所述无标签的部分进行无监督训练;
S4,对所述微地震信号特征进行目标检测,得到所述微地震信号的初至点;具体包括通过RPN网络规则设置不同尺度的锚点在卷积特征层提取候选框,进行端到端训练。
具体地,胶囊神经网络(Capsule-net)和半监督学习(Temporal Ensembling) 模型组成组合训练模型,微地震信号数据样本构成训练数据集加入组合训练模型进行信号特征提取;胶囊神经网络有助于提取信号的特征,弥补***在输出时丢失了大量信息,胶囊神经网络的等变性有效的保证了特征信息的保留;半监督学习能够有效避免数据训练过程中的过拟合现象,减少训练数据集标签数量,提高训练数据集质量,准确提取微地震信号特征;
图5为本发明实施例RPN网络目标检测流程图,如图5所示,对所述微地震信号特征进行目标检测,得到所述微地震信号的初至点;通过RPN网络规则设置不同尺度的锚点在卷积特征层提取候选框,进行端到端训练;在胶囊神经网络的向量神经元层数字胶囊对信号用于生成region proposals,该层通过 softmax判断锚点属于前景或者背景,再利用bounding box regression修正锚点获得精确的proposals。收集好特征谱图和proposals组成ROI层,再经过全连接层之后进入两个并行的全连接层,一个是对区域的分类,另一个是对边框的回归。在回归、分类的过程中,指定一种学习参数x,y分别代表预定义框中点地横坐标和纵坐标h,w分别代表预定义框的高度和宽度。RPN网络中,目标分类函数:
目标得分函数:
分类损失函数:
目标检测损失函数:
Loss=Lbbox+Lscore+Lclass
上式中Nobj是边框中的目标个数,λbbox是该部分的权重损失量,K是预定义框的个数,Ik∈{0,1},Ik是目标框交并比最大的预定义框,X由一个四维向量(δx,δy,δw,δh)组成的预定义框的修正量,表示预定义框与目标回归框的交并比修正量。γk表示预定框,表示预定义框与目标回归框的交并比。在RNP网络中经过softmax归一化之后,pc∈[0,1]。lc=1表示此预定框属于第c类。图6为本发明实施例微地震信号初至拾取结果;如图6所示,在卷积特征层提取候选框,从而有效地检测出微地震信号的初至点。
本发明实施例提供一种基于胶囊神经网络的微地震P波初至拾取方法;通过胶囊神经网络和半监督学习结合,利用RPN网络进行微地震信号检测,实现微地震信号的初至点拾取;提高微地震信号特征提取准确率和P波初至点准确拾取。
进一步地,图2为本发明实施例一种基于胶囊神经网络的微地震P波初至拾取方法子流程示意图;如图2所示,所述S3步骤具体包括:
S31,输入所述数据训练集,对全部微地震信号进行卷积操作,得到卷积层,再对卷积层进行卷积操作,得到向量神经元层原始胶囊;
S32,采用动态路由算法将所述原始胶囊层传播到数字胶囊层,得到所述微地震信号特征向量;
S33,通过半监督学习将所述微地震信号的无监督损失函数和有监督损失函数加权求和构造总损失函数,通过最小化总损失函数,获取微地震信号特征。
具体地,图3为本发明实施例组合训练模型训练方法流程图;如图3 所示,输入是一段处理过的微地震信号xi。先对这段信号进行卷积操作,得到卷积层,再对卷积层进行卷积操作,得到向量神经元层原始胶囊;采用动态路由算法将原始胶囊层传播到数字胶囊层,关于动态路由算法具体内容在此不赘述;胶囊神经网络的运算参数公式为:
C是耦合系数,S为胶囊的输入,u是上一层胶囊网络的输出,W是每个输出要乘的权值。b的初始化值为0,故在前向传播求S的过程中,我们把W 设计成随机值,b初始化为0可以得到C,我们就可以得到下一层的S。运用激活函数Squashing降低计算代价,得出提取特征向量Vj;公式如下:
我们可以将两个分支的评估结果分为两个不同的阶段:首先对训练集进行分类,然后在相同的输入下对网络进行不同的扩充和缺失训练。对有标签数据集yi进行有监督训练,然后再使用刚刚有监督训练获得的预测作为无监督损失成分的目标,对数据集中无标签部分进行无监督训练获得预测评估。
在每个训练时期之后,通过更新提取的特征向量Vj←aVj+(1-a)vj,将网络输出vj累积到输出Vj中,其中a是集合动量项。由于网络中的dropout正则化和随机加入噪声,因此V包含来自先前训练时期的网络集合输出的加权平均值,而最近的时期的权重大于远处的时期。为了产生训练以v为目标,我们需要通过除以因子(1-at)来校正V中的启动偏差,得到在此过程中,我们可将第一个训练时期的无监督权重函数w(t)指定为零。
训练数据总共N个输入,其中对于所有训练数据,都表示为xi,其中i∈ {1...N},集合包含标记的训练的索引集为|L|=M,对于每个i∈L,都有一个已知正确的标号yi∈{1...C},其中C是不同类别的数量,B是小批量索引集。图4 为本发明实施例组合训练模型训练结果曲线图;如图4所示,该组合模型提取微地震信号特征曲线图,准确率可达到93%。
本发明实施例提供一种基于胶囊神经网络的微地震P波初至拾取方法;通过胶囊神经网络和半监督学习结合,利用RPN网络进行微地震信号检测,实现微地震信号的初至点拾取;提高微地震信号特征提取准确率和P波初至点准确拾取。
基于上述实施例,图7为本发明实施例一种基于胶囊神经网络的微地震P波初至拾取***结构示意图;如图7所示,包括:
