一种面向小样本的融合扩散增强与域自适应的微震信号分类方法

本技术涉及微震信号处理，具体地涉及一种面向小样本的融合扩散增强与域自适应的微震信号分类方法。

背景技术：

1、随着矿山智能化与智慧地质监测技术的快速发展，安全生产成为地下工程与能源开采领域的核心问题。微震监测作为一种高灵敏度的动态灾害早期预警手段，能够实时捕获岩体内部的能量释放过程，为岩爆预测、煤层瓦斯突出现象识别及地质构造活动分析提供关键依据。信号识别作为微震监测数据处理的首要环节与关键技术，其精确性直接决定了后续震源定位、能量计算与风险判别的可靠性。

2、然而，矿山与地下工程环境具有其特殊复杂性：一方面，开采、掘进等持续性工程活动会产生大量与真实灾变信号特征相近的爆破、机械振动信号。另一方面，强烈的环境噪声会导致有效信号被严重污染甚至淹没，并导致其波形特征发生畸变。尤为关键的是，具有明确物理意义的微震事件和爆破事件等灾害前兆信号在实际监测数据中属于稀有事件，难以大量采集和标注，导致数据集存在严重的样本稀缺和类别不平衡问题。这使得依赖于固定阈值的传统识别方法普遍存在适应性不足与稳定性差的问题，直接影响着灾害预警的准确性与时效性。

3、深度学习的发展为微震信号自动识别与分类提供了新的思路，如公开号为cn116990865a的专利申请公开了一种基于深度迁移学习的微地震事件检测方法及系统。公开号为cn113837116a的专利申请公开了一种用于微震信号识别模型的迁移学习方法及系统。但传统固定结构的神经网络模型在小样本训练集上泛化能力受限，且在动态工况或设备状态变化时，缺乏对信号动态特征与时序相关性的自适应建模能力，分类性能显著下降。

技术实现思路

1、有鉴于此，本技术提供一种面向小样本的融合扩散增强与域自适应的微震信号分类方法，以利于解决现有技术中微震信号分类效果差的问题。

2、第一方面，本技术实施例提供了一种面向小样本的融合扩散增强与域自适应的微震信号分类方法，包括：

3、将获取的煤矿原始微震监测数据进行预处理，提取其中的微震事件信号及爆破事件信号作为训练样本；

4、构建融合扩散增强与域自适应机制的微震信号分类模型；

5、将所述训练样本进行扩增后，对所述微震信号分类模型进行训练，训练中对模型参数进行调整并更新模型参数使模型收敛获得最优模型权重参数；

6、利用最优模型权重参数更新后的微震信号分类模型中进行微震信号分类。

7、在一种可能的实现方式中，所述将获取的煤矿原始微震监测数据进行预处理，提取其中的微震事件信号及爆破事件信号作为训练样本，包括：

8、获取目标监测区域的原始微震监测数据，对其进行预处理操作，包括去噪、归一化处理及信号截取，构建包含微震信号及其对应类别标签的原始样本集合；

9、提取原始样本集合中的微震事件信号及爆破事件信号作为训练样本。

10、在一种可能的实现方式中，所述微震信号分类模型包括：扩散增强网络、时序特征提取网络、域自适应判别网络和微震信号分类网络，所述构建融合扩散增强与域自适应机制的微震信号分类模型，包括：

11、建立对原始信号逐步注入高斯噪声的前向扩散过程，并构建以类别标签和时间步为条件的去噪网络，结合所述前向扩散过程形成扩散增强网络；

12、基于所述扩散增强网络生成的信号样本与原始信号样本构建源域数据，并通过向源域数据加入高斯白噪声获得目标域数据；

13、采用多层堆叠的双向门控循环单元构建时序特征提取网络，将所述源域数据和目标域数据接入同一时序特征提取网络，并将前向与后向隐藏状态的拼接结果作为特征输出；

14、构建包含梯度反转层和域判别网络的域自适应判别网络，并与时序特征提取网络的输出端连接，建立域对抗训练分支；

15、采用多层全连接网络构建微震信号分类网络，并与时序特征提取网络的输出端连接，将其输出维度设置为信号类别数。

16、在一种可能的实现方式中，所述基于所述扩散增强网络生成的信号样本与原始信号样本构建源域数据，并通过向源域数据加入高斯白噪声获得目标域数据，包括：

17、利用训练好的去噪网络进行条件采样，从标准高斯分布采样初始噪声；

18、指定目标类别条件，遵循逆向扩散进行迭代去噪，生成逼真的合成微震与爆破信号：

19、

20、其中：为上一步去噪后的信号，为当前噪声信号，为时间步，为目标类别条件，为累乘系数，为预测噪声分量，为逆向过程的噪声标准差，为标准高斯噪声；

21、将生成样本注入原始数据集，构建类别平衡的增强数据集作为源域数据；

22、对源域数据注入加性高斯白噪声后构成目标域数据，用于模拟实际监测中含噪声的工况。

23、在一种可能的实现方式中，所述采用多层堆叠的双向门控循环单元构建时序特征提取网络，将所述源域数据和目标域数据接入同一时序特征提取网络，并将前向与后向隐藏状态的拼接结果作为特征输出，包括：

