1.本发明涉及矿山数据处理领域，具体地涉及一种矿山微震事件识别方法、介质及设备。
背景技术：2.矿山微震是指在采矿过程中，在周围岩石应力场的作用下，使矿井及其周围应力发生突变，当周围岩石聚集了大量能量后迅速释放出来而产生的岩层震动。矿山微震属于在采矿过程中发生的一种诱发地震，其中大能量的矿山微震是矿井的危害之一，一旦发生会对生命和财产安全造成极大损害。矿山微震主要发生在地质构造比较复杂、构造应力较大以及断裂活动明显的矿区，其不管在成因上还是波形特征上都比较复杂，一方面井下和地面的矿区开采活动都可能引发矿山微震的发生，较小矿震地面无震感，而较大矿震地面震感强烈，另一方面矿井顶板冒落、煤层片帮、地表塌陷、冲击地压、岩爆、煤与瓦斯突出等也可引发矿山微震。因此，对矿山微震的监测非常重要。
3.目前，将矿山微震监测系统运用于煤矿监测中，能够源源不断地产生大量的微震数据，而这些数据能够用于矿山微震事件的识别等问题。但是，为了解决矿山微震事件识别准确率的问题，近年来出现许多应用于矿山微震监测系统的解决方法，包括时频分析、多参数联合识别和机器学习等方法，但这些方法存在微震事件识别不准确、参数量大使得时间复杂度增大等问题，具有极大的应用极限性。
技术实现要素：4.本发明实施例的目的是提供一种矿山微震事件识别方法、介质及设备，以至少部分地解决上述技术问题。
5.为了实现上述目的，本发明实施例提供一种矿山微震事件识别方法，包括：将矿山微震监测系统监测得到的历史微震数据转化微震波形图像，再将所述微震波形图像转化为四邻域的微震波形图结构；对所述微震波形图结构进行区域限定，并基于所限定的区域提取出所述微震波形图结构中的任意节点的相似特征层，其中每一节点的特征通过该节点的k个相似节点的rgb信息来表征，且所述相似特征层是指将所述k个相似节点按相似度从小到大排列而形成的k层相似节点，其中k是大于1的整数；以及将所述微震波形图像作为改进型卷积神经网络模型的输入层，并依次连接所述相似特征层以及针对该改进型卷积神经网络模型预先配置的卷积层、池化层、全连接层和输出层，以形成用于识别矿山微震事件的识别模型。
6.可选的，所述微震波形图结构中的每一个节点被表示为v＝[x，f]
t
，其中x＝[u，v]表示节点的像素点坐标，f＝[r，g，b]分别表示像素点对应的rgb三通道的像素值。
[0007]
可选的，所述对所述微震波形图结构进行区域限定包括：通过预设尺寸的第一子图确定所述微震波形图结构中的对角线节点的像素值；根据所确定的像素值判断该子图所对应的区域是否是空白区域；以及从所述微震波形图结构中限定出非空白区域以作为进行
相似特征层提取的区域。
[0008]
可选的，所述基于所限定的区域提取出所述微震波形图结构中的任意节点的相似特征层包括：在所限定的区域中，选择尺寸小于所述第一子图的第二子图限定的提取区域；采用非递归simrank算法计算所述提取区域中的任意节点与其他节点之间的相似度；以及根据计算的相似度大小排列顺序，确定相应节点的相似特征层。
[0009]
可选的，所述卷积层被配置为包括由多个神经元组成的特征图，且该特征图被表示为下式：
[0010][0011]
其中b
p,q
为特征图所对应的偏置值，σ为relu函数，为卷积核，i
(m-u,n-v)
为卷积核所在的像素位置。
[0012]
可选的，所述池化层被配置为：将从所述卷积层输入所述池化层的特征图划分为多个局部区域，并确定每个局部区域内的所有神经元的平均值或最大值以进行输出。
[0013]
可选的，所述卷积层、所述池化层及所述全连接层的数量为一个或多个，连接在所述全连接层之前的所述卷积层和所述池化层的组合层的数量为一个或多个。
[0014]
可选的，所述全连接层中的每个神经元与前一池化层的所有神经元进行全连接，且所述全连接层与其前一池化层的连接还通过以下实现：将与所述前一池化层的输出特征图级联转化为长度相适应的向量，并将该向量作为所述全连接层的输入。
[0015]
可选的，在所述形成用于识别矿山微震事件的识别模型之后，所述矿山微震事件识别方法还包括：对所形成的识别模型的多个模型参数的权重和偏置进行修正；以及利用预设测试集对所修正的模型进行测试，并利用测试合格的识别模型处理实时的微震波形图像以识别微震事件。
[0016]
可选的，所述对所形成的识别模型的多个模型参数的权重和偏置进行修正包括：对所述识别模型进行前向传播训练，以得到该识别模型的输出误差；以及对所述输出误差进行反向传播训练，并在反向传播训练中应用随机梯度下降算法以修正所述识别模型的权重和偏置。
[0017]
本发明实施例还提供一种机器可读存储介质，该机器可读存储介质上存储有指令，该指令用于使得机器执行本技术上述任意的矿山微震事件识别方法。
[0018]
