1.本发明涉及数据处理技术领域，特别涉及一种数据驱动的海上地震勘探检波器深度值检测方法。
背景技术：
2.目前在检测海上地震的过程中，通常利用勘探检波器沿着多个特定的地点进行长时间的检测，根据深度值知晓地震当前的情况，由于检测过程中，受到各种环境因素的影响使得检测结果出现误差，同时，检测结果只能知晓当前的地震情况，无法对后续数据进行预测，且地震的运动变化情况也影响着深度值的预测结果，不利于地震数据的预报。
技术实现要素：
3.为了至少解决或部分解决上述问题，提供一种数据驱动的海上地震勘探检波器深度值检测方法。
4.为了达到上述目的，本发明提供了如下的技术方案：
5.本发明一种数据驱动的海上地震勘探检波器深度值检测方法，包括以下步骤：
6.s1：检测海上的地震数据，按照每个时段进行划分，将地震数据通过知识图谱得到深度值真实数据；
7.s2：根据检波器测量每个时段的深度值的历史数据和实际深度值数据，将历史时段检波器测量的数据作为变量数据，将变量数据与相对应的下个时段的实际数据作为平行样本实验数据训练lstm神经网络模型；
8.s3：根据lstm神经网络模型建立预测关系，基于当前的历史数据，得到下一时段深度值的预测值，将每个时段的深度值预测数据与实际深度值数据进行比较输出相对误差比例；
9.s4：将相对误差比例进行区间划分，将划分后的区间表示为地震状态，将每个时段对应的相对误差比例与地震状态相对应，根据各个时段所处的地震状态建立转移转移频数矩阵和一步转移概率矩阵，从而得到每个状态的误差概率；
10.s5：利用每个地震状态的误差概率与lstm神经网络模型预测的结果相结合，得到地震深度值的预测结果。
11.作为本发明的一种优选技术方案，所述步骤s2中，将历史时段检波器测量的数据作为输入值，下个时段的实际数据作为输出值，根据神经网络逻辑进行训练，不断修正神经网络逻辑的权值和阈值，完成神经网络模型的建立。
12.作为本发明的一种优选技术方案，所述步骤s5中，利用粒子群算法对地震深度值的预测结果进行进一步修正，输出修正后的数据结果。
13.作为本发明的一种优选技术方案，所述步骤s2中，先设定标准值，计算历史时段检波器测量的数据的平均值与下个时段的实际数据的标准差或方差，标准差或方差超过设定的标准值，则自动将数据清除。
14.作为本发明的一种优选技术方案，所述步骤s1中，通过知识图谱对当前检测的深度值数据进行修正，得到深度值真实数据，知识图谱包括深度值检测数据与实际数据的修正模型。
15.与现有技术相比，本发明的有益效果如下：
16.本发明利用lstm神经网络模型与马尔科夫链进行结合，使得数据能够对后一时段的地震数据进行预测，利用了检测历史数据与知识图谱获得的真实数据相结合的时间序列数据来训练lstm神经网络模型，并在训练过程中，利用马尔科夫链根据地震状态进行数据修正，可极大的提高测得的结果，提高地震数据的完整性。
具体实施方式
17.以下对本发明的优选实施例进行说明，应当理解，此处所描述的优选实施例仅用于说明和解释本发明，并不用于限定本发明。
18.此外，如果已知技术的详细描述对于示出本发明的特征是不必要的，则将其省略。
19.实施例1
20.本发明提供一种数据驱动的海上地震勘探检波器深度值检测方法，包括以下步骤：
21.s1：检测海上的地震数据，按照每个时段进行划分，将地震数据通过知识图谱得到深度值真实数据；知识图谱包括深度值检测数据与实际数据的修正模型，通过知识图谱对当前检测的深度值数据进行修正，得到深度值真实数据；
22.s2：根据检波器测量每个时段的深度值的历史数据和实际深度值数据，为了清除错误的数据，本申请采用自动筛选数据的方式，来防止错误的实验数据输入模型，先通过设定标准值，计算历史时段检波器测量的数据的平均值与下个时段的实际数据的标准差或方差，标准差或方差超过设定的标准值，则自动将数据清除。
23.训练模型时，将历史时段检波器测量的数据作为变量数据，将变量数据与相对应的下个时段的实际数据作为平行样本实验数据训练lstm神经网络模型，通过将历史时段检波器测量的数据作为输入值，下个时段的实际数据作为输出值，根据神经网络逻辑进行训练，不断修正神经网络逻辑的权值和阈值，完成神经网络模型的建立。
24.s3：根据lstm神经网络模型建立预测关系，基于当前的历史数据，得到下一时段深度值的预测值，将每个时段的深度值预测数据与实际深度值数据进行比较输出相对误差比例；
25.s4：将相对误差比例进行区间划分，将划分后的区间表示为地震状态，将每个时段对应的相对误差比例与地震状态相对应，根据各个时段所处的地震状态建立转移转移频数矩阵和一步转移概率矩阵，从而得到每个状态的误差概率；
26.s5：利用每个地震状态的误差概率与lstm神经网络模型预测的结果相结合，再利用粒子群算法对地震深度值的预测结果进行进一步修正，得到地震深度值的预测结果。
27.具体的，lstm神经网络模型采用卷积神经网络，卷积神经网络单元由卷积到批标准化到激活relu函数的卷积单元形式的网络结构组成，初始学习率设置为0.5，利用神经网络庞大的数据体系来对数据进行预测，但与预测结果收到地震运动变化的影响，利用马尔科夫链对数据进行修正，其中，粒子群算法的粒子长d＝4，粒子数m＝100，迭代次数k＝100，
学习因子c1＝c2＝1，加权因子w＝2。
28.本发明利用lstm神经网络模型与马尔科夫链进行结合，使得数据能够对后一时段的地震数据进行预测，利用了检测历史数据与知识图谱获得的真实数据相结合的时间序列数据来训练lstm神经网络模型，并在训练过程中，利用马尔科夫链根据地震状态进行数据修正，可极大的提高测得的结果，提高地震数据的完整性。
29.最后应说明的是：以上所述仅为本发明的优选实施例而已，并不用于限制本发明，尽管参照前述实施例对本发明进行了详细的说明，对于本领域的技术人员来说，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。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。
技术特征：
1.一种数据驱动的海上地震勘探检波器深度值检测方法，其特征在于，包括以下步骤：s1：检测海上的地震数据，按照每个时段进行划分，将地震数据通过知识图谱得到深度值真实数据；s2：根据检波器测量每个时段的深度值的历史数据和实际深度值数据，将历史时段检波器测量的数据作为变量数据，将变量数据与相对应的下个时段的实际数据作为平行样本实验数据训练lstm神经网络模型；s3：根据lstm神经网络模型建立预测关系，基于当前的历史数据，得到下一时段深度值的预测值，将每个时段的深度值预测数据与实际深度值数据进行比较输出相对误差比例；s4：将相对误差比例进行区间划分，将划分后的区间表示为地震状态，将每个时段对应的相对误差比例与地震状态相对应，根据各个时段所处的地震状态建立转移转移频数矩阵和一步转移概率矩阵，从而得到每个状态的误差概率；s5：利用每个地震状态的误差概率与lstm神经网络模型预测的结果相结合，得到地震深度值的预测结果。2.根据权利要求1所述的一种数据驱动的海上地震勘探检波器深度值检测方法，其特征在于，所述步骤s2中，将历史时段检波器测量的数据作为输入值，下个时段的实际数据作为输出值，根据神经网络逻辑进行训练，不断修正神经网络逻辑的权值和阈值，完成神经网络模型的建立。3.根据权利要求1所述的一种数据驱动的海上地震勘探检波器深度值检测方法，其特征在于，所述步骤s5中，利用粒子群算法对地震深度值的预测结果进行进一步修正，输出修正后的数据结果。4.根据权利要求1所述的一种数据驱动的海上地震勘探检波器深度值检测方法，其特征在于，所述步骤s2中，先设定标准值，计算历史时段检波器测量的数据的平均值与下个时段的实际数据的标准差或方差，标准差或方差超过设定的标准值，则自动将数据清除。5.根据权利要求1所述的一种数据驱动的海上地震勘探检波器深度值检测方法，其特征在于，所述步骤s1中，通过知识图谱对当前检测的深度值数据进行修正，得到深度值真实数据，知识图谱包括深度值检测数据与实际数据的修正模型。
技术总结
本发明公开了一种数据驱动的海上地震勘探检波器深度值检测方法，包括以下步骤：S1：检测海上的地震数据，按照每个时段进行划分，将地震数据通过知识图谱得到深度值真实数据；S2：根据检波器测量每个时段的深度值的历史数据和实际深度值数据，将历史时段检波器测量的数据作为变量数据，将变量数据与相对应的下个时段的实际数据作为平行样本实验数据训练LSTM神经网络模型；S3：根据LSTM神经网络模型建立预测关系，基于当前的历史数据，得到下一时段深度值的预测值，将每个时段的深度值预测数据与实际深度值数据进行比较输出相对误差比例。本发明利用LSTM神经网络模型与马尔科夫链进行结合，可极大的提高测得的结果，提高地震数据的完整性。震数据的完整性。
技术研发人员：张振
受保护的技术使用者：中国科学院大学
技术研发日：2021.11.22
技术公布日：2022/3/25