CN116304559A - 一种基于卷积自编码网络的微震信号降噪方法及*** - Google Patents
一种基于卷积自编码网络的微震信号降噪方法及*** Download PDFInfo
- Publication number
- CN116304559A CN116304559A CN202310076487.0A CN202310076487A CN116304559A CN 116304559 A CN116304559 A CN 116304559A CN 202310076487 A CN202310076487 A CN 202310076487A CN 116304559 A CN116304559 A CN 116304559A
- Authority
- CN
- China
- Prior art keywords
- microseismic
- noise reduction
- coding network
- msdcan
- signal
- 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.)
- Pending
Links
- 230000009467 reduction Effects 0.000 title claims abstract description 177
- 238000000034 method Methods 0.000 title claims abstract description 78
- 238000012549 training Methods 0.000 claims abstract description 51
- 238000012360 testing method Methods 0.000 claims abstract description 20
- 238000001914 filtration Methods 0.000 claims description 27
- 230000007246 mechanism Effects 0.000 claims description 16
- 238000005070 sampling Methods 0.000 claims description 12
- 238000012795 verification Methods 0.000 claims description 10
- 238000000605 extraction Methods 0.000 claims description 8
- 238000010276 construction Methods 0.000 claims description 6
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 claims description 3
- 238000010606 normalization Methods 0.000 claims description 3
- 238000005457 optimization Methods 0.000 claims description 2
- 238000012546 transfer Methods 0.000 claims description 2
- 238000013519 translation Methods 0.000 claims description 2
- 230000000694 effects Effects 0.000 description 24
- 238000002679 ablation Methods 0.000 description 8
- 230000008901 benefit Effects 0.000 description 8
- 230000000737 periodic effect Effects 0.000 description 8
- 238000010586 diagram Methods 0.000 description 6
- 239000000284 extract Substances 0.000 description 6
- 238000012545 processing Methods 0.000 description 5
- 230000001629 suppression Effects 0.000 description 5
- 230000003321 amplification Effects 0.000 description 4
- 230000009286 beneficial effect Effects 0.000 description 4
- 230000006870 function Effects 0.000 description 4
- 238000003199 nucleic acid amplification method Methods 0.000 description 4
- 239000007787 solid Substances 0.000 description 4
