本发明实施例涉及地球物理探测技术领域，更具体地，涉及一种微震事件识别方法和装置。
背景技术：
微震是指震级小于三级的地震，这一类地震人们一般不能感觉到，只能使用特定仪器进行监测。微震会给地下的介质产生相应的激励，这样的激烈可能改变地下介质的力学状态。在矿山安全监测领域，微震作为矿山动力灾害的前兆，对微震进行实时监测，可有效预测和预防动力灾害的发生。另外在页岩气、煤层气等非常规油气勘探开发过程中，基于微震的裂缝监测技术已成为国内外压裂裂纹监测最准确的技术之一。在微震监测过程中，监测仪器接收到的信号除了由微震事件产生的微震信号，往往还包括爆破事件、噪声时间等产生的信号，因此，在微震监测过程中，从众多事件中识别出微震事件是监测的基础。
微震事件具有单事件多通道的特点，具体地，在微震发生时，通常会引起多个传感器的触发，这些传感器所对应的通道将会采集并存储相应的波形数据。这样由一个微震事件引起的，多个通道触发采集得到的波形，称之为单事件多通道波形。目前，微震事件主要是通过信息技术人员进行识别，微地震监测仪器接收多个通道传送的大量信号，技术人员通过一定的信号处理手段提取这些信号的波形特征，再根据这些波形特征，利用理论知识和实践经验判断接收到的信号对应的事件是否为微震事件。
但是，采用手工提取信号波形特征进而识别微震事件的方法，工作量大，依赖操作人员的知识水平和经验，且根据人工提取的波形特征，识别的准确度低，一般只适用于特定的应用场景，泛化能力差。
技术实现要素：
针对现有技术中微震事件识别技术存在的工作量大，识别的准确度低，以及泛化能力差的问题。本发明实施例提供了一种克服上述问题或者至少部分地解决上述问题的微震事件识别方法和装置。
一方面本发明实施例提供了一种微震事件识别方法，所述方法包括：
s1，基于待识别事件各通道的波形图像，利用预设卷积神经网络模型提取所述待识别事件各通道的波形特征；
s2，组合所述待识别事件所有通道的波形特征得到所述待识别事件的组合波形特征；
s3，基于所述待识别事件的组合波形特征，利用预设支持向量机模型对所述待识别事件进行分类。
其中，在步骤s1之前还包括：
将所述待识别事件各通道的波形信号转化为图像形式，并经过预处理得到所述波形图像。
其中，步骤s1具体包括：
将所述待识别事件各通道的波形图像分别随机裁剪为若干个小图块，利用所述预设卷积神经网络模型分别提取每个小图块的波形特征；
求所述待识别事件各通道对应的所述若干个小图块的波形特征的均值得到所述待识别事件各通道的波形特征。
其中，步骤s2具体包括：
将所述待识别事件每个通道的波形特征转换为1×m维度，其中m为大于零的整数；
将所述待识别事件所有通道的波形特征进行组合得到n×m维度的组合波形特征，其中n为所述待识别事件的通道数。
其中，所述预设卷积神经网络模型通过以下步骤获得：
构建卷积神经网络，其中，所述卷积神经网络的输入为所述待识别事件的波形图像，全连接层后连接softmax层；
利用第一训练数据集对所述卷积神经网络进行训练得到训练好的卷积神经网络；其中，所述第一训练数据集包括所述待识别事件的波形图像以及对应的事件类别。
其中，所述预设支持向量机模型通过以下步骤获得：
构建支持向量机，所述支持向量机的输入量维度为n×m；
利用第二训练数据集对所述支持向量机进行训练，得到预设支持向量机模型；其中，所述第二数据集包括所述待识别事件的组合波形特征以及对应的事件的类别。
其中，所述预设支持向量机模型包括多个输入量维度n不同的支持向量机。
另一方面本发明实施例提供了一种微震事件识别装置，所述装置包括：
特征提取模块，用于基于待识别事件各通道的波形图像，利用预设卷积神经网络模型提取所述待识别事件各通道的波形特征；
特征组合模块，用于组合所述待识别事件所有通道的波形特征得到所述待识别事件的组合波形特征；
识别模块，用于基于所述待识别事件的组合波形特征，利用预设支持向量机模型对所述待识别事件进行分类。
第三方面本发明实施例提供了一种计算机程序产品，所述计算机程序产品包括存储在非暂态计算机可读存储介质上的计算机程序，所述计算机程序包括程序指令，当所述程序指令被计算机执行时，使所述计算机执行所述微震事件识别方法。
第四方面本发明实施例提供了一种非暂态计算机可读存储介质，所述非暂态计算机可读存储介质存储计算机指令，所述计算机指令使所述计算机执行所述微震事件识别方法。
本发明实施例提供的一种微震事件识别方法和装置，通过预设卷积神经网络提取待识别事件各通道的波形特征，再将各通道的波形特征组合为一个整体即组合波形特征，输入预设支持向量机模型实现对待识别事件的分类，最终实现对事件中微震事件的识别。实现了微震事件的自动识别，不依赖操作人员的知识水平和经验，准确度高，不受应用场景的影响，泛化能力强。
附图说明
图1为本发明实施例提供的一种微震事件识别方法的流程图；
图2为本发明实施例中获取所述预设卷积神经网络模型和预设支持向量机模型的示意图；
图3为本发明实施例提供的一种微震事件识别装置的结构框图。
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。
图1为本发明实施例提供的一种微震事件识别方法的流程图，如图1所示，所述方法包括：s1，基于待识别事件各通道的波形图像，利用预设卷积神经网络模型提取所述待识别事件各通道的波形特征；s2，组合所述待识别事件所有通道的波形特征得到所述待识别事件的组合波形特征；s3，基于所述待识别事件的组合波形特征，利用预设支持向量机模型对所述待识别事件进行分类。
卷积神经网络(convolutionalneuralnetworks，cnn)是近年发展起来，并引起广泛重视的一种高效识别方法。一般地，cnn的基本结构包括两层，其一为特征提取层，每个神经元的输入与前一层的局部接受域相连，并提取该局部的特征。一旦该局部特征被提取后，它与其它特征间的位置关系也随之确定下来；其二是特征映射层，网络的每个计算层由多个特征映射组成，每个特征映射是一个平面，平面上所有神经元的权值相等。特征映射结构采用非线性激活函数作为卷积神经网络的激活函数，使得特征映射具有位移不变性，优选地，可采用relu激活函数。此外，由于一个映射面上的神经元共享权值，因而减少了网络自由参数的个数。卷积神经网络中的每一个卷积层都紧跟着一个用来求局部平均与二次提取的计算层，这种特有的两次特征提取结构减小了特征分辨率。
cnn主要用来识别位移、缩放及其他形式扭曲不变性的二维图形。由于cnn的特征检测层通过训练数据进行学习，所以在使用cnn时，避免了显示的特征抽取，而隐式地从训练数据中进行学习；再者由于同一特征映射面上的神经元权值相同，所以网络可以并行学习，这也是卷积网络相对于神经元彼此相连网络的一大优势。卷积神经网络以其局部权值共享的特殊结构在语音识别和图像处理方面有着独特的优越性，其布局更接近于实际的生物神经网络，权值共享降低了网络的复杂性，特别是多维输入向量的图像可以直接输入网络这一特点避免了特征提取和分类过程中数据重建的复杂度。
但由于微震监测技术中的信号具有单事件多通道的特点，若采用卷积神经网络对微震事件进行识别，由于每个事件的通道数不同，需要构建并训练多个不同的卷积神经网络。卷积神经网络的训练耗时较长，无法满足快速识别微震事件的要求。
支持向量机支持向量机(supportvectormachine，svm)是cortes和vapnik于1995年首先提出的，它在解决小样本、非线性及高维模式识别中表现出许多特有的优势，并能够推广应用到函数拟合等其他机器学习问题中。支持向量机方法是建立在统计学习理论的vc维理论和结构风险最小原理基础上的，根据有限的样本信息在模型的复杂性(即对特定训练样本的学习精度，accuracy)和学习能力(即无错误地识别任意样本的能力)之间寻求最佳折衷，以期获得最好的推广能力(或称泛化能力)。
