System.ArgumentOutOfRangeException: 索引和长度必须引用该字符串内的位置。 参数名: length 在 System.String.Substring(Int32 startIndex, Int32 length) 在 zhuanliShow.Bind()
【技术实现步骤摘要】
本专利技术属于地震事件检测领域,具体涉及一种基于多特征融合的地震相位拾取方法及系统。
技术介绍
1、深度学习技术已被广泛应用在地震学的各个子领域中,尤其是在地震相位拾取任务中利用深度学习技术以解决震源定位和微震检测问题。现有的基于深度学习的研究只关注于特征的提取,而对特征的利用不够充分,且在特征解码时容易丢失关键信息,从而导致相位拾取的精度较差。
2、多特征融合思想最早应用在图像分类领域,并在近年来迅速发展。现有的用于相位拾取的深度学习模型在特征提取方面表现出色,但并没有能够很好地利用这些特征。而多特征融合可以结合多个尺度的特征,提高相位拾取的精度。
技术实现思路
1、针对现有技术的不足,本专利技术提出了一种基于多特征融合的地震相位拾取方法及系统,能够提高深度学习模型对地震数据全局属性的关注,充分利用了各阶段所提取的特征,不仅优化了对地震数据特征的处理能力,更提升了地震相位拾取的精度。
2、为实现上述目的,本专利技术提供了如下方案:
3、一种基于多特征融合的地震相位拾取方法,包括以下步骤:
4、通过地震检波器采集地震信号,获取时间序列数据;
5、将所述时间序列数据输入至编码模块,使用卷积操作获取数据的浅层特征;
6、将所述浅层特征输入至半通道卷积模块,对所述浅层特征的不同部分进行不同的运算处理得到深层特征;
7、将所述深层特征分别输入至动态卷积模块和通道压缩模块获得高级特征和压缩特征;
9、将所述融合后的特征输入至解码模块,利用反卷积操作对所述融合后的特征进行处理得到最终的相位拾取结果。
10、优选的,将所述浅层特征输入至半通道卷积模块,对所述浅层特征的不同部分进行不同的运算处理得到深层特征的方法包括:
11、将所述浅层特征输入至半通道卷积模块,沿着通道维度将所述浅层特征平均分为四组张量;
12、分别对所述四组张量执行不同的处理操作,其中,对第一组张量依次执行深度可分离卷积、gelu、点卷积操作;对第二组张量依次执行点卷积、gelu、深度可分离卷积操作;对第三组张量依次执行扩展率为5的膨胀卷积、gelu、扩展率为5的膨胀卷积操作;对第四组张量进行恒等映射;
13、将四组张量处理后的特征进行拼接得到深层特征。
14、优选的,将四组张量处理后的特征进行拼接得到深层特征的方法包括:
15、x1,x2,x3,x4=split(x)
16、x'1=dw(gelu(pw(x1)))
17、x'2=pw(gelu(dw(x2)))
18、x'3=dilated(gelu(dilated(x3)))
19、x'4=identity(x4)
20、x'=cat(x'1,x'2,x'3,x'4),
21、其中,x表示浅层特征;split()表示将张量沿通道数分成四组;x1表示第一组张量;x2表示第二组张量;x3表示第三组张量;x4表示第四组张量;dw()表示深度可分离卷积;pw()表示点卷积;dilated()表示膨胀卷积;gelu()表示gelu激活函数;x1′表示处理后的第一组张量、x2′表示处理后的第二组张量、x3′表示处理后的第三组张量、x4′表示处理后的第四组张量、x′表示半通道卷积模块输出的深层特征。
22、优选的,将所述深层特征分别输入至动态卷积模块和通道压缩模块获得高级特征和压缩特征的方法包括:
23、将所述深层特征输入动态卷积模块,经过四个并行分支,其中第一个分支为一个卷积核大小为1的卷积层;第二个分支为一个卷积核大小为3的一维卷积层与一个卷积核大小为1的一维卷积层的堆叠;第三个分支为一个卷积核大小为1的一维卷积层与一个卷积核大小为3的一维卷积层的堆叠;第四个分支为一个卷积核大小为1的一维卷积层与两个卷积核大小为3的一维卷积层的堆叠;
24、将四个分支的输出结果进行拼接得到高级特征;
25、将所述深层特征输入通道压缩模块,应用反卷积操作对所述深层特征进行上采样;
26、基于反卷积后的结果,运用1×1卷积进行跨通道的信息交互得到压缩特征。
27、优选的,将所述深层特征、所述高级特征和所述压缩特征输入至多特征融合模块,获得融合后的特征的方法包括:
28、将所述深层特征沿着通道维度分成四组{a1,a2,a3,a4}、将所述高级特征沿着通道维度分成四组{b1,b2,b3,b4},将所述压缩特征称为c;