数据采集模块1,准备原始数据集;具体包括将全部所述原始数据集加入随机的高斯噪声以增强数据集处理;全部所述原始数据集包括不同主频、不同信噪比的微地震正演信号和实际的地震记录;
数据训练集制作模块2,制作数据训练集;选取所述原始数据集的一部分样本信号的初至点打上标签,作为有标签的部分,另一部分样本信号作为无标签的部分;
数据训练模块3,将所述数据训练集输入到组合训练模型中,对微地震信号特征预测评估;所述组合训练模型由胶囊神经网络和半监督学习模型组成;将所述有标签的部分进行有监督训练,将所述无标签的部分进行无监督训练;
输出模块4,对所述微地震信号特征进行目标检测,得到所述微地震信号的初至点;具体包括通过RPN网络规则设置不同尺度的锚点在卷积特征层提取候选框,进行端到端训练。
本发明实施例提供一种基于胶囊神经网络的微地震P波初至拾取***执行上述方法;通过胶囊神经网络和半监督学习结合,利用RPN网络进行微地震信号检测,实现微地震信号的初至点拾取;提高微地震信号特征提取准确率和P波初至点准确拾取。
以上所描述的装置实施例仅仅是示意性的,其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性的劳动的情况下,即可以理解并实施。
通过以上的实施方式的描述,本领域的技术人员可以清楚地了解到各实施方式可借助软件加必需的通用硬件平台的方式来实现,当然也可以通过硬件。基于这样的理解,上述技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来,该计算机软件产品可以存储在计算机可读存储介质中,如ROM/RAM、磁碟、光盘等,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行各个实施例或者实施例的某些部分所述的方法。
最后应说明的是:以上实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。
Claims (4)
1.一种基于胶囊神经网络的微地震P波初至拾取方法,其特征在于,包括以下步骤:
S1,准备原始数据集;具体包括将全部所述原始数据集加入随机的高斯噪声以增强数据集处理;全部所述原始数据集包括不同主频、不同信噪比的微地震正演信号和实际的地震记录;
S2,制作数据训练集;选取所述原始数据集的一部分样本信号的初至点打上标签,作为有标签的部分,另一部分样本信号作为无标签的部分;
S3,将所述数据训练集输入到组合训练模型中,提取微地震信号特征;所述组合训练模型由胶囊神经网络和半监督学习模型组成;将所述有标签的部分进行有监督训练,将所述无标签的部分进行无监督训练;
S4,对所述微地震信号特征进行目标检测,得到所述微地震信号的初至点;具体包括通过RPN网络规则设置不同尺度的锚点在卷积特征层提取候选框,进行端到端训练。
2.根据权利要求1所述的一种基于胶囊神经网络的微地震P波初至拾取方法,其特征在于,所述S3步骤具体包括:
S31,输入所述数据训练集,对全部微地震信号进行卷积操作,得到卷积层,再对卷积层进行卷积操作,得到向量神经元层原始胶囊;
S32,采用动态路由算法将所述原始胶囊层传播到数字胶囊层,得到所述微地震信号特征向量;
S33,通过半监督学习将所述微地震信号的无监督损失函数和有监督损失函数加权求和构造总损失函数,通过最小化总损失函数,获取微地震信号特征。
3.一种基于胶囊神经网络的微地震P波初至拾取***,其特征在于,包括:
数据采集模块,准备原始数据集;具体包括将全部所述原始数据集加入随机的高斯噪声以增强数据集处理;全部所述原始数据集包括不同主频、不同信噪比的微地震正演信号和实际的地震记录;
数据训练集制作模块,制作数据训练集;选取所述原始数据集的一部分样本信号的初至点打上标签,作为有标签的部分,另一部分样本信号作为无标签的部分;
数据训练模块,将所述数据训练集输入到组合训练模型中,提取微地震信号特征;所述组合训练模型由胶囊神经网络和半监督学习模型组成;将所述有标签的部分进行有监督训练,将所述无标签的部分进行无监督训练;
输出模块,对所述微地震信号特征进行目标检测,得到所述微地震信号的初至点;具体包括通过RPN网络规则设置不同尺度的锚点在卷积特征层提取候选框,进行端到端训练。
4.根据权利要求3所述的一种基于胶囊神经网络的微地震P波初至拾取***,其特征在于,所述数据训练模块具体包括:
输入所述数据训练集,对全部微地震信号进行卷积操作,得到卷积层,再对卷积层进行卷积操作,得到向量神经元层原始胶囊;
采用动态路由算法将所述原始胶囊层传播到数字胶囊层,得到所述微地震信号特征向量;
通过半监督学习将所述微地震信号的无监督损失函数和有监督损失函数加权求和构造总损失函数,通过最小化总损失函数,获取所述微地震信号特征。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010057384.6A CN111505705B (zh) | 2020-01-19 | 2020-01-19 | 基于胶囊神经网络的微地震p波初至拾取方法及*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010057384.6A CN111505705B (zh) | 2020-01-19 | 2020-01-19 | 基于胶囊神经网络的微地震p波初至拾取方法及*** |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111505705A CN111505705A (zh) | 2020-08-07 |