本发明实施例还提供一种矿山微震事件识别设备，包括处理器、存储器及存储在所述存储器上并可在所述处理器上运行的程序，所述处理器执行所述程序以实现上述任意的矿山微震事件识别方法。
[0019]
通过上述技术方案，本发明实施例针对当前已有的cnn方法中对于微震事件识别准确率不高的问题，设计了一种基于改进cnn的矿山微震事件识别模型，其能够实现对相似特征层的提取以及对图片数据的特征提取，具有高效、准确的特性，能够对矿山微震事件进行有效识别。
[0020]
本发明实施例的其它特征和优点将在随后的具体实施方式部分予以详细说明。
附图说明
[0021]
附图是用来提供对本发明实施例的进一步理解，并且构成说明书的一部分，与下面的具体实施方式一起用于解释本发明实施例，但并不构成对本发明实施例的限制。在附图中：
[0022]
图1是本发明实施例一的矿山微震事件识别方法的流程示意图；
[0023]
图2是本发明实施例二的矿山微震事件识别方法的流程示意图；
[0024]
图3是本发明实施例的示例中进行矿山微震事件识别的流程示意图；
[0025]
图4(a)和图4(b)是本发明实施例的示例中的微震数据集的示意图；
[0026]
图5(a)和图5(b)是本发明实施例的示例中进行相似特征层的提取的原理示意图；
[0027]
图6(a)是本发明实施例的示例中的大子图的示意图，而图6(b)是本发明实施例的示例中的小子图的示意图；
[0028]
图7是本发明实施例的示例中的基于改进cnn的矿山微震事件识别模型的示意图；
[0029]
图8是本发明实施例的示例中的微震信号识别模型识别准确率示意图；
[0030]
图9是本发明实施例的示例中的微震信号识别模型识别损失函数示意图；
[0031]
图10是本发明实施例的示例中相似特征层的添加对原始卷积神经网络结构模型的影响结果的示意图；以及
[0032]
图11是本发明实施例的示例中的矿山微震事件识别模型训练准确率和损失函数的变化示意图。
具体实施方式
[0033]
以下结合附图对本发明实施例的具体实施方式进行详细说明。应当理解的是，此处所描述的具体实施方式仅用于说明和解释本发明实施例，并不用于限制本发明实施例。
[0034]
需说明的是，在本发明实施例中涉及的部分概念的定义如下：
[0035]
1、微震波形图结构：可表示为四邻域无向图g＝(v,e)，其中v表示无向图中的节点，而波形图像中的每个像素点当作一个节点，e表示节点之间的边的信息，而节点与节点之间直接或间接地存在边。
[0036]
2、大子图与小子图：1)承接于上述微震波形图结构的定义，大子图可表示为g
′
＝(v
′
,e
′
)，其中g
′
∈g,v
′
∈v,e
′
∈e，v
′
和e
′
分别表示大子图中的节点和边的信息；2)小子图的尺寸小于大子图，可表示为g
″
＝(v
″
,e
″
)，其中g
″
∈g
′
,v
″
∈v
′
,e
″
∈e
′
，v
″
和e
″
分别表示小子图中的节点和边的信息。
[0037]
3、非递归simrank算法：给定图结构g中的两个节点v1和v2，针对v1和v2的非递归simrank算法表示为下面的式(1)和式(1)：
[0038][0039]
[0040]
其中|i(v1)|和|i(v2)|分别表示v1和v2的度；ii(v1)和ij(v2)分别表示v1的第i个邻居和v2的第j个邻居；c是介于0和1之间的衰退因子，sim(v1，v2)算法关注与之相邻的节点信息。
[0041]
实施例一
[0042]
本发明实施例一提供了一种矿山微震事件识别方法，其发明思路是：从图像的角度出发，对矿山微震监测系统所监测到的历史微震数据，运用深度学习卷积神经网络(convolutional neural network，cnn)的思想，构建用于识别矿山微震事件的识别模型。
[0043]
基于上述发明思路，图1是本发明实施例一的矿山微震事件识别方法的流程示意图。如图1所示，该矿山微震事件识别方法可以包括以下步骤：
[0044]
步骤s100，将矿山微震监测系统监测得到的历史微震数据转化微震波形图像，再将所述微震波形图像转化为四邻域的微震波形图结构。
[0045]
即，该步骤s100实现对原始数据的预处理，以获得构建识别模型需要的四邻域的微震波形图结构。
[0046]
关于将历史微震数据转化微震波形图像，举例而言，可利用matlab对原始时间序列的微震数据的xyz三分量数值(对应图像的rgb)求平均值，画出微震波形图像。
[0047]
关于将微震波形图像转化为四邻域的微震波形图结构，举例而言，参考上述关于微震波形图结构的定义，可将微震波形图结构表示为四邻域无向图g＝(v,e)，无向图g中的每一个节点可被表示为v＝[x,f]
t
，其中x＝[u,v]表示节点的像素点坐标，f＝[r,g,b]分别表示像素点对应的rgb三通道的像素值，其中u、v分别是指对应节点在图像数组中所在的列数和行数。
[0048]
步骤s200，对所述微震波形图结构进行区域限定，并基于所限定的区域提取出所述微震波形图结构中的任意节点的相似特征层。
[0049]
易知，该步骤s200可分为两部分：步骤s210，区域限定；以及步骤s220，相似特征层提取。其中，关于相似特征层的概念将在下面结合示例说明。
[0050]
在优选的实施例中，步骤s210实现区域限定可包括以下的步骤s211-步骤s213：
[0051]
步骤s211，通过预设尺寸的第一子图确定所述微震波形图结构中的对角线节点的像素值。
[0052]
步骤s212，根据所确定的像素值判断该子图所对应的区域是否是空白区域。举例而言，利用50
×
50大小的子图找出对角线节点v
m,n
(m＝n)的像素值，以根据像素值判断是否为空白区域，进而还可以判断是否为事件数据，从而可取得降低算法的时间复杂度的效果。
[0053]
步骤s213，从所述微震波形图结构中限定出非空白区域以作为进行相似特征层提取的区域。
[0054]
其中，预设尺寸的第一子图即是如上定义的大子图。关于利用大子图判断图结构中的空白区域，举例而言，根据上述步骤s212处对于判断空白区域的记载，利用特定大小的大子图找出对角线节点的像素值，判断是否为空白区域，进而判断是否为微震事件数据。
[0055]
在此，通过限定区域，可以使空白区域不再参加识别模型构建，从而可以降低后续将应用的算法的事件复杂度。
[0056]
在优选的实施例中，步骤s220相似特征层提取可以包括以下步骤s221-s223：
[0057]
步骤s221，在所限定的区域中，选择尺寸小于所述第一子图的第二子图限定的提
取区域；
[0058]
步骤s222，采用非递归simrank算法计算所述提取区域中的任意节点与其他节点之间的相似度；
[0059]
步骤s223，根据计算的相似度大小排列顺序，确定相应节点的相似特征层。
[0060]
其中，尺寸小于所述第一子图的第二子图即是上述定义的小子图。为示例利用小子图对限定区域进行相似特征层的提取的细节，在此先给出对应于步骤s221—s223的相似特征层的定义。即，将每一节点的特征通过该节点的k个相似节点的rgb信息来表征，举例而言，对于每个节点的特征描述，利用其k个最相似节点的rgb信息对节点进行特征表示，图结构中每一个节点i的特征fi＝[f1,f2,
…
,fk]
t
，其中f1,f2,
…fk
为节点i的k个相似v1,v2,
…
vk的rgb信息；据此，所述相似特征层是指将所述k个相似节点按相似度从小到大排列而形成的k层相似节点，其中k是大于1的整数。
[0061]
据此，利用小子图对限定区域进行相似特征层的提取，举例而言，选取除去空白区域的其他区域，选定特定的小子图区域，给定图g中的任意节点i，则由非递归simrank算法求节点之间的相似度，得出任意节点i到k个相似的节点的相似度满足simi1》simi2》
…
》simik，每个节点都能找到与之对应的k个节点v1,v2,
…
vk，依次作为第1到k层对应位置的节点，一个三通道彩色rgb图像经过相似特征层的提取后，最终提取出3k层(即r/g/b)相似特征层。
[0062]
步骤s300，将所述微震波形图像作为改进型卷积神经网络模型simcnn的输入层，并依次连接所述相似特征层以及针对该改进型卷积神经网络模型预先配置的卷积层、池化层、全连接层和输出层，以形成用于识别矿山微震事件的识别模型。需说明的是，simcnn模型是将cnn模型改进以同时应用非递归simrank算法，从而得到两者相结合的模型，其属于本发明实施例的创新模型。
[0063]
即，构建一个由输入层、相似特征层、卷积层、池化层和全连接层依次连接形成的识别模型(下面的示例中涉及示例模型的结构图)，以从实时的微震波形图像中识别出矿山微震事件。因为该识别模型属于改进型cnn模型，且应用了非递归simrank算法，故而在本文中将其称为simcnn模型。下面具体介绍关于该simcnn模型的多个层。
[0064]
1)输入层，即用于输入待识别的微震波形图像。
[0065]
2)相似特征层，如上所述，其对输入层提供的微震波形图像进行处理，以获得需要的相似特征。
[0066]
3)卷积层。原始数据图像经过相似特征提取之后得到相似特征层，之后进入到卷积层。本发明实施例中，卷积层是由多个特征图组成的，而每个特征图由多个神经元组成，其中每个神经元通过卷积核与上一层特征图的局部区域相连。在离散的三维彩色图像空间中，图像和卷积核分别定义为(h,w,c)和(k1,k2,c)的三维张量，其中c表示色彩的通道，m、n为空间坐标，分别表示第c个图像通道上第m行和第n列的像素点。卷积层所得特征图的层数与卷积核的个数相同。当一个卷积核在彩色图像i上滑动运算时，多维张量的卷积运算可以表示为：
