本发明涉及地震波信号处理领域,尤其涉及一种基于深度学习的地震波信号方位角估计方法、装置、设备及存储介质。
背景技术:
1、地震波场含有丰富的目标信息,因此地震波广泛应用于地质勘探、地震预报和水中的目标探测等领域;其中采用地震波进行目标定位分为两步:方位角估计和距离估计;而由于基于单矢量传感器的地震波场接收系统要比基于阵列传感器的地震波场接收系统具有设备复杂性低、安装与回收操作简单、数据量低等优势,因此,目前基于单矢量传感器的目标方位角估计方法成为了地震波目标定位中的一个关键内容。
2、现有的基于单矢量地震波传感器的信号方位角估计方法是引进传统的阵列信号方位角估计方法,但是这些传统的阵列信号方位角估计方法需要结合波场分离方法,把地震波中特定的波成分分离出来再利用这些方法进行方位角估计,然而由于地震波传感器测量的信号中包含了横波、纵波、面波以及这些波的干涉叠加形成的振动信号,使得想要分离地震波不同波成分是较难的,因此限制了现有方法在实际应用中的方位角估计性能,导致目前方位角估计不准问题。
3、因此,现有技术还有待于改进和发展。
技术实现思路
1、本技术要解决的技术问题在于,针对现有技术的不足,提供一种基于深度学习的地震波信号方位角估计方法、装置、设备及存储介质,本发明能够对矢量地震波传感器接收的地震波信号进行预处理,并将预处理之后的数据信号输入至基于深度学习方法搭建的神经网络模型中,通过神经网络模型最终输出更加准确的方位角估计结果,从而实现对矢量地震波传感器方位角的准确估计。
2、为了解决上述现有技术问题的不足,本技术实施例第一方面提供了一种基于深度学习的地震波信号方位角估计方法,所述方法包括:
3、获取矢量地震波传感器接收的三分量地震波信号并进行预处理,将预处理之后的第一数据信号输入至基于深度学习方法搭建的神经网络模型中;
4、通过所述神经网络模型中的隐藏层对第一数据信号进行处理,经过降采样和核心单元特征提取后输出第二数据信号;
5、通过所述神经网络模型中的输出层对第二数据信号进行处理,输出第二数据信号在观测空间中各角度上的置信度,取置信度最高的角度值作为地震波信号的方位角。
6、所述基于深度学习方法搭建的神经网络模型具体包括:
7、所述基于深度学习方法搭建的神经网络模型包括:相互连接的隐藏层和输出层;
8、其中,所述隐藏层包括用于压缩数据处理量的降采样单元和用于提取特征的核心单元构成;
9、所述输出层包括用于转化数据维度的自适应池化层、用于映射数据的全连接层和用于计算置信度的softmax构成,自适应池化层后连接全连接层,全连接层后连接softmax。
10、所述获取矢量地震波传感器接收的地震波信号并进行预处理,具体包括:
11、获取矢量地震波传感器接收的地震波信号;
12、对获取的地震波信号进行归一化操作,所述归一化操作结合三分量的地震波数据信号进行统一归一化,得到预处理之后的第一数据信号。
13、所述通过所述神经网络模型中的隐藏层对第一数据信号进行处理,经过降采样和核心单元特征提取后输出第二数据信号,具体包括:
14、通过所述神经网络模型中的隐藏层对第一数据信号进行三次降采样,并在每一次降采样之后通过两个核心单元对降采样后的数据进行处理。
15、其特征在于,所述三次降采样具体包括:
16、第一次降采样将所述的第一数据信号进行通道扩展,并按照设置的缩减倍数,对每个通道的数据进行压缩,输出第一次降采样数据信号;
17、第二次降采样将通过核心单元处理的第一次降采样数据信号进行通道扩展,并按照设置的缩减倍数,对每个通道的数据进行压缩,输出第二次降采样数据信号;
18、第三次降采样将通过核心单元处理的第二次降采样数据信号进行通道扩展,并按照设置的缩减倍数,对每个通道的数据进行压缩,输出第三次降采样数据信号。
19、所述在每一次降采样之后通过两个核心单元提取数据特征,具体包括:
20、在每次降采样以及两个核心单元处理完成后,在第二个核心单元处理结束后进行一次层标准化。
21、所述核心单元具体包括:
22、所述核心单元对输入其中的数据先进行一次一维卷积,再通过三层一维卷积提取数据特征后进行一次一维卷积。
23、所述核心单元具体包括:
24、所述核心单元对数据进行一次一维卷积后通过高斯误差线性单元激活函数激活后,将激活后的数据输入到三层一维卷积。
25、所述核心单元中引入注意力机制。
26、所述通过所述神经网络模型中的输出层对第二数据信号进行处理,输出第二数据信号在观测空间中各角度上的置信度,取置信度最高的角度值作为地震波信号的方位角,具体包括:
27、输出层中的一维自适应池化层和全连接层将第二数据信号的维度扩充到360个输出节点,360个输出节点对应360个角度;
28、360个输出节点通过softmax输出每个角度上的置信度,取置信度最高的角度值作为地震波信号的方位角。
29、本技术实施例第二方面提供了一种基于深度学习的地震波信号方位角估计装置,所述基于深度学习的地震波信号方位角估计装置包括:
30、预处理模块,获取矢量地震波传感器接收的三分量地震波信号并进行预处理,将预处理之后的第一数据信号输入至基于深度学习方法搭建的神经网络模型中;
31、第一信号处理模块,通过所述神经网络模型中的隐藏层对第一数据信号进行处理,经过降采样和核心单元特征提取后输出第二数据信号;
32、第二信号处理模块,通过所述神经网络模型中的输出层对第二数据信号进行处理,输出第二数据信号在观测空间中各角度上的置信度,取置信度最高的角度值作为地震波信号的方位角。
33、本技术实施例第三方面提供了一种计算机可读存储介质,特征在于,所述计算机可读存储介质存储有一个或者多个程序,所述一个或者多个程序可被一个或者多个处理器执行,以实现如上任意所述的基于深度学习的地震波信号方位角估计方法中的步骤。
34、本技术实施例第四方面提供了一种终端设备,其特征在于,包括:处理器、存储器及通信总线;所述存储器上存储有可被所述处理器执行的计算机可读程序;
35、所述通信总线实现处理器和存储器之间的连接通信;
36、所述处理器执行所述计算机可读程序时实现如上任意所述的基于深度学习的地震波信号方位角估计方法中的步骤。
37、有益效果:与现有技术相比,本技术提供了一种基于深度学习的地震波信号方位角估计方法、装置、设备及存储介质,所述方法包括获取矢量地震波传感器接收的三分量地震波信号并进行预处理,将预处理之后的第一数据信号输入至基于深度学习方法搭建的神经网络模型中;通过所述神经网络模型中的隐藏层对第一数据信号进行处理,经过降采样和核心单元特征提取后输出第二数据信号;通过所述神经网络模型中的输出层对第二数据信号进行处理,输出第二数据信号在观测空间中各角度上的置信度,取置信度最高的角度值作为地震波信号的方位角。通过上述方法,本发明能够先对获取到的三分量地震波信号进行预处理,使得数据信号大小稳定在一定范围内,之后再输入到基于深度学习方法搭建的神经网络模型中,通过神经网络模型对数据信号进行降采样和特征提取,实现数据信号在360°方位角上的分布,通过计算对应角度上的置信度,确定最大的置信度对应的角度,将该角度作为地震波信号的方位角,从而实现采用本发明无需对传感器信号进行波场分离即可准确直接估计信号方位角的效果。