CN111505705B true CN111505705B (zh) | 2022-08-02 |
Family
ID=71871026
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010057384.6A Active CN111505705B (zh) | 2020-01-19 | 2020-01-19 | 基于胶囊神经网络的微地震p波初至拾取方法及*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111505705B (zh) |
Families Citing this family (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112257726B (zh) * | 2020-10-29 | 2023-12-15 | 上海明略人工智能(集团)有限公司 | 目标检测训练方法、***、电子设备及计算机可读存储介质 |
CN113109869A (zh) * | 2021-03-30 | 2021-07-13 | 成都理工大学 | 一种页岩超声测试波形初至的自动拾取方法 |
CN113300788B (zh) * | 2021-04-19 | 2023-04-21 | 嘉兴学院 | 一种基于CapsNet胶囊网络的盲接收机方法及装置 |
CN113671564B (zh) * | 2021-08-11 | 2023-07-21 | 西安石油大学 | 基于narx动态神经网络的微地震有效事件自动拾取方法 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2002010797A1 (en) * | 2000-07-31 | 2002-02-07 | Scientific Prediction, Inc. | System and method for optimizing a mining operation |
CN107807387A (zh) * | 2017-10-31 | 2018-03-16 | 中国科学技术大学 | 基于神经网络的地震初至波走时获取方法 |
CN109063687A (zh) * | 2018-08-29 | 2018-12-21 | 长江大学 | 一种基于深度卷积神经网络的微地震p波识别方法及*** |
CN109613610A (zh) * | 2019-01-17 | 2019-04-12 | 中南大学 | 微震信号到时差的自动拾取方法 |
CN110082821A (zh) * | 2019-03-26 | 2019-08-02 | 长江大学 | 一种无标签框微地震信号检测方法及装置 |
CN110210296A (zh) * | 2019-04-25 | 2019-09-06 | 长江大学 | 一种结合U-net网络和DenseNet网络的微地震有效信号检测方法 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20140334260A1 (en) * | 2013-05-09 | 2014-11-13 | Schlumberger Technology Corporation | Neural Network Signal Processing of Microseismic Events |
US11105942B2 (en) * | 2018-03-27 | 2021-08-31 | Schlumberger Technology Corporation | Generative adversarial network seismic data processor |
-
2020
- 2020-01-19 CN CN202010057384.6A patent/CN111505705B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2002010797A1 (en) * | 2000-07-31 | 2002-02-07 | Scientific Prediction, Inc. | System and method for optimizing a mining operation |
CN107807387A (zh) * | 2017-10-31 | 2018-03-16 | 中国科学技术大学 | 基于神经网络的地震初至波走时获取方法 |
CN109063687A (zh) * | 2018-08-29 | 2018-12-21 | 长江大学 | 一种基于深度卷积神经网络的微地震p波识别方法及*** |
CN109613610A (zh) * | 2019-01-17 | 2019-04-12 | 中南大学 | 微震信号到时差的自动拾取方法 |