[0067]
[0068]
其中，k表示卷积核，i、j表示像素点的横坐标和纵坐标。
[0069]
每一个卷积层的每个输出特征图的大小(长度及宽度)满足如下关系：
[0070][0071]
其中，height表示高度，width表示宽度，padding表示填充值，stride表示步长。举例而言，当一个卷积核在彩色图像上滑动到i
m,n
位置上，其卷积步长为1，且使用0进行填充。据此，本发明实施例的卷积层的特征图可以表示为：
[0072][0073]
其中b
p,q
为输出的特征图所对应的偏置值，σ为relu函数，可以表示为σ(x)＝max(0,x)，为卷积核，i
(m-u,n-v)
为卷积核所在的像素位置，其中u和v表示卷积核的像素级大小，m和n表示在彩色图上的空间坐标。需说明的是，与线性激活函数相比，relu函数能够解决梯度消失/梯度爆炸问题，也能够加快收敛速度。
[0074]
4)池化层。池化层连接在卷积层之后，由多个特征图构成，且特征图的个数与卷积层相同，它的每一个特征图与其前一个卷积层一一对应。池化层主要是实现对特征图的降维和压缩，并且防止过度拟合，且起到二次提取特征的作用。
[0075]
本发明实施例中，所述池化层被配置为：将从所述卷积层输入所述池化层的特征图划分为多个局部区域，并确定每个局部区域内的所有神经元的平均值或最大值以进行输出。其中，多个局部区域可以重叠，也可以不重叠。另外，基于提及的平均值或最大值，池化函数可以有两种：
[0076]
a)平均池化函数，即用于求解局部区域内所有神经元的平均值。
[0077]
b)最大池化函数，即用于求解局部区域内所有神经元的最大值，其公式可表示为：
[0078][0079]
其中，p、q、m、n表示所选定池化的局部区域。
[0080]
需说明的是，池化层和卷积层均存在步长的概念，例如通过池化窗口移动步长大小逐步得出池化后的特征图。由此，可使得经过池化操作使得神经元的数量大大减少，即减少了卷积层间的连接数量，同时也使得模型参数大大降低，减小了网络模型的计算量，提高了运行效率。
[0081]
5)全连接层。经过多个卷积层和池化层的特征提取后，需要在模型的最后添加一个或多个全连接层，全连接层中的每个神经元与其前一池化层的所有神经元进行全连接。全连接层可以整合卷积层和池化层中具有类别区分性的局部信息，并负责对特征进行进一步的降维和提纯。
[0082]
另外，所述全连接层与其前一池化层的连接还通过以下实现：将与所述前一池化
层的输出特征图级联转化为长度相适应的向量，并将该向量作为所述全连接层的输入。举例而言，池化层的输出特征图可以级联转化为长度为p
×
q的向量，将该向量作为全连接层的输入，l-1层向量化的数据点表示为：假设全连接共有l层，每层有n个神经元，则全连接层的计算过程如公式为：
[0083][0084]
激活后的第l层神经元j输出值为：
[0085][0086]
6)输出层，其作为最后一层，用于输出波形数据是微震数据的预测概率。
[0087]
如上，构建了simcnn模型。但是，在更优选的实施例中，各层的数量可以根据实际进行选择，举例而言，所述卷积层、所述池化层和所述全连接层的数量为一个或多个，而连接在所述全连接层之前的所述卷积层和所述池化层的组合层的数量也可以是一个或多个。
[0088]
综上，本发明实施例一设计了一种基于改进cnn的矿山微震事件识别模型，即simcnn模型，其能够实现对相似特征层的提取以及对图片数据的特征提取，具有高效、准确的特性，能够对矿山微震事件进行有效识别。
[0089]
实施例二
[0090]
通常，在设计识别模型之后，还应进行训练和测试以确保模型的精确性。基于这一思路，本发明实施例二提供了一种改进的矿山微震事件识别方法。
[0091]
图2是本发明实施例二的矿山微震事件识别方法的流程示意图，其在图1的步骤s100-s300的基础上，进一步包括了如下的步骤s400和步骤s500：
[0092]
步骤s400，对所形成的识别模型的多个模型参数的权重和偏置进行修正。
[0093]
即，对实施例一形成的simcnn模型的模型参数进行修正，所述模型参数例如输入层、相似特征层、卷积层、池化层、全连接层、输出层以及学习率和训练次数等。优选地，修正方法可以包括：对所述识别模型进行前向传播训练，以得到该识别模型的输出误差；以及对所述输出误差进行反向传播训练，并在反向传播训练中应用随机梯度下降算法以修正所述识别模型的权重和偏置。下面具体介绍针对该修正方法可应用的前向传播算法和反向传播算法。
[0094]
1)前向传播算法。
[0095]
前向传播传的是误差，也即是损失函数的值。其中，simcnn模型的各参数的权重和偏置的值被随机初始化，而前向传播过程与步骤s300相关联，即输入到simcnn模型的图像数据需要经过相似特征层以及卷积层、池化层和全连接层的处理(即特征提取过程)。前向传播算法经过步骤s300的处理，然后将得到的输出值扩展到分类层(输出分类结果)，l表示全连接层的个数，l+1表示分类层，则分类层l+1神经元i的输出预测值为：
[0096][0097]
设该样本标签为yi，损失函数使用如下的交叉熵损失函数：
[0098][0099]
其中，该样本标签是对模型中的每一个训练样本按照其分类进行标记所得到的结果集；该损失函数用来估计模型的预测值与真实值的不一致程度，是一个非负实值函数；损失函数越小，模型的鲁棒性越好。
[0100]
2)反向传播算法。
[0101]
反向传播算法是针对前向传播算法所得到的误差值，通过随机梯度下降算法来逐步修正权重和偏置的值，以找到最合适的参数值。在反向传播过程中，损失函数的梯度通过链式法则来计算每层的偏导数，进而求出梯度。具体地，首先计算最后一层关于权重与偏置的损失函数的梯度，反方向逐步计算出最开始第一层的权重与偏置损失函数的梯度。通过反向传播算法，降低了损失函数的值，使得卷积神经网络中每层的参数逐步更新。举例而言，计算第l+1层的第i个神经元关于预测值的损失函数的偏导数关于第l层的第i个神经元的权重的损失函数的偏导数为激活函数同样选用relu函数，则函数求导为：关于第l层第i个神经元的偏置的损失函数偏导数为
[0102]
因为池化层的主要功能是降维和减小过度拟合，从而池化层的参数不发生变化。池化层参数可由上采样操作获得则关于卷积核参数的损失函数的偏导数为关于卷积核偏置b
p,q
的损失函数的偏导数为为了最小化损失函数，需要更新权重和偏置的值，使用随机梯度下降算法来修正参数，公式损失函数，需要更新权重和偏置的值，使用随机梯度下降算法来修正参数，公式分别表示权重w和偏置b的更新过程，其中α为学习率。
[0103]
如此，图像训练集通过前向传播与反向传播这两个过程的反复训练，使得损失函数不断减小，进而使得模型参数逐步被修正，训练得到准确矿山微震事件识别模型。
[0104]
步骤s500，利用预设测试集对所修正的模型进行测试，并利用测试合格的识别模型处理实时的微震波形图像以识别微震事件。
[0105]
举例而言，步骤s400的前向传播与反向传播训练所得到一个完整的基于simcnn的矿山微震事件识别模型，用测试集对该模型进行测试，以确定模型识别的准确性，最后加载训练好的矿山微震事件识别模型，以针对所输入的微震波形，准确识别出微震事件。
[0106]
综上，结合实施例一和实施例二，本发明实施例把监测到的波形序列数据图像化，序列数据转化为三维图像，然后进行训练并测试，得出识别准确率更高的矿山微震信号识
别模型，有助于实现矿山微震事件的准确识别和分类。
[0107]
下面进一步通过示例来描述上述两个实施例的矿山微震事件识别方法的应用及效果。该示例针对山西某矿微震信号进行模型构建，并验证了模型识别效果。
[0108]
图3是本发明实施例的示例中进行矿山微震事件识别的流程示意图，其包括以下步骤：
[0109]
步骤s1，微震数据预处理。
[0110]
该示例的数据集来源矿区微震监测系统的连续波形记录，数据分为事件和噪声两个类别。在事件类别方面，从连续波形中手动截取p波到时前5s至到时后5s的波形片段，其中每个片段包含50000个采样点；在噪声类别方面，采用排除掉事件波形后随机筛选截取的方法，事件数据和噪声数据的所有样本均统一为10s。进一步地，所得到的矿山微震数据包含xyz三分量数值，用matlab对三分量数值求平均值并画出波形图像，然后把像素值大小为875*656的原始图像转化为100*100大小，得到如图4(a)和图4(b)所示的微震数据集，其中图4(a)示出事件数据，且图4(b)示出噪声数据。
[0111]
另外，后续步骤要用到的实验数据分为148组训练集与46组测试集，并给数据打上相应的标签，微震事件数据的标签设为“1,”，噪声数据的标签设为“0”。
[0112]
步骤s2，simcnn相似特征层的提取。
[0113]
其中，实现simcnn相似特征层提取的过程通过图4(a)、图5(a)、图5(b)的顺序示出，其中图4(a)到图5(a)是从输入图像到图结构的转换，而图5(a)到图5(b)是相似特征层的提取。
[0114]
具体的相似特征层的提取可描述为：
[0115]
1)输入层是经过数据预处理得到的大小为100*100*3的三通道rgb图像，用于cnn的输入。
[0116]
2)接下来是相似特征层的提取，首先把图像转化为四邻域的图结构，如图6(a)所示，图中节点用v