- 238000013528 artificial neural network Methods 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 3
- 230000008859 change Effects 0.000 description 3
- 238000013135 deep learning Methods 0.000 description 3
- 230000010287 polarization Effects 0.000 description 3
- 238000011160 research Methods 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 2
- 238000000354 decomposition reaction Methods 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 230000014759 maintenance of location Effects 0.000 description 2
- 238000012544 monitoring process Methods 0.000 description 2
- 230000010355 oscillation Effects 0.000 description 2
- 238000010200 validation analysis Methods 0.000 description 2
- 230000004913 activation Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000013527 convolutional neural network Methods 0.000 description 1
- 230000007423 decrease Effects 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 238000003709 image segmentation Methods 0.000 description 1
- 230000001788 irregular Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000008447 perception Effects 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 238000011176 pooling Methods 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 230000002265 prevention Effects 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 230000000717 retained effect Effects 0.000 description 1
Images
Classifications
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Compression, Expansion, Code Conversion, And Decoders (AREA)
Abstract
本发明公开了一种基于卷积自编码网络的微震信号降噪方法及***，涉及微震信号降噪和预警领域。本发明包括以下步骤：S1：获得微震波形数据集，数据集分为训练集和测试集；S2：构建基于卷积自编码网络的微震信号降噪模型MSDCAN；S3：使用训练集对基于卷积自编码网络的微震信号降噪模型MSDCAN进行多次迭代训练；S4：将测试集输入到训练好的基于卷积自编码网络的微震信号降噪模型MSDCAN，得到微震信号降噪结果。本发明的模型用于微震信号降噪，使用的参数更少，测试时间更短，为微震信号降噪提供了很好的思路。
Description
技术领域
本发明涉及微震信号降噪和预警领域，更具体的说是涉及一种基于卷积自编码网络的微震信号降噪方法及***。
背景技术
微震信号降噪是开展微震震相到时拾取、震源定位等一系列微震反演工作的重要基础，更在微震监测、微震预警等防灾减灾工作中发挥着重要的作用。但在实际中，微震监测现场情况复杂，各类人工活动、机械设备、电气干扰以及仪器噪声等都时刻影响着微震信号的质量，从而影响到震相到时拾取和震源定位的准确性，因此微震信号降噪研究方法得到国内外专家学者广泛地研究。
微震信号降噪的计算原理是将信号从时间域转换到频率域，根据人工设定频率阈值来消除特定频率的信号，再通过反变换将信号变回时间域，达到降噪的效果。目前，常用的微震降噪算法有小波变换(wavelet transform，WT)、短时傅里叶变换(short-timeFourier transform，STFT)、经验模态分解(Empirical Mode Decomposition，EMD)等。这些降噪方法虽然可以去除特定频率的噪声，但是极其依赖于人工设定的阈值，阈值的设定导致微震信号特征提取不充分，信噪比低。再者，随着微震数据量的激增，对降噪方法的计算速度要求越来越高，但目前方法还无法适应海量数据的处理需求。