CN110082821A (zh) * | 2019-03-26 | 2019-08-02 | 长江大学 | 一种无标签框微地震信号检测方法及装置 |
CN110210296A (zh) * | 2019-04-25 | 2019-09-06 | 长江大学 | 一种结合U-net网络和DenseNet网络的微地震有效信号检测方法 |
Non-Patent Citations (2)
Title |
---|
Research Developments and Prospects on Microseismic Source Location in Mines;Jiulong Cheng 等;《Engineering》;20180823;第4卷;第653-660页 * |
改进的神经网络级联相关算法及其在初至拾取中的应用;宋建国 等;《石油地球物理勘探》;20180228;第53卷(第1期);第8-16页 * |
Also Published As
Publication number | Publication date |
---|---|
CN111505705A (zh) | 2020-08-07 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111505705B (zh) | 基于胶囊神经网络的微地震p波初至拾取方法及*** | |
CN110533631B (zh) | 基于金字塔池化孪生网络的sar图像变化检测方法 | |
CN105224872B (zh) | 一种基于神经网络聚类的用户异常行为检测方法 | |
CN112766379A (zh) | 一种基于深度学习多权重损失函数的数据均衡方法 | |
CN110084610B (zh) | 一种基于孪生神经网络的网络交易欺诈检测*** | |
CN113392931B (zh) | 基于自监督学习及多任务学习的高光谱开放集分类方法 | |
CN109919241B (zh) | 基于概率模型和深度学习的高光谱未知类别目标检测方法 | |
CN112784881A (zh) | 网络异常流量检测方法、模型及*** | |
CN114564982B (zh) | 雷达信号调制类型的自动识别方法 | |
Lara et al. | A deep learning approach for automatic recognition of seismo-volcanic events at the Cotopaxi volcano | |
CN108550163A (zh) | 一种复杂背景场景中运动目标检测方法 | |
CN106646587A (zh) | 基于声振动信号的目标检测与识别方法及*** | |
CN112700324A (zh) | 基于CatBoost与受限玻尔兹曼机结合的用户借贷违约预测方法 | |
Wang et al. | Knowledge transfer for structural damage detection through re-weighted adversarial domain adaptation | |
Li et al. | Robust deep neural networks for road extraction from remote sensing images | |
Huang et al. | Large-scale weakly-supervised content embeddings for music recommendation and tagging | |
Payne et al. | Two-stage Metropolis-Hastings for tall data | |
Alfaz et al. | Bridge crack detection using dense convolutional network (densenet) | |
Son et al. | Partial convolutional LSTM for spatiotemporal prediction of incomplete data | |
CN115375966A (zh) | 一种基于联合损失函数的图像对抗样本生成方法及*** | |
CN111523258B (zh) | 基于MS-Net网络的微地震有效信号初至拾取方法及*** | |
Wang et al. | Sonar Objective Detection Based on Dilated Separable Densely Connected CNNs and Quantum‐Behaved PSO Algorithm | |
CN112507826A (zh) | 一种端到端生态变化监测方法、终端、计算机设备及介质 | |
Chen et al. | Combining random forest and graph wavenet for spatial-temporal data prediction | |
CN112434716A (zh) | 一种基于条件对抗神经网络的水下目标数据扩增方法及*** |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |