一种海量数据驱动的矿山微震震源自动定位方法

1.本发明属于矿山智能感知技术领域，具体涉及一种海量数据驱动的矿山微震震源自动定位方法。


背景技术：

2.微震监测技术是以地震学为基础，通过分析地下空间作业时岩体变形破坏产生的微小地震事件来评价岩体结构与稳定性的一种实时、动态、连续的地球物理监测方法。由于微震监测技术具有探测范围广、探测信息丰富、劳动强度低等诸多优点，目前已广泛应用于隧道、石油、采矿、地热、核废料贮藏等地下工程领域之中。
3.作为微震监测技术的最重要手段，微震事件定位在地下工程应用中依旧存在误差较大、定位效率低的问题，这些问题在现有技术中并未得到有效解决，因而，其成为了制约微震监测效能的主要技术瓶颈。准确的纵波(p波)到时拾取是微震事件精准定位的基础，但由于地下工程微震监测环境多变且传播路径复杂，微震波受噪音和干扰信号较大影响且波形更为复杂，难以准确标定p波到达时间。此外，由于地下空间波速结构的高复杂性，需人为对各个传感器接收波形的到时进行反复微调，才能通过理论值和观测值间的最小残差来确定出最优事件位置，这样，必然会导致微震事件定位耗时的大幅度增加。因此，如何根据地下工程环境特点有针对性地对精确p波到时进行有效拾取并快速搜寻出最优微震事件位置，对提高微震事件定位精度、提升微震监测效能具有十分重要的意义。
4.目前，地下工程领域微震波p波到时主要通过自动算法标定与人工标定相配合的方式完成。常用的自动标定算法利用单一或多重特征指标来进行p波到时的识别，其代表性的如长短时窗平均比率法(sta/lta)、修正能量比法(mer)、修正科庞法(mcm)、阿凯克信息准则法(aic)等。上述自动标定算法应用在波型信噪比(snr)较高且波形结构较为简单时具有较高的准确性。但由于波形信息的高度复杂性，上述方法采用的单一或多重特征指标都很难将各类微震波形的全部特征描述完整。因此，在面对地下工程环境中对低信噪比、波形较为复杂的微震信号时，上述算法对p波到时标定的准确度和鲁棒性会大幅度的降低，在多数情况下仍需通过人工的方式进行重新标定。人工标定虽可以得到较为合理的p波到时，但由于人员专业水平的不同会使标定的质量参差不齐，且标定结果易受人为主观因素的影响，同时，重复性劳动更会使到时标定的准确度和效率随着工作时间的增加而逐渐降低。以上种种因素导致了微震波到时人工标定质量的不确定性，进而会产生无法估计的系统性微震定位误差。
5.近年来，以海量数据为训练样本的深度学习技术迅猛发展，在地震学领域进行了初步运用便取得了显著的技术成果，同时，也为微震到时自动标定与事件定位提供了新的技术思路。不同于传统地震波到时自动标定算法，深度学习方法并不依赖于单一或多重特征指标，而是在无需人为决定提取参数的前提下将波形信号解析成一个高维矩阵，再通过模拟人脑中神经元的使用方式建立高维数据间映射关系，从而最大限度地保留了地震波所有信息特征。由于数以百万计的地震数据集可以为深度学习提供广泛的数据支持，进而可
以提供极大的研究空间，因此，训练的深度学习模型在地震波到时标定的准确性与敏感性方面均体现出了较传统算法与人工分析方法所无法比拟的优势。


技术实现要素：

6.针对上述现有技术存在的问题，本发明提供一种海量数据驱动的矿山微震震源自动定位方法，该方法能进行p波到时的精确拾取并可快速搜寻到最优微震事件位置，其对于提高微震事件定位精度、提升微震监测效能具有十分重要的意义。
7.为了实现上述目的，本发明提供一种海量数据驱动的矿山微震震源自动定位方法，包括如下步骤：
8.步骤一：从包含地震信号和非地震信号的大规模地震数据集stead中筛选出已标注的地震波形数据，并对每条波形数据进行预处理，构建地震波标定数据集；
9.步骤二：先将地震波标定数据集中的波形数据随机按照预设比例分为训练集、验证集和测试集；再建立基于u-net结构的深度神经网络模型，并采用训练集对深度神经网络模型进行训练得到预训练标定模型；
10.深度神经网络模型具有四个下采样阶段和四个上采样阶段，下采样过程用于从原始地震数据中提取用于到时标定的有效波形特征，上采样过程用于将特征扩展，并将其转换为每个p波到时、s波到时和噪声在每个数据点上的概率分布，下采样和上采样阶段对应的层之间均有跳跃连接；卷积核的大小设置为7，步长设置为4，卷积操作中，在每一层的前后进行填充，使输入和输出序列具有相同长度，并在深度神经网络模型的最后一层利用公式(1)采用softmax归一化指数函数输出p波到时、s波到时和噪声的概率；
11.模型训练中使用的损失函数为交叉熵损失函数，具体地，使用公式(2)进行模型训练，并确保损失函数最小；
[0012][0013]
式中，i取1,2,3，表示噪声、p波到时和s波到时，z(x)是最后一层的未缩放值；
[0014][0015]
式中，p(x)为真实概率分布，q(x)为预测分布；
[0016]
步骤三：利用煤矿现场微震数据对预训练标定模型进行迁移学习，构造出适用于矿山微震信号的到时自动标定模型，以适应地下工程微震波形特征；
[0017]
s31:对煤矿现场微震数据中的部分样本进行人工手动标注，构建出包含p波到达时间、s波到达时间的微震信号样本数据集；
[0018]
s32：利用公式(3)在手动标注点的周围构造高斯分布掩膜，以减少数据集中标注错误的影响；
[0019][0020]
式中，x为数据点，μ为人工标注到时位置，σ为标准差，取2d为标签宽度；
[0021]
s33：先对微震波标定数据集进行数据增广处理，得到增广后的数据集样本，再使用随机移位和信号堆叠的方式增加数据集样本的复杂度，最后，利用数据集样本对预训练标定模型进行迁移学习得到到时自动标定模型；
[0022]
步骤四：进行微震震源自动定位；
[0023]
s41：当一个微震事件发生时，通过多个台站分别对微震信号进行采集，并将获得的对应微震信号波形通过多个通道输入到到时自动标定模型中，利用到时自动标定模型对各个通道中微震信号波形数据进行p波和s波到时的自动标注作业；
[0024]
同时，对本次震动事件的各个通道标注情况进行初步评估，排除其中没有检测到p波到时的通道和标注到时明显错误的通道；
[0025]
s42：根据公式(4)构建等速均质各向同性速度模型；
[0026][0027]
式中，x0,y0,z0为微震事件位置，t0为微震事件起震时间，xi,yi,zi为第i个台站的坐标，ti为微震事件发生并被第i个台站探测得到p波的时间，v为p波在介质中的平均传播速度；
[0028]
s43：根据公式(5)利用最小化目标函数的形式对微震事件位置进行求解，以利用p波首次到达时间反演出微震震源的理论坐标值；
[0029][0030]
式中，wi表示各台站观测值的权重系数，n表示用于标定事件p波到时的台站数量，p为参数，取1或2；
[0031]
s44：微震定位通道组合自动优化；
[0032]
s441：初步选择用于微震事件定位的初始通道组合；具体地，将可用通道按照到时先后和信噪比大小进行排序，并根据排序结果逐步扩大查找范围，当查找范围内的最大公共子集满足所需通道数量时，该子集即为初始通道组合；
[0033]
s442：基于初始通道组合进行微震定位结果的求解，微震定位结果有唯一解、多解和无解的三种情况；(1)对于微震定位结果为唯一解的情况，确认初始通道组合为最优组合，并通过通道的p波波速微调方法进行微调；(2)对于微震定位结果存在多解的情况，若通道数量少于n0个，则将剩余可用通道按照到时先后和信噪比大小进行排序，并从排序结果中的最大公共子集中顺次选出所需数量的通道，然后增加这部分通道生成新的通道组合，再进行微震定位求解，重复这一过程直至出现唯一解的情况，最后通过通道的p波波速微调方法进行微调；若通道数量不少于n0个，则删除末尾通道再进行下个通道的查找，查找过程和通道数量少于n0个时相同，重复以上优化过程直到不再出现多解时为止，生成新的通道组合再进行定位求解，直至出现唯一解的情况；(3)对于微震定位结果无解的情况，首先按照当前通道组合的排序结果删除末位通道，然后按照排序结果中的顺序增加下一个通道，使通道组合包含n0个通道，再进行新的一轮定位求解，若依然无解则重复实施该优化过程，直至得到有效解为止，最后通过通道的p波波速微调方法进行微调；所述通道的p波波速微