鉴于此，研究人员开始研究新的降噪方法来弥补传统降噪方法的不足。近年来，深度学习由于可以通过海量数据学习训练来提升网络的泛化性能，实现“一次训练，多次处理”，在信号处理领域中得到广泛应用其中，卷积神经网络在噪声压制领域的应用研究最为广泛。
卷积神经网络降噪相比于传统降噪方法在信噪比上有一定的提升，但是应用在微震信号降噪时无法充分有效地利用微震信号邻域信息，易造成波形失真问题，这是由于微震信号中同相轴信息和振幅的变化等邻域信息对信号中某一点数据具有影响，导致降噪效果不佳。研究发现深度学习中的空洞卷积善于充分利用微震邻域信息，可以在不增加参数量的情况下增大感受野。空洞卷积利也被广泛应用于图像分割和目标检测等任务中，实验结果表明，空洞卷积在充分利用周围信息方面表现优越，可以增强模型提取特征的能力。
但是，实际中微震信号中会含有具有周期性的工业干扰噪声，如野外机械或人为振动会出现的虚假振幅脉冲噪声，及时间域中没有任何规律的背景噪声等。空洞卷积虽然能扩大感受野，但不能对这些噪声的特征进行提取和强化，即对噪声的压制不具有针对性，导致降噪性能依然不理想。注意力机制由于擅长关注相关的信息且忽略不相关的信息，被广泛应用于去除各种复杂噪声。
因此，如何解决上述问题是本领域技术人员亟需研究的。
发明内容
有鉴于此，本发明提供了一种基于卷积自编码网络的微震信号降噪方法及***，针对微震信号含有不同噪声、信噪比低的问题，结合空洞卷积对微震信号邻域信息充分提取以及注意力机制能够对不同含噪信号进行特征权重分配的优势，以编解码卷积神经网络为框架，设计了一种多尺度空洞卷积自编码网络MSDCAN(Multi-Scale DilatedConvolution Auto-Encoding Attention Network)模型。利用空洞卷积可以扩大感受野的优势，对微震邻域信息进行提取；利用注意力机制在提取噪声显著特征的优势，针对性去除噪声，提高降噪后微震信号的信噪比。使用斯坦福大学地震事件数据集进行训练和测试，结果表明，本发明的MSDCAN模型可以保证信号质量的同时有效去除噪声。
为了实现上述目的，本发明采用如下技术方案：
一方面公开了一种基于卷积自编码网络的微震信号降噪方法，包括以下步骤：
S1：获得微震波形数据集，数据集分为训练集和测试集；
S2：构建基于卷积自编码网络的微震信号降噪模型MSDCAN；
S3：使用训练集对基于卷积自编码网络的微震信号降噪模型MSDCAN进行多次迭代训练；
S4：将测试集输入到训练好的基于卷积自编码网络的微震信号降噪模型MSDCAN，得到微震信号降噪结果。
可选的，数据集还包括验证集，使用验证集的数据对训练好的基于卷积自编码网络的微震信号降噪模型MSDCAN进行验证。
可选的，在S1中，对微震波形数据集进行预处理，具体为对微震波形数据集进行裁剪、平移、滤波和归一化处理。
可选的，在S2中，构建基于卷积自编码网络的微震信号降噪模型MSDCAN，将卷积自编码网络CAE与空洞卷积和注意力机制进行结合。
可选的，在S3中，将训练集输入到编码层的初始空洞卷积模块中进行微震信号初始特征学习，再将特征学习后的训练集输入到一个多尺度空洞卷积模块中，进行微震信号的复杂特征提取，再将编码层中每一个阶段提取的特征结果分别输入到注意力机制模块中，分别进行微震信号中显著特征的提取，并与解码层中转置卷积的输出叠加，最后通过四次上采样操作降低特征图维数并将特征图还原至原始信号大小。
可选的，在S4中，使用训练集对构建的基于卷积自编码网络的微震信号降噪模型MSDCAN进行训练，在模型训练中采用ADAM梯度优化算法进行优化。
可选的，基于卷积自编码网络的微震信号降噪模型MSDCAN包括编码层，中间层和解码层。
另外一方面公开了一种基于卷积自编码网络的微震信号降噪***，包括：微震波形数据集获取模块，模型构建模块，迭代训练模块和降噪结果模块；
数据集获取模块：用于获得微震波形数据集，数据集分为训练集和测试集；
模型构建模块：用于构建基于卷积自编码网络的微震信号降噪模型MSDCAN；
迭代训练模块：用于使用训练集对基于卷积自编码网络的微震信号降噪模型MSDCAN进行多次迭代训练；
降噪结果模块：用于将测试集输入到训练好的基于卷积自编码网络的微震信号降噪模型MSDCAN，得到微震信号降噪结果。
经由上述的技术方案可知，与现有技术相比，本发明公开提供了一种基于卷积自编码网络的微震信号降噪方法及***，具有以下有益效果：
1、本发明的基于卷积自编码网络的微震信号降噪模型MSDCAN结合了卷积自编码网络CAE和空洞卷积，使网络在不增加参数的前提下，更好地提取微震信号邻域特征，对于微震信号的变化更为敏感。空洞卷积结构不仅利用了微震邻域信息，也利用了微震信号多尺度信息，保留了更多的微震信号数据的特征。
2、本发明的基于卷积自编码网络的微震信号降噪模型MSDCAN解决了空洞卷积无法针对性去除微震信号噪声的问题，使得网络提取微震信号显著特征，提高信噪比。本发明的模型用于微震信号降噪，使用的参数更少，测试时间更短，为微震信号降噪提供了很好的思路。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有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的前提下，还可以根据提供的附图获得其他的附图。