支持向量机的构建和训练十分便捷，所以在对单事件多通道事件进行识别过程中，针对通道数的数的事件我们只需要构建和训练相应维度的支持向量机来进行分类即可。支持向量机很好的实现了对不同通道数的事件进行分类的同时，避免了使用卷积神经网络进行事件分类时构建和训练卷积神经网络耗时长的问题。
具体地，在微震监测中，一个事件中接收到多个通道的波形信号，对应于多个波形图像。利用所述预设卷积神经网络模型提取各通道的波形特征后，将各通道的波形特征进行组合得到所述待识别事件的组合波形特征，这样就将所述待识别事件各通道的波形特征组合成为一个整体作为所述预设向量机的输入，实现对所述待识别事件的分类，判断待识别事件是否为微震事件。
本发明实施例提供的一种微震事件识别方法，通过预设卷积神经网络提取待识别事件各通道的波形特征，再将各通道的波形特征组合为一个整体即组合波形特征，输入预设支持向量机模型实现对待识别事件的分类，最终实现对事件中微震事件的识别。实现了微震事件的自动识别，不依赖操作人员的知识水平和经验，准确度高，不受应用场景的影响，泛化能力强。
在上述实施例中，在步骤s1之前还包括：
将所述待识别事件各通道的波形信号转化为图像形式，并经过预处理得到所述波形图像。
在上述实施例中，步骤s1具体包括：
将所述待识别事件各通道的波形图像分别随机裁剪为若干个小图块，利用所述预设卷积神经网络模型分别提取每个小图块的波形特征；
求所述待识别事件各通道对应的所述若干个小图块的波形特征的均值得到所述待识别事件各通道的波形特征。
优选地，可以将各通道的波形图像随机裁剪为10个小图块。
本发明实施例通过将各通道的波形图像随机裁剪后分别提取波形特征，再求取这些小图块的均值特征，可以使提取到的各通道的波形特征更加准确。
在上述实施例中，步骤s2具体包括：
将所述待识别事件每个通道的波形特征转换为1×m维度，其中m为大于零的整数；
将所述待识别事件所有通道的波形特征进行组合得到n×m维度的组合波形特征，其中n为所述待识别事件的通道数。
在上述实施例中，所述预设卷积神经网络模型通过以下步骤获得：
构建卷积神经网络，其中，所述卷积神经网络的输入为所述待识别事件的波形图像，全连接层后连接softmax层，输出为所述待识别事件的波形特征；
利用第一训练数据集对所述卷积神经网络进行训练得到训练好的卷积神经网络；其中，所述第一训练数据集包括所述待识别事件的波形图像以及对应的事件类别。
其中，所述softmax层用于对输入卷积神经网络的波形图片对应的事件进行分类，在训练过程中需要通过分类结果来判断分类的准确性，以确定是否得出训练好的卷积神经网络。在得到训练好的卷积神经网络后，因为只需要利用训练好的卷积神经网络对波形图像进行特征提取，在识别微震事件时，直接在训练好的卷积神经网络相应的卷积层中提取待检测时间各通道的波形特征即可，而不需要利用训练好的神经网络中softmax层对待检测时间的分类结果。那么，预设卷积神经网络模型既利用了卷积神经网络提取波形图形波形特征的功能，也避免了利用softmax层进行分类时，只适用于特定通道数的事件的问题。
另外，如图2所示，在对卷积神经网络进行训练时，选取已知事件中典型的波形图像对卷积神经网络进行训练，例如，选取3万张已知事件的波形图像对卷积神经网络进行训练，得到训练好的卷积神经网络的分类精度可达95.13％。
在上述实施例中，如图2所示，所述预设支持向量机模型通过以下步骤获得：
构建支持向量机，所述支持向量机的输入量维度为n×m；
利用第二训练数据集对所述支持向量机进行训练，得到预设支持向量机模型；其中，所述第二数据集包括所述待识别事件的组合波形特征以及对应的事件的类别。