ij
,i,j∈(0,99)来表示。
[0117]
3)然后利用大子图判断图中空白区域，利用30*30大小的子图找出规定的区域节点，找到对角线节点v
ij
,(i＝j且ij∈(0,29))的像素值，像素值＝255则为空白区域，为微震事件数据，否则为噪声数据。根据噪声数据的特点，若为噪声数据，则需计算100*100个节点，若为事件数据，则只需计算除去空白区域之后的节点。
[0118]
4)利用如图6(b)所示的5*5的小子图进行相似特征层的提取，任一小子图的中心节点为v
mn
，通过非递归simrank算法求出中心节点与小子图范围内其他节点的相似度，找出到中心节点v
mn
的k个相似的节点，相似度满足sim1》sim2》
…
》simk，每个中心节点都能找到与之对应的k个节点v1,v2,
…
vk，依次作为第1到k层对应位置的节点，最终提取出3k层相似特征层，大小为100*100*3k。
[0119]
步骤s3，simcnn模型构建。
[0120]
基于改进cnn的矿山微震事件识别模型如图7所示，模型主要为相似特征层、卷积层、池化层和全连接层所构建的simcnn，且具体包括：输入层、相似特征层、两个卷积层、两个池化层、全连接层和输出层。卷积层用于获取微震图像的局部特征，卷积层1使用32个大小为3*3、步长为1的卷积核，对相似特征层的特征图进行卷积运算，卷积层2使用64个大小为3*3、步长为1的卷积核，对池化层的特征图进行卷积运算。池化层1和卷积层2都使用最大
池化函数进行操作，所有最大池化操作都使用大小为2*2、步长为2的滤波器进行下采样。全连接层用于将全部局部特征重新通过权值矩阵连接成完整的图像，三层全连接层分别包含1024、512、256个神经元，其中每个神经元都分别与前后两层相连接。输出层与最后一层全连接层相连接，两个神经元分别输出两类波形数据是微震数据的预测概率。
[0121]
步骤s4，模型训练与识别。
[0122]
其中，模型训练过程可以包括：
[0123]
1)用训练集对模型进行训练，其中激活函数为relu函数：σ(x)＝max(0,x)；
[0124]
2)使用softmax函数进行分类：其中zi和zj是向量z的元素，softmax函数可以将上一层的原始数据进行归一化。其中，归一化处理将数据变成(0,1)之间的小数，以方便提出数据处理，进而转化为一个(0,1)之间的概率数值；
[0125]
3)设置参数学习率(其中该参数学习率用于示出控制模型的学习进度)为0.0005、epoch(其中一个epoch表示将所有训练样本训练一次的过程)设置为50和100，通过前向传播与反向传播训练得到基于simcnn的微震事件识别模型。
[0126]
进一步地，在训练完成之后，利用测试集对模型进行测试，确定其准确性，最后用于实现矿山微震事件的准确识别。
[0127]
更进一步地，该示例主要从四个方面对上述方法进行了测试，下面分别进行说明：
[0128]
1)改变k值对模型识别准确率和损失函数的影响。
[0129]
图8为k取不同值时微震信号识别模型的识别准确率对比，总体来看当epoch大于等于10时曲线趋于稳定，识别准确率能达到95％以上；当epoch＝10，k的值取5时所对应的准确率曲线最先收敛，接近于1。图9为微震信号识别模型损失函数的对比图，整体来看这五条曲线，当epoch大于等于10的时候模型开始趋于0；综上k＝5的曲线较其他几条曲线更加稳定，且收敛最快，准确率和损失函数都达到理想的状态。
[0130]
2)simcnn与cnn准确率与损失函数的比较。
[0131]
以k＝5为例，探究相似特征层的添加对原始卷积神经网络结构模型的影响，实验对比结果如图10所示，图中k＝0的两条折线分别表示不加相似特征层时训练集的识别准确率和损失函数，其中loss表示损失函数，acc表示识别准确率。对比研究显示：添加相似特征层之后，使得模型准确率收敛得更快，并且准确率有所提升；损失函数下降的更快，并趋于0。这就表明对数据图像进行相似特征层提取之后，矿山微震信号识别模型能更快提取出图像特征，使得原始特征图经过提取加厚，后续卷积和池化等层更能提取有效的特征。
[0132]
3)矿山微震事件识别模型训练结果。
[0133]
图11为矿山微震事件识别模型训练准确率和损失函数的变化示意图，上方的train acc曲线表示训练集的准确率，下方的train loss曲线表示训练集的损失函数。图中可以看出，迭代次数小于10次时，整个曲线中准确率呈现明显的上升趋势；迭代次数大于10次时，准确率的曲线趋于平稳，保持在0.95以上。同样，损失函数在迭代次数小于30次时，损失函数的曲线存在明显下降现象；当迭代次数大于30次时，曲线慢慢趋于平稳，损失函数保持在0.05左右。