调方法如下：每轮微调中，先选择偏差绝对值最大的通道作为微调目标通道，微调的步长设置为固定大小或根据偏差进行动态调整，以得到更新后的到时，然后进行微震事件定位，当且仅当得到唯一解且理论到时和实际到时最大偏差未增大时，该轮微调有效，否则撤销该轮微调，并在后续的微调中忽略该通道；经过多轮迭代不断进行微调，当最大偏差小于指定阈值时，输出最优解。
[0034]
进一步，为了提高定位精度，在步骤四的s41中，台站的数量至少为4个。
[0035]
作为一种优选，在步骤二中，模型训练过程中深度学习的超参数设置如下：训练轮次为100，批大小为400，学习率为0.01，衰减率为0.8。
[0036]
作为一种优选，在步骤三的s33中，迁移学习的超参数设置如下：训练轮次为40，批大小为400，学习率为0.001，衰减率为0.8。
[0037]
进一步，为了保证样本数据的有效性，在步骤三的s31中，通过p波到达前2秒和p波到达后2秒的信号功率之比计算信噪比，利用公式(6)筛选出信噪比分布广的数据作为有效样本数据；
[0038][0039]
式中，ps是信号的功率，pn是噪声的功率，lg为以10为底的对数，对于长度为n的数字信号序列x(n)，其功率为
[0040]
作为一种优选，在步骤四的s43中，采用pso算法或powell算法对公式(5)进行求解。
[0041]
进一步，为了获得最佳的定位结果，在步骤四的s442中，n0为6。
[0042]
进一步，为了提高定位精度，在步骤四的s442中，指定阈值为20ms。
[0043]
本发明中，先利用了海量地震波形数据，通过深度学习的方式建立了适用于矿山微震事件的预训练标定模型，再结合深度迁移学习方法，对预训练标定模型进行微调，建立了面向矿山微震波的到时自动标定模型，有效提升了到时自动标定模型对矿山微震数据的鲁棒性。最后，基于等速均质各向同性速度模型，利用优化算法反推到时误差，并通过多次迭代调整操作，实现了矿山微震自动精准定位作业。由于在矿山这样一个尺度相对较小的环境中，极其微小的到时拾取误差也会对后续的一系列数据分析工作造成严重的影响。因而，利用大规模地震数据集中地震波信号训练得到的模型，虽然可直接用于矿山微震信号的处理，但由于地震信号和矿震信号的地质和监测条件差别较大，使得在地震数据集(源域)上训练得到的模型在矿震数据集(目标域)上的精度较低。如果要提高精度，往往需要构建数十万规模的矿震数据集对神经网络重新训练，但由于大规模数据标注需要耗费大量的人力物力，其可行性较低，且见效慢，因此利用迁移学习方法构建出适用于矿山微震信号的到时自动标定模型不仅可以有效提高定位精度，而且能节省大量的人力物力，并能极大的降低定位成本。在到时自动标定模型定位的基础上利用少量矿震数据进行微调，可以使网络模型更适应矿震信号，进一步提高了定位精度。由于掘进工作面在垂直空间上落差较小、高度变化不明显，因此布置在井下的台网在定位求解中，对垂直方向敏感度较低，可能存在多解情况，导致一般情况下垂直方向的坐标偏差相较水平方向的坐标偏差更大。对于位置和区域未知的震源，求解时优化目标是尽可能使目标函数的函数值最小。由于p波实际速度
因传播介质不同而存在较大差异，震动信号到各台站的平均波速也与给定的期望波速存在差异，因此欲使所有选定的通道最终偏差在20ms以内，往往需要多次微调，这一过程耗时较长，且人工操作难以严格按照相同标准进行调整。为了解决震源定位中人工操作较为复杂繁琐、效率低下、标准不统一的问题，本技术给出了自动定位优化算法，具体地，先在多解和无解的时候对通道进行增减操作直至获得一个解的情况，再根据理论与实际的误差进行多通道到时的实时调整，以通过迭代的方式缩小误差，如此经过多轮迭代计算获得最优解。其中，在每一轮迭代过程中，通过计算理论定位误差反推各台站到时误差，再根据微调准则对指定通道进行调整，并根据总体误差情况判别本轮更新是否有效，当最优解满足指定阈值时输出当前最优解，从而搜寻到最优微震事件位置。