图1为本发明的基于卷积自编码网络的微震信号降噪模型MSDCAN的网络结构图；
图2为本发明的编码层结构图；
图3为本发明的多尺度空洞卷积模块结构图；
图4为本发明的注意力机制结构图；
图5为本发明的解码层结构图；
图6为本发明的训练集和验证集上损失函数图；
图7(a)-图7(b)为本发明的MSDCAN网络降噪后微震信号与噪声信号之间的性能比较图，其中，图7(a)、图7(b)分别是信噪比和均方根误差结果图；
图8(a)-图8(b)为本发明的不同降噪方法降噪后的微震信号与原信号对比结果图，其中，图8(a)、图8(b)分别是不同方法降噪后信号与原信号整体与局部放大对比图；
图9(a)-图9(b)为本发明的背景噪声下不同降噪方法降噪后的微震信号与原信号对比结果图，其中，图9(a)、图9(b)分别是背景噪声下不同方法降噪后信号与原信号整体与局部放大对比图；
图10(a)-图10(b)为本发明的脉冲噪声下不同降噪方法降噪后的微震信号与原信号对比结果图，其中，图10(a)、图10(b)分别是脉冲噪声下不同方法降噪后信号与原信号整体与局部放大对比图；
图11(a)-图11(b)为本发明的周期噪声下不同降噪方法降噪后的微震信号与原信号对比结果图，其中，图11(a)、图11(b)分别是周期噪声下不同方法降噪后信号与原信号整体与局部放大对比图；
图12(a)-图12(b)为本发明的混合噪声下不同降噪方法降噪后的微震信号与原信号对比结果图，其中，图12(a)、图12(b)分别是混合噪声下不同方法降噪后信号与原信号整体与局部放大对比图；
图13(a)-图13(b)为本发明的MSDCAN网络消融模型对比结果图，其中，图13(a)、图13(b)分别是MSDCAN网络消融模型整体与局部放大对比图；
图14(a)-图14(e)为本发明的微震信号去噪对比结果图，其中，图14(a)是微震信号整体图，图14(b)-图14(e)是微震信号及不同方法降噪后信号采样点为300～800放大图。
具体实施方式
下面将结合本发明的中的附图，对本发明的中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅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做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。
本发明的实施例公开了一种基于卷积自编码网络的微震信号降噪方法，如图1-图5所示，包括以下步骤：
S1：获得微震波形数据集，数据集分为训练集和测试集；
S2：构建基于卷积自编码网络的微震信号降噪模型MSDCAN；
S3：使用训练集对基于卷积自编码网络的微震信号降噪模型MSDCAN进行多次迭代训练；
S4：将测试集输入到训练好的基于卷积自编码网络的微震信号降噪模型MSDCAN，得到微震信号降噪结果。
进一步的，在S1中，收集微震信号的波形数据，并对波形数据进行预处理，获得微震波形数据集；微震信号的波形数据的长度为60s；其中预处理是指对地震波形数据进行裁剪、平移、滤波、归一化处理；所述微波形数据经过裁剪后，长度变为30s，其中采样率为100HZ。
本实施例的地震波形数据集采用STEAD数据集，该数据集是斯坦福大学地震实验室提供的一个公共地震数据集。本实施例选取地震震级是0.5级～3.0级，构成实验训练数据集，采样率为100Hz，所有微震数据都是三分量(垂直方向、东西方向和南北方向)的，数据的采样率为100HZ，微震数据的长度为60s。选取的STEAD数据集共33800条数据。对选取的数据进行如下数据处理：将60s长的数据裁剪为30s长(采样率100Hz，每段长度为3000)，保证30S长的数据内包含微震事件，处理完后数据是33800条数据；对数据做Min-Max归一化处理，处理完后数据是33800条数据，之后将数据集数据进行随机打乱。
将微震波形数据集分成训练集，验证集以及测试集：随机选取处理好的微震波形数据集中80％数据作为训练集，10％作为验证集，10％作为测试集，单个波形数据的长度为30s。得到训练集27040条，验证集3380条，测试集3380条；对标签进行归一化处理，因网络输出长度为3000，将标签处理为长度为3000的归一化标签。
进一步的，在S2中，构建基于卷积自编码网络的微震信号降噪模型MSDCAN，将卷积自编码网络CAE与空洞卷积和注意力机制进行结合，将训练集数据先输入到编码层的初始空洞卷积模块中进行微震信号初始特征学习，接着再将特征学习后的数据输入到一个多尺度空洞卷积模块中，进行微震信号的复杂特征提取，然后再将编码层中每一个阶段提取的特征结果分别输入到注意力机制模块中，分别进行微震信号中显著特征的提取，并与解码层中转置卷积的输出叠加，最后通过四次上采样操作降低特征图维数并将特征图还原至原始信号大小。
其中，构建基于卷积自编码网络的微震信号降噪模型的步骤如下：