[0134]
4)矿山微震事件识别模型测试结果。
[0135]
如下的表格显示了矿山微震事件识别模型的测试准确率。
[0136][0137]
模型训练完毕后，保存模型文档，然后对测试集进行测试，每次都是将模型恢复到训练结束时的状态。实验选用46组数据作为测试集，测试集数据与训练集数据不重叠。对于测试集的数据，使用交叉验证，每次测试随机选取30组数据，对模型测试6次，准确率可达95％以上。从实验结果可以看出本发明实施例方法的有效性，通过对cnn添加相似特征层，提高了模型的识别准确率，能有效地识别微震事件。
[0138]
本发明实施例还提供了一种机器可读存储介质，该机器可读存储介质上存储有指令，该指令用于使得机器执行本技术上述任意的矿山微震事件识别方法。
[0139]
本发明实施例提供了一种处理器，所述处理器用于运行程序，其中，所述程序运行时执行上述任意的矿山微震事件识别方法。
[0140]
本发明实施例提供了一种矿山微震事件识别设备，包括处理器、存储器及存储在存储器上并可在处理器上运行的程序，处理器执行程序时实现上述任意的矿山微震事件识别方法。本文中的设备可以是服务器、pc、pad、手机等。
[0141]
处理器中包含内核，由内核去存储器中调取相应的程序单元。内核可以设置一个或以上，通过调整内核参数来执行上述任意的矿山微震事件识别方法。
[0142]
存储器可能包括计算机可读介质中的非永久性存储器，随机存取存储器(ram)和/或非易失性内存等形式，如只读存储器(rom)或闪存(flash ram)，存储器包括至少一个存储芯片。
[0143]
本技术还提供了一种计算机程序产品，当在数据处理设备上执行时，适于执行初始化有如上述任意的矿山微震事件识别方法的步骤的程序。
[0144]
本领域内的技术人员应明白，本技术的实施例可提供为方法、系统、或计算机程序产品。因此，本技术可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本技术可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、cd-rom、光学存储器等)上实施的计算机程序产品的形式。
[0145]
本技术是参照根据本技术实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实
现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
[0146]
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
[0147]
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
[0148]
在一个典型的配置中，计算设备包括一个或多个处理器(cpu)、输入/输出接口、网络接口和内存。
[0149]
存储器可能包括计算机可读介质中的非永久性存储器，随机存取存储器(ram)和/或非易失性内存等形式，如只读存储器(rom)或闪存(flash ram)。存储器是计算机可读介质的示例。
[0150]
计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括，但不限于相变内存(pram)、静态随机存取存储器(sram)、动态随机存取存储器(dram)、其他类型的随机存取存储器(ram)、只读存储器(rom)、电可擦除可编程只读存储器(eeprom)、快闪记忆体或其他内存技术、只读光盘只读存储器(cd-rom)、数字多功能光盘(dvd)或其他光学存储、磁盒式磁带，磁带磁磁盘存储或其他磁性存储设备或任何其他非传输介质，可用于存储可以被计算设备访问的信息。按照本文中的界定，计算机可读介质不包括暂存电脑可读媒体(transitory media)，如调制的数据信号和载波。
[0151]
还需要说明的是，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、商品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、商品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个
……”
限定的要素，并不排除在包括要素的过程、方法、商品或者设备中还存在另外的相同要素。
[0152]
以上仅为本技术的实施例而已，并不用于限制本技术。对于本领域技术人员来说，本技术可以有各种更改和变化。凡在本技术的精神和原理之内所作的任何修改、等同替换、改进等，均应包含在本技术的权利要求范围之内。