24、构建多层双向门控循环单元进行时序建模，并将源域数据和目标域数据输入到多层双向门控循环单元中；

25、所述双向门控循环单元设置为多层堆叠结构，在每个时间步，双向门控循环单元分别计算前向隐藏状态和后向隐藏状态；

26、经过双向门控循环单元处理后，提取最后一个时间步的输出作为高维时序特征向量，计算公式为。

27、在一种可能的实现方式中，所述构建包含梯度反转层和域判别网络的域自适应判别网络，并与时序特征提取网络的输出端连接，建立域对抗训练分支，包括：

28、所述首先经过梯度反转层grl处理，使得特征提取器学习到对域不敏感的共性特征；

29、经过grl处理后的特征输入到域自适应判别网络，该网络依次包含：全连接层、leakyrelu激活函数、dropout层、全连接层、leakyrelu激活函数以及最终的域分类全连接层；

30、在对抗训练过程中，域自适应判别网络的参数沿降低域判别误差的方向更新，特征提取器的参数在梯度反转层的作用下沿增大域判别误差的方向更新，最终使特征提取器收敛于对域信息不敏感、仅保留与类别判别相关信息的域不变特征。

31、在一种可能的实现方式中，所述将所述训练样本进行扩增后，对所述微震信号分类模型进行训练，训练中对模型参数进行调整并更新模型参数使模型收敛获得最优模型权重参数，包括：

32、将所述训练样本进行扩增后分为训练集、验证集和测试集；

33、利用所述训练集对所述微震信号分类模型进行训练；

34、利用所述验证集对模型参数进行调整；

35、通过反向传播算法更新模型参数使模型收敛获得最优模型权重参数。

36、在一种可能的实现方式中，还包括：

37、构建用于模型参数优化更新的复合损失函数，分类损失采用多分类交叉熵损失函数，域判别器采用二元交叉熵损失函数来优化域适应损失，采用均方误差损失计算扩散模型的噪声预测损失；

38、在扩散增强网络的训练阶段，以优化去噪网络的参数；在分类模型的训练阶段，以总损失函数对特征提取器、分类器及域自适应判别网络进行联合优化；

39、设置模型训练参数，其中使用adamw优化算法进行模型参数学习的优化，在训练过程中逐步降低学习率，迭代训练至预设训练轮数后，保存最优模型权重。

40、在一种可能的实现方式中，所述总损失函数表达式为：

41、

42、多分类交叉熵损失函数为：

43、

44、二元交叉熵损失函数来优化域适应损失为：

45、

46、噪声预测损失为：

47、

48、其中：为控制域对齐强度的权重超参数，为批次大小，为类别数量，为第个样本在第类的真实标签，为模型预测的第个样本属于第类的概率；为真实标签，为模型预测的域概率；为扩散模型预测的噪声，为真实噪声。

49、在一种可能的实现方式中，所述利用最优模型权重参数更新后的微震信号分类模型中进行微震信号分类，包括：

50、将所述测试集输入到加载所述最优模型权重的微震信号分类模型中进行测试；

51、在测试阶段，域自适应判别模块整体丢弃，仅保留双向门控循环单元特征提取器与多分类器执行前向传播，按预设的各信噪比档位分别构建加噪测试数据，评估模型在不同噪声强度下的分类性能。

52、第二方面，本技术实施例提供了一种面向小样本的融合扩散增强与域自适应的微震信号分类系统，包括：

53、数据处理模块，用于将获取的煤矿原始微震监测数据进行预处理，提取其中的微震事件信号及爆破事件信号作为训练样本；

54、模型构建模块，用于构建融合扩散增强与域自适应机制的微震信号分类模型；

55、权重参数确定模块，用于将所述训练样本进行扩增后，对所述微震信号分类模型进行训练，训练中对模型参数进行调整并更新模型参数使模型收敛获得最优模型权重参数；

56、微震信号分类网络，用于利用最优模型权重参数更新后的微震信号分类模型中进行微震信号分类。

57、第三方面，本技术实施例提供了一种电子设备，包括：

58、处理器；

59、存储器；

60、以及计算机程序，其中所述计算机程序被存储在所述存储器中，所述计算机程序包括指令，当所述指令被所述处理器执行时，使得所述电子设备执行第一方面中任意一项所述的方法。

61、第四方面，本技术实施例提供了一种计算机可读存储介质，所述计算机可读存储介质包括存储的程序，其中，在所述程序运行时控制所述计算机可读存储介质所在设备执行第一方面中任意一项所述的方法。

62、在本技术实施例中，将扩散增强与域自适应机制融合于微震信号分类模型，通过对煤矿微震事件及爆破事件训练样本进行扩增，增加样本数量并丰富样本特征，缓解样本稀缺对模型训练的限制，降低小样本条件下的过拟合风险；通过域自适应机制，减轻不同工况及监测设备状态变化所引起的信号分布差异对分类结果的影响，增强模型对不同监测条件的适应能力；通过训练过程中模型参数的调整与更新，提高模型对微震事件和爆破事件的区分能力及泛化性能，从而提升小样本条件下微震信号分类的准确性与稳定性，为矿山震源定位、能量计算及灾害风险判别提供信号分类依据。