其中，构建的支持向量机的输入量的维度由待识别事件的组合特征的维度决定。所述第二数据集中的组合波形特征由所述第一数据集经步骤s1和步骤s2后得到。
在上述实施例中，所述预设支持向量机模型包括多个输入量维度n不同的支持向量机。
由于支持向量机构建和训练的较为便捷，为了便于对不同通道数的事件进行识别，所述预设支持向量机模型可以包括多个支持向量机，每个支持向量机输入量的维度中n值不同，可以对不同通道数的事件进行分类。
本发明实施例提供了一种微震事件识别装置，如图3所示，所述装置包括：特征提取模块1、特征组合模块2以及识别模块3。其中：
特征提取模块1用于基于待识别事件各通道的波形图像，利用预设卷积神经网络模型提取所述待识别事件各通道的波形特征；特征组合模块2用于组合所述待识别事件所有通道的波形特征得到所述待识别事件的组合波形特征；识别模块3用于基于所述待识别事件的组合波形特征，利用预设支持向量机模型对所述待识别事件进行分类。
由于微震监测技术中的信号具有单事件多通道的特点，若采用卷积神经网络对微震事件进行识别，由于每个事件的通道数不同，需要构建并训练多个不同的卷积神经网络。卷积神经网络的训练耗时较长，无法满足快速识别微震事件的要求。支持向量机的构建和训练十分便捷，所以在对单事件多通道事件进行识别过程中，针对通道数的数的事件我们只需要构建和训练相应维度的支持向量机来进行分类即可。支持向量机很好的实现了对不同通道数的事件进行分类的同时，避免了使用卷积神经网络进行事件分类时构建和训练卷积神经网络耗时长的问题。
具体地，在微震监测中，一个事件中接收到多个通道的波形信号，对应于多个波形图像。利用所述预设卷积神经网络模型提取各通道的波形特征后，将各通道的波形特征进行组合得到所述待识别事件的组合波形特征，这样就将所述待识别事件各通道的波形特征组合成为一个整体作为所述预设向量机的输入，实现对所述待识别事件的分类，判断待识别事件是否为微震事件。
本发明实施例提供的一种微震事件识别装置，通过特征提取模块提取待识别事件各通道的波形特征，再通过特征组合模块将各通道的波形特征组合为一个整体即组合波形特征，输入分类模块实现对待识别事件的分类，最终实现对事件中微震事件的识别。实现了微震事件的自动识别，不依赖操作人员的知识水平和经验，准确度高，不受应用场景的影响，泛化能力强。
本发明实施例公开一种计算机程序产品，所述计算机程序产品包括存储在非暂态计算机可读存储介质上的计算机程序，所述计算机程序包括程序指令，当所述程序指令被计算机执行时，计算机能够执行上述各方法实施例所提供的方法，例如包括：基于待识别事件各通道的波形图像，利用预设卷积神经网络模型提取所述待识别事件各通道的波形特征；组合所述待识别事件所有通道的波形特征得到所述待识别事件的组合波形特征；基于所述待识别事件的组合波形特征，利用预设支持向量机模型对所述待识别事件进行分类。
本发明实施例提供一种非暂态计算机可读存储介质，所述非暂态计算机可读存储介质存储计算机指令，所述计算机指令使所述计算机执行上述各方法实施例所提供的方法，例如包括：基于待识别事件各通道的波形图像，利用预设卷积神经网络模型提取所述待识别事件各通道的波形特征；组合所述待识别事件所有通道的波形特征得到所述待识别事件的组合波形特征；基于所述待识别事件的组合波形特征，利用预设支持向量机模型对所述待识别事件进行分类。
本领域普通技术人员可以理解：实现上述方法实施例的全部或部分步骤可以通过程序指令相关的硬件来完成，前述的程序可以存储于一计算机可读取存储介质中，该程序在执行时，执行包括上述方法实施例的步骤；而前述的存储介质包括：rom、ram、磁碟或者光盘等各种可以存储程序代码的介质。
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。