技术特征：1.一种矿山微震事件识别方法，其特征在于，所述矿山微震事件识别方法包括：将矿山微震监测系统监测得到的历史微震数据转化微震波形图像，再将所述微震波形图像转化为四邻域的微震波形图结构；对所述微震波形图结构进行区域限定，并基于所限定的区域提取出所述微震波形图结构中的任意节点的相似特征层，其中每一节点的特征通过该节点的k个相似节点的rgb信息来表征，且所述相似特征层是指将所述k个相似节点按相似度从小到大排列而形成的k层相似节点，其中k是大于1的整数；以及将所述微震波形图像作为改进型卷积神经网络模型的输入层，并依次连接所述相似特征层以及针对该改进型卷积神经网络模型预先配置的卷积层、池化层、全连接层和输出层，以形成用于识别矿山微震事件的识别模型。2.根据权利要求1所述的矿山微震事件识别方法，其特征在于，所述微震波形图结构中的每一个节点被表示为v＝[x，f]
t
，其中x＝[u，v]表示节点的像素点坐标，f＝[r，g，b]分别表示像素点对应的rgb三通道的像素值。3.根据权利要求1所述的矿山微震事件识别方法，其特征在于，所述对所述微震波形图结构进行区域限定包括：通过预设尺寸的第一子图确定所述微震波形图结构中的对角线节点的像素值；根据所确定的像素值判断该子图所对应的区域是否是空白区域；以及从所述微震波形图结构中限定出非空白区域以作为进行相似特征层提取的区域；优选地，所述基于所限定的区域提取出所述微震波形图结构中的任意节点的相似特征层包括：在所限定的区域中，选择尺寸小于所述第一子图的第二子图限定的提取区域；采用非递归simrank算法计算所述提取区域中的任意节点与其他节点之间的相似度；以及根据计算的相似度大小排列顺序，确定相应节点的相似特征层。4.根据权利要求1所述的矿山微震事件识别方法，其特征在于，所述卷积层被配置为包括由多个神经元组成的特征图，且该特征图被表示为下式：其中b
p,q
为特征图所对应的偏置值，σ为relu函数，为卷积核，i
(m-u,n-v)
为卷积核所在的像素位置。5.根据权利要求1所述的矿山微震事件识别方法，其特征在于，所述池化层被配置为：将从所述卷积层输入所述池化层的特征图划分为多个局部区域，并确定每个局部区域内的所有神经元的平均值或最大值以进行输出。6.根据权利要求1所述的矿山微震事件识别方法，其特征在于，所述卷积层、所述池化层及所述全连接层的数量为一个或多个，连接在所述全连接层之前的所述卷积层和所述池化层的组合层的数量为一个或多个。7.根据权利要求1所述的矿山微震事件识别方法，其特征在于，所述全连接层中的每个
神经元与前一池化层的所有神经元进行全连接，且所述全连接层与其前一池化层的连接还通过以下实现：将与所述前一池化层的输出特征图级联转化为长度相适应的向量，并将该向量作为所述全连接层的输入。8.根据权利要求1所述的矿山微震事件识别方法，其特征在于，在所述形成用于识别矿山微震事件的识别模型之后，所述矿山微震事件识别方法还包括：对所形成的识别模型的多个模型参数的权重和偏置进行修正；以及利用预设测试集对所修正的模型进行测试，并利用测试合格的识别模型处理实时的微震波形图像以识别微震事件；优选地，所述对所形成的识别模型的多个模型参数的权重和偏置进行修正包括：对所述识别模型进行前向传播训练，以得到该识别模型的输出误差；以及对所述输出误差进行反向传播训练，并在反向传播训练中应用随机梯度下降算法以修正所述识别模型的权重和偏置。9.一种机器可读存储介质，该机器可读存储介质上存储有指令，该指令用于使得机器执行本申请上述权利要求1-8中任意一项所述的矿山微震事件识别方法。10.一种矿山微震事件识别设备，其特征在于，所述矿山微震事件识别设备包括处理器、存储器及存储在所述存储器上并可在所述处理器上运行的程序，所述处理器执行所述程序以实现权利要求1-8中任意一项所述的矿山微震事件识别方法。
技术总结本发明实施例提供一种矿山微震事件识别方法、介质及设备，属于矿山数据处理领域。所述方法包括：将矿山微震监测系统监测得到的历史微震数据转化微震波形图像，再将所述微震波形图像转化为四邻域的微震波形图结构；对所述微震波形图结构进行区域限定，并基于所限定的区域提取出所述微震波形图结构中的任意节点的相似特征层；以及将所述微震波形图像作为改进型卷积神经网络模型的输入层，并依次连接所述相似特征层以及针对该改进型卷积神经网络模型预先配置的卷积层、池化层、全连接层和输出层，以形成用于识别矿山微震事件的识别模型。本发明实施例所设计的识别模型，能够实现对相似特征层的提取，从而对矿山微震事件进行有效识别。识别。识别。
技术研发人员：潘一山 丁琳琳 曹鲁杰 张翰林 罗浩 包鑫阳
受保护的技术使用者：辽宁大学
技术研发日：2022.03.21
技术公布日：2022/7/5