编码层，由三部分组成，分别是输入模块、初始空洞卷积模块和多尺度空洞卷积模块。输入模块输入一维微震信号，初始空洞卷积模块包含4个阶段，分别为conv1、conv2、conv3和conv4，负责提取微震邻域信息。其中，conv1阶段由两个一维卷积层组成，conv2～conv3阶段由三个一维卷积层组成，conv4阶段由两个一维卷积层和一个一维空洞卷积层组成；多尺度空洞卷积模块通过并联4个空洞率分别为1、6、12、18的空洞卷积以提取微震信号多尺度特征；
中间层，在编码层与解码层中间引入注意力机制，突出信号的重要特征，针对性地去除微震信号中的各类噪声，改善降噪效果；
解码层，包含四个上采样层，上采样层由转置卷积层、卷积层、批标准化和激活函数组成。MSDCAN降噪模型通过四次上采样操作降低特征图维数和将特征图还原至原始信号大小，得到降噪后的微震信号。
使用训练集的数据对构建的基于卷积自编码网络的微震信号降噪模型MSDCAN进行训练，即将训练集数据输入到步骤(3)中的微震信号降噪模型MSDCAN进行迭代；
在S3中，基于卷积自编码网络的微震信号降噪模型MSDCAN训练使用Pytorch框架训练网络，损失函数采用MSELoss，初始学习率为0.0001并设置为学习率衰减，优化采用ADAM算法。损失在连续440个Epoch不下降时停止训练，一共训练了500个Epoch。训练集上损失函数图如图6所示。
更进一步的，在本实施例中，使用验证集的数据对训练好的基于卷积自编码网络的微震信号降噪模型MSDCAN进行验证，即将验证集的数据输入到S2中的微震信号降噪模型MSDCAN进行验证；验证集信噪比与均方根误差结果如图7(a)-图7(b)所示。
利于本发明的MSDCAN降噪模型在RTX3060下对3200条数据在不同方法针对不同信噪比噪声的微震信号进行降噪，结果如表1所示。
先对信噪比、相关系数和均方根误差说明如下：
式中，yi、Y均表示原信号，xi、X表示经过降噪处理之后的信号，N均为数据长度，即采样点数。其中，信噪比越大说明信号的质量越高；均方根误差是计算模型输出信号与标签信号每个采样点之间的误差，误差越小，降噪效果越好；相关系数越接近于1，说明降噪后微震信号与标签微震信号相关性越大。
表1不同信噪比微震信号去噪结果
由表1可知，MSDCAN降噪模型降噪后的信噪比与均值滤波和CAE降噪模型相比分别提高9.933dB和7.941dB，相关系数分别提高0.289和0.013，均方根误差分别降低0.522和0.051。结果表明，对于低信噪比微震信号，MSDCAN降噪模型优于均值滤波和CAE降噪模型；对于信噪比高于6dB的微震信号，MSDCAN和CAE模型均具有理想的降噪效果，但均值滤波降噪效果近乎失效。这是因为在相同的阈值下，均值滤波方法依赖于阈值，导致其对高信噪比信号的去噪效果较差，而MSDCAN和CAE模型能通过训练的方法学习含噪微震信号中的有效信号特征和噪声特征，不依赖于阈值，即使信噪比提升，降噪效果仍然稳定。
图8(a)为针对2dB低信噪比微震信号降噪结果，结果表明均值滤波方法会出现畸变现象，MSDCAN和CAE降噪模型则比较接近原始波形，去噪后无明显畸变现象。为了更加清晰的看出降噪后波形特征的保留效果，对图8(a)中A1～A44个实线框标识的波形进行局部放大，如图8(b)所示。实验结果表明，均值滤波方法在波形放大后能更清晰的看到失真程度较大；CAE降噪模型在P波到达之前实际上也会存在残余噪声，因此也存在失真，但是失真程度低于均值滤波方法；而本文设计的MSDCAN降噪模型在波形放大情况下，依然可以清晰的看到P、S波特征保留完整，不存在失真。CAE降噪模型存在轻微失真现象的原因是其不能提取到微震信号中同相轴的频率和振幅等信息，MSDCAN降噪模型因引入空洞卷积，可以提取微震信号的邻域特征，通过利用更多的周边信息，区分出有效微震信号成分和噪声成分，因此该模型降噪后的微震信号信噪比最高，呈现出最佳的降噪效果。
利于本发明的MSDCAN降噪模型在RTX3060下对3200条数据在不同方法针对不同类型噪声微震信号进行降噪，结果如表2所示。
表2不同种类噪声下去噪结果对比
由表2可知，MSDCAN降噪模型与均值滤波和CAE相比，针对背景噪声进行降噪，信噪比分别提高5.871dB和0.842dB，相关系数分别提高0.252和0.034，均方根误差分别降低0.608和0.047；针对含脉冲噪声，MSDCAN降噪模型的信噪比相较于均值滤波和CAE分别提高13.479dB和3.553dB，相关系数分别提高0.169和0.01，均方根误差分别降低0.629和0.091；针对周期噪声，MSDCAN模型与均值滤波和CAE降噪方法相比，信噪比分别提高11.238dB和2.112dB，相关系数分别提高0.363和0.037，均方根误差分别降低0.064和0.005；针对混合噪声，MSDCAN模型与均值滤波和CAE方法相比，信噪比分别提高4.071dB和0.029dB，相关系数分别提高0.187和0.014，均方根误差分别降低0.48和0.003。