29、将所述四组{a1,a2,a3,a4}、所述四组{b1,b2,b3,b4}和所述压缩特征c按照拆分顺序分别组合成四个新张量{a1,b1,c}、{a2,b2,c}、{a3,b3,c}、{a4,b4,c};
30、对四个新张量{a1,b1,c}、{a2,b2,c}、{a3,b3,c}、{a4,b4,c}分别进行扩展率为7、5、3、1的膨胀卷积操作;
31、将四个膨胀卷积操作后的张量拼接起来,并将拼接起来的特征进行卷积核大小为3的一维卷积操作得到融合后的特征。
32、优选的,获得融合后的特征的表达式为:
33、a1,a2,a3,a4=split(a)
34、b1,b2,b3,b4=split(b)
35、t1=diated(cat(a1,b1,c))
36、t2=diated(cat(a2,b2,c))
37、t3=diated(cat(a3,b3,c))
38、t4=diated(cat(a4,b4,c))
39、t=conv1d(cat(t1,t2,t3,t4)),
40、其中,a、b、c、t分别表示深层特征、高级特征、压缩特征、融合后的特征;a1、b1分别表示分割后的第一组张量;a2、b2分别表示分割后的第二组张量;a3、b3分别表示分割后的第三组张量;a4、b4分别表示分割后的第四组张量;t1为经过扩展率为7的膨胀卷积后的拼接特征、t2为经过扩展率为5的膨胀卷积后的拼接特征、t3为经过扩展率为3的膨胀卷积后的拼接特征、t4为经过扩展率为1的膨胀卷积后的拼接特征;conv1d表示一维卷积操作。
41、优选的,将所述融合后的特征输入至解码模块,利用反卷积操作对所述融合后的特征进行处理得到最终的相位拾取结果的方法包括:
42、将所述融合后的特征输入至解码模块,通过三个反卷积层进行上采样,其中,第一个反卷积层是卷积核大小为7、步长为1的卷积核和步长为2的转置卷积与批归一化层的堆叠;第二个反卷积层是卷积核大小为5、步长为1的卷积核和步长为2的转置卷积与批归一化层的堆叠;第三个反卷积层是卷积核大小为3、步长为1的卷积核和步长为2的转置卷积与批归一化层的堆叠,本文档来自技高网...
【技术保护点】
1.一种基于多特征融合的地震相位拾取方法,其特征在于,包括以下步骤:
2.根据权利要求1所述的基于多特征融合的地震相位拾取方法,其特征在于,将所述浅层特征输入至半通道卷积模块,对所述浅层特征的不同部分进行不同的运算处理得到深层特征的方法包括:
3.根据权利要求2所述的基于多特征融合的地震相位拾取方法,其特征在于,将四组张量处理后的特征进行拼接得到深层特征的方法包括:
4.根据权利要求1所述的基于多特征融合的地震相位拾取方法,其特征在于,将所述深层特征分别输入至动态卷积模块和通道压缩模块获得高级特征和压缩特征的方法包括:
5.根据权利要求1所述的基于多特征融合的地震相位拾取方法,其特征在于,将所述深层特征、所述高级特征和所述压缩特征输入至多特征融合模块,获得融合后的特征的方法包括:
6.根据权利要求5所述的基于多特征融合的地震相位拾取方法,其特征在于,获得融合后的特征的表达式为:
7.根据权利要求1所述的基于多特征融合的地震相位拾取方法,其特征在于,将所述融合后的特征输入至解码模块,利用反卷积操作对所述融合后的
8.一种基于多特征融合的地震相位拾取系统,其特征在于,包括:时间序列数据获取模块、浅层特征获得模块、深层特征获得模块、高级特征和压缩特征获得模块、融合特征获得模块、相位拾取模块;
...【技术特征摘要】
1.一种基于多特征融合的地震相位拾取方法,其特征在于,包括以下步骤:
2.根据权利要求1所述的基于多特征融合的地震相位拾取方法,其特征在于,将所述浅层特征输入至半通道卷积模块,对所述浅层特征的不同部分进行不同的运算处理得到深层特征的方法包括:
3.根据权利要求2所述的基于多特征融合的地震相位拾取方法,其特征在于,将四组张量处理后的特征进行拼接得到深层特征的方法包括:
4.根据权利要求1所述的基于多特征融合的地震相位拾取方法,其特征在于,将所述深层特征分别输入至动态卷积模块和通道压缩模块获得高级特征和压缩特征的方法包括:
5.根据权利要求1所述的基于多特征融合的地...
【专利技术属性】
技术研发人员:朱亚东洋,赵曙光,张晓燕,蓝波,邓纪勋,丁洁,
申请(专利权)人:北京石油化工学院,
类型:发明
国别省市:
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。