深度信念网络提升微震波到时拾取准确性

"基于深度信念神经网络的微震波到时拾取方法，郑晶，曹子原，姜天琪，矿业科学学报，2018，3(6):521－526，DOI:10.19606/j.cnki.jmst.2018.06.002" 在地震学和矿业监测领域，微震信号的准确到时拾取是至关重要的，因为它直接影响到震源定位、地下结构分析等关键任务的精度。传统的到时拾取方法通常需要人工参与，并且对数据的信噪比有较高的要求，这在处理低信噪比的数据时效率较低且容易出错。针对这一问题，研究人员提出了一个结合S变换和深度信念神经网络（Deep Belief Network, DBN）的新型拾取方法。 S变换是一种时频分析方法，它可以将信号从时间域转换到时频域，有助于揭示信号中的局部特征，尤其是对于非平稳信号如微震波，S变换可以提供更为丰富的信息。在该方法中，首先对原始微震数据应用S变换，以便在时频域中提取特征。然后，使用受限玻尔兹曼机（Restricted Boltzmann Machine, RBM）对S变换后的数据进行无监督预训练，生成网络模型的初始参数。RBM是一种概率图模型，擅长于学习数据的隐含结构，尤其适用于未标记数据的学习。 接下来，通过误差反向传播算法对预训练的RBM进行微调，进一步优化网络参数，最终构建深度信念神经网络模型。DBN是一种多层的无监督学习模型，由多个 RBM 层堆叠而成，它能够学习到高阶抽象特征，适应复杂的数据分布。在训练完成后，这个模型用于对微震数据进行到时拾取，以识别微弱信号。 实验结果显示，与传统的STA/LTA（短时平均/长时平均）方法相比，基于DBN的方法在低信噪比环境下表现出更高的抗噪性能，这意味着它能在噪声较大的情况下更准确地检测到微震信号的到达时间。这不仅提高了工作效率，而且提升了到时拾取的准确性，对于地震监测和矿井安全具有重大意义。 此外，该研究得到了国家自然科学基金、国家重点研发计划、北京市自然科学基金以及中国矿业大学(北京)越崎青年学者资助计划的支持，显示了该领域的研究受到广泛的关注和支持。作者郑晶及其团队在微震监测和探地雷达领域的工作，为改进地震信号处理提供了新的思路和技术手段。