为了更直观地观察背景噪声降噪效果，绘制原始无噪信号及降噪后信号的波形曲线，如图9(a)所示，由实验结果可以看到，MSDCAN模型去噪后的波形更接近原始无噪信号。进一步对图9(a)中B1～B44个实线框标识的波形进行局部放大，结果如图9(b)所示，由实验结果可以更明显的看到，MSDCAN降噪模型去噪后波形比较平滑，波形几乎与原始无噪信号重合；但是均值滤波和CAE两种方法降噪后波形较为粗糙，细节处与原始信号对比出现明显畸变现象，在P波到时前和微震事件结束时噪声残留较多，这会影响到后续微震事件识别的准确度。背景噪声没有固定的频带，也没有恒定的幅值，均值滤波和CAE方法难以分辨背景噪声与微震信号的频带与幅值特征，因此对背景噪声的抑制不具有针对性；而MSDCAN降噪模型由于引入注意力机制，能在去除背景噪声的同时较完整保留微震事件，成功提取背景噪声下微震信号特征，因此降噪后的均方根误差相比其他两种方法显著减少。
针对脉冲噪声，原始无噪信号和降噪后信号的波形曲线如图10(a)所示。由实验结果可以看到，MSDCAN模型和CAE方法的去噪结果无明显畸变，但是均值滤波方法降噪后波形存在明显畸变。对图10(a)中C1～C44个实线框标识的波形进行局部放大的结果如图10(b)所示，由实验结果可以明显看到，MSDCAN降噪模型噪声抑制效果最优。均值滤波方法存在高幅值和低幅值噪声，降噪效果较差；CAE方法能很好地去除高幅值脉冲成分，但在P波到时之前仍残留低幅值噪声，影响后续P波拾取精度。这是因为，脉冲噪声一般是野外机械或人为振动造成的虚假振幅波形，其振幅、频率与震相到时极为相似，区别仅为二者的偏振方向信息不同。因此，均值滤波受制于阈值不能有效消除高幅值脉冲成分，降噪性能差；CAE降噪模型中单一的普通卷积对微震信号细节能力的感知较弱，难以捕捉到偏振信息，导致降噪效果也不理想；而MSDCAN降噪模型由于引入空洞卷积，可以通过扩张感受野增强网络对微震信号偏振信息的捕捉能力，因此降噪信噪比明显降低，降噪效果最佳。
针对周期噪声，由原始无噪信号和三种方法降噪后信号的波形曲线图11(a)可以看到，三种方法都能很好地去除信号中的周期噪声。进一步对图11(a)中D1～D44个实线框标识的波形进行局部放大，结果如图11(b)所示。由实验结果可以清晰看到，MSDCAN降噪模型在D1区域降噪后信号无毛刺且波形平滑，均值滤波方法对毛刺的去除效果较好，但因其去噪时会破坏微震信号，致使信号不平滑，信噪比高；CAE降噪方法在D1区域即P波到时之前降噪后信号仍有许多毛刺，无法满足P波到时准确拾取。原因在于周期噪声在大多数情况下随时间而变化，其频带与微震信号的频带重叠，均值滤波和CAE方法均不能准确关注微震信号，降噪效果差，而MSDCAN降噪模型因引入注意力机制，不仅能准确关注微震信号，还能较好地区分周期噪声与微震信号重叠的频带，从而提高降噪信号信噪比及相关系数。
针对混合噪声，由原始无噪信号和三种方法降噪后信号的波形曲线图12(a)表明，MSDCAN模型降噪后信号平滑，信噪比显著提升。进一步对图12(a)中E1～E44个实线框标识的波形进行局部放大，结果如图12(b)所示。由实验结果可以看到，均值滤波和CAE降噪两种方法在波形放大后能看有大量噪声残留，尤其是信号末尾震荡幅度过大，而MSDCAN降噪模型降噪后的信号末尾震荡幅度较小，基本无残留噪声。这主要是因为，混合噪声是脉冲噪声和无规律噪声混合的微震信号，均值滤波容易丢失其细节特征，只能微弱地减弱噪声却无法去除；CAE降噪模型也不具备对多种噪声同时去噪的能力，而本文模型因引入空洞卷积和注意力机制，既可以更好地保留信号的细节信息，又可以将各种噪声同时去除，因此呈现出最佳降噪效果。
为验证MSDCAN降噪模型中多尺度空洞卷积模块DMS、初始空洞卷积模块DC和注意力机制模块SE对模型性能的影响，分别删除DMS模块，保留DC和SE，将该消融模型标记为DCAN；删除DC模块，保留SE和DMS，将该消融模型标记为MSCAN；删除SE模块，保留DC和DMS，将该消融模型标记为MSDCN，进行了消融实验与分析，结果如表3所示。
表3 MSDCAN网络的消融实验分析
如表3所示，实验结果表明，与MSDCAN模型相比，当缺少DMS模块时，平均信噪比降低了0.965dB；当缺少SE模块时，平均信噪比降低了0.441dB；当缺少DC模块时，平均信噪比降低了0.238dB。实验结果说明了DMS、SE和DC三个模块删除其中任何一个都会导致网络的降噪效果下降。
如图13(a)所示，去除任何一个模块都会使降噪性能变差，并且，缺少DMS模块对降噪性能影响最大，缺少DC模块对降噪性能影响最小。为了更加清晰的看出降噪后波形特征的保留效果，对图13(a)中F1～F22个实线框标识的波形进行局部放大，结果如图13(b)所示，由结果可以更明显看到，DCAN模型的去噪效果最差，这也说明DCAN模型因缺少DMS模块，不能提取微震信号的多尺度信息，致使信噪比大幅度降低，这也验证了DMS模块在提取多尺度信息方面的优势；MSDCN模型相对DCAN模型其信噪比有所改善，但降噪前后的信号均方根误差差异仍然明显，这表明MSDCN模型因缺少SE模块，不能关注微震信号特征，致使信号质量降低，这也验证了SE模块针对细节特征提取的优势；MSCAN模型能够取得较理想的评价指标，但微震信号的起止信息丢失，尤其对P波到达之前的降噪结果不够精细，这表明MSCAN模型因缺少DC模块，在进行卷积、池化的过程中不能捕捉到微震邻域信息，致使信噪比低，这也证明了DC模块在捕捉邻域信息方面的优势。消融实验结果进一步表明本文设计的MSDCAN降噪模型因同时引入三个模块，可以显著提高网络对微震信号的降噪性能，改善微震信号信噪比低、针对不同噪声无法去除等现象，取得最佳降噪效果。
利于本发明的MSDCAN降噪模型在RTX3060下对348条北京台站数据微震信号进行降噪，结果如表3所示。
表4平均P波信噪比
表4是均值滤波、CAE模型和MSDCAN模型降噪后的平均P波信噪比结果，由表4可以看出，与均值滤波和CAE降噪相比，MSDCAN降噪模型的P波信噪比分别提高33.105dB和9.102dB。
本实施例中还公开了一种基于卷积自编码网络的微震信号降噪***，包括：微震波形数据集获取模块，模型构建模块，迭代训练模块和降噪结果模块；
数据集获取模块：用于获得微震波形数据集，数据集分为训练集和测试集；
模型构建模块：用于构建基于卷积自编码网络的微震信号降噪模型MSDCAN；
迭代训练模块：用于使用训练集对基于卷积自编码网络的微震信号降噪模型MSDCAN进行多次迭代训练；
降噪结果模块：用于将测试集输入到训练好的基于卷积自编码网络的微震信号降噪模型MSDCAN，得到微震信号降噪结果。
如图14(a)-图14(e)所示，由结果可以看到，均值滤波和CAE方法降噪后，信号失真较为严重；而MSDCAN降噪模型不仅压制噪声效果显著，而且降噪后P波到时特征保留完整、幅值变化明显，信号无明显失真，信噪比有较大提高。这表明MSDCAN降噪模型中引入空洞卷积与注意力机制，使其对微震信号的整体波形和边缘细节的恢复能力更强，可以显著提高信噪比。
本说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似部分互相参见即可。对于实施例公开的装置而言，由于其与实施例公开的方法相对应，所以描述的比较简单，相关之处参见方法部分说明即可。
对所公开的实施例的上述说明，使本领域专业技术人员能够实现或使用本发明。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的，本文中所定义的一般原理可以在不脱离本发明实施例精神或范围的情况下，在其它实施例中实现。因此，本发明将不会被限制于本文所示的这些实施例，而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。
Claims (8)
1.一种基于卷积自编码网络的微震信号降噪方法，其特征在于，包括以下步骤：
S1：获得微震波形数据集，数据集分为训练集和测试集；
S2：构建基于卷积自编码网络的微震信号降噪模型MSDCAN；
S3：使用训练集对基于卷积自编码网络的微震信号降噪模型MSDCAN进行多次迭代训练；
S4：将测试集输入到训练好的基于卷积自编码网络的微震信号降噪模型MSDCAN，得到微震信号降噪结果。
2.根据权利要求1所述的一种基于卷积自编码网络的微震信号降噪方法，其特征在于，数据集还包括验证集，使用验证集的数据对训练好的基于卷积自编码网络的微震信号降噪模型MSDCAN进行验证。
3.根据权利要求1所述的一种基于卷积自编码网络的微震信号降噪方法，其特征在于，在S1中，对微震波形数据集进行预处理，具体为对微震波形数据集进行裁剪、平移、滤波和归一化处理。
4.根据权利要求1所述的一种基于卷积自编码网络的微震信号降噪方法，其特征在于，在S2中，构建基于卷积自编码网络的微震信号降噪模型MSDCAN，将卷积自编码网络CAE与空洞卷积和注意力机制进行结合。
5.根据权利要求1所述的一种基于卷积自编码网络的微震信号降噪方法，其特征在于，在S3中，将训练集输入到编码层的初始空洞卷积模块中进行微震信号初始特征学习，再将特征学习后的训练集输入到一个多尺度空洞卷积模块中，进行微震信号的复杂特征提取，再将编码层中每一个阶段提取的特征结果分别输入到注意力机制模块中，分别进行微震信号中显著特征的提取，并与解码层中转置卷积的输出叠加，最后通过四次上采样操作降低特征图维数并将特征图还原至原始信号大小。
6.根据权利要求1所述的一种基于卷积自编码网络的微震信号降噪方法，其特征在于，在S4中，使用训练集对构建的基于卷积自编码网络的微震信号降噪模型MSDCAN进行训练，在模型训练中采用ADAM梯度优化算法进行优化。
7.根据权利要求1所述的一种卷积自编码网络的微震信号降噪方法，其特征在于，基于卷积自编码网络的微震信号降噪模型MSDCAN包括编码层，中间层和解码层。
8.一种基于卷积自编码网络的微震信号降噪***，其特征在于，包括：微震波形数据集获取模块，模型构建模块，迭代训练模块和降噪结果模块；
数据集获取模块：用于获得微震波形数据集，数据集分为训练集和测试集；
模型构建模块：用于构建基于卷积自编码网络的微震信号降噪模型MSDCAN；
迭代训练模块：用于使用训练集对基于卷积自编码网络的微震信号降噪模型MSDCAN进行多次迭代训练；
降噪结果模块：用于将测试集输入到训练好的基于卷积自编码网络的微震信号降噪模型MSDCAN，得到微震信号降噪结果。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310076487.0A CN116304559A (zh) | 2023-02-03 | 2023-02-03 | 一种基于卷积自编码网络的微震信号降噪方法及*** |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310076487.0A CN116304559A (zh) | 2023-02-03 | 2023-02-03 | 一种基于卷积自编码网络的微震信号降噪方法及*** |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN116304559A true CN116304559A (zh) | 2023-06-23 |
Family
ID=86827758
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310076487.0A Pending CN116304559A (zh) | 2023-02-03 | 2023-02-03 | 一种基于卷积自编码网络的微震信号降噪方法及*** |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116304559A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117872476A (zh) * | 2024-01-18 | 2024-04-12 | 中国矿业大学 | 一种微震时序波形降噪方法 |
-
2023
- 2023-02-03 CN CN202310076487.0A patent/CN116304559A/zh active Pending
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117872476A (zh) * | 2024-01-18 | 2024-04-12 | 中国矿业大学 | 一种微震时序波形降噪方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110659621A (zh) | 一种基于变分模态分解和排列熵的联合降噪方法 | |
| CN109890043B (zh) | 一种基于生成式对抗网络的无线信号降噪方法 | |
| CN102928517A (zh) | 一种基于小波分解阈值去噪的瓷绝缘子振动声学检测数据降噪的方法 | |
| CN110806315B (zh) | 一种基于倒位编辑的齿轮箱复合故障诊断方法 | |
| CN106886044A (zh) | 一种基于剪切波与Akaike信息准则的微地震初至拾取方法 | |
| CN107392123B (zh) | 一种基于相参积累消噪的射频指纹特征提取和识别方法 | |
| CN116304559A (zh) | 一种基于卷积自编码网络的微震信号降噪方法及*** | |
| CN110909827A (zh) | 一种适用于风机叶片声音信号的降噪方法 | |
| CN111580161A (zh) | 基于多尺度卷积自编码神经网络的地震随机噪音压制方法 | |
| CN111650654B (zh) | 联合emd与wt算法的地面磁共振信号尖峰噪声剔除方法 | |
| CN102053265B (zh) | 一种对地震资料剔除野值的滤波方法 | |
| CN116153329A (zh) | 一种基于cwt-lbp的声音信号时频纹理特征提取方法 | |
| CN113744714B (zh) | 语音合成方法、装置、计算机设备及存储介质 | |
| CN109212608B (zh) | 基于3D shearlet变换的井中微地震信号去噪方法 | |
| CN109558857B (zh) | 一种混沌信号降噪方法 | |
| CN116484176A (zh) | 一种基于超小波的轴承故障诊断方法、***和存储介质 | |
| CN107341519B (zh) | 一种基于多分辨率分析的支持向量机识别优化方法 | |
| CN110032968A (zh) | 基于双树复小波和自适应半软阈值法的去噪方法 | |
| CN115712822A (zh) | 基于ceemdan-omeda的轴承故障诊断方法、***及介质 | |
| CN115251978A (zh) | 基于小波谱图的异常心音识别方法、装置和服务架构 | |
| CN114894478A (zh) | 一种滚动轴承微弱故障特征提取方法 | |
| Thu et al. | A review for reduction of noise by wavelet transform in audio signals | |
| CN107885698B (zh) | 一种用于含噪ENPEMF信号的BGabor-NSPWVD三维时频分析方法 | |
| CN114358040A (zh) | 一种基于自适应估算阈值法的扰动信号去噪方法 | |
| Biswal et al. | Time frequency analysis and FPGA implementation of modified S-transform for de-noising |
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 |