该方法抗噪性能好，较传统的方法对矿震数据具有更好的适应能力，可精确的对p波到时进行拾取，并可自动化、智能化的完成整个定位过程，以搜寻到最优微震事件位置，大大缩短了单次定位任务的时间开销。该方法可有利于实现对矿山微震秒级自动定位操作，其对于提高微震事件定位精度、提升微震监测效能具有十分重要的意义。该方法抗噪性能好，较传统的方法对矿震数据具有更好的适应能力，可精确的对p波到时进行拾取，并能快速的搜寻到最优微震事件位置，可有利于实现对矿山微震秒级自动定位操作，其对于提高微震事件定位精度、提升微震监测效能具有十分重要的意义。
附图说明
[0044]
图1是本发明中矿山微震自动定位的架构示意图；
[0045]
图2是本发明中利用高斯分布掩膜的曲线图；
[0046]
图3是本发明中预训练标定模型的网络架构图；
[0047]
图4是本发明中自动定位方法的总体流程示意图；
[0048]
图5是本发明中通道组合选择方法的流程示意图；
[0049]
图6是本发明中微震定位结果存在多解情况的求解流程示意图；
[0050]
图7是本发明中微震定位结果无解情况的求解流程示意图；
[0051]
图8是本发明中自动定位方法的详细流程示意图。
具体实施方式
[0052]
下面对本发明作进一步说明。
[0053]
如图1至图8所示，本发明提供了一种海量数据驱动的矿山微震震源自动定位方法，包括如下步骤：
[0054]
步骤一：从包含地震信号和非地震信号的大规模地震数据集stead中筛选出已标注的地震波形数据，并对每条波形数据进行预处理，构建地震波标定数据集；
[0055]
stead是一个包含地震信和非地震信号的大规模全球数据集。其中地震台站记录的震中距离达到300公里以上，台站距离震中100公里以内，包含了超过一百万地震信号和三十万噪声信号。在这些地震中，大多数震级小于2.5级。波形长度为1分钟，采样率为100hz，使用1.0-4.5hz的带通滤波进行预处理。
[0056]
步骤二：先将地震波标定数据集中的波形数据随机按照预设比例分为训练集、验证集和测试集；再建立基于u-net结构的深度神经网络模型，并采用训练集对深度神经网络
模型进行训练得到预训练标定模型；作为一种优选，训练集的比例为85％，验证集的比例为5％，测试集的比例为10％。
[0057]
深度神经网络模型具有四个下采样阶段和四个上采样阶段，下采样过程用于从原始地震数据中提取用于到时标定的有效波形特征，上采样过程用于将特征扩展，并将其转换为每个p波到时、s波到时和噪声在每个数据点上的概率分布，下采样和上采样阶段对应的层之间均有跳跃连接；卷积核的大小设置为7，步长设置为4，卷积操作中，在每一层的前后进行填充，使输入和输出序列具有相同长度，并在深度神经网络模型的最后一层利用公式(1)采用softmax归一化指数函数输出p波到时、s波到时和噪声的概率；
[0058]
模型训练中使用的损失函数为交叉熵损失函数，具体地，使用公式(2)进行模型训练，并确保损失函数最小；
[0059][0060]
式中，i取1,2,3，表示噪声、p波到时和s波到时，z(x)是最后一层的未缩放值；
[0061][0062]
式中，p(x)为真实概率分布，q(x)为预测分布；
[0063]
步骤三：利用煤矿现场微震数据对预训练标定模型进行迁移学习，构造出适用于矿山微震信号的到时自动标定模型，以适应地下工程微震波形特征；
[0064]
s31:对煤矿现场微震数据中的部分样本进行人工手动标注，构建出包含p波到达时间、s波到达时间的微震信号样本数据集；
[0065]
s32：利用公式(3)在手动标注点的周围构造高斯分布掩膜，以减少数据集中标注错误的影响；
[0066][0067]
式中，x为数据点，μ为人工标注到时位置，σ为标准差，取2d为标签宽度，取值为20ms；
[0068]
s33：由于所构建数据集样本数量相对较少，容易陷入过拟合，因此需要利用数据增广的正则化方式提高模型的性能。先对微震波标定数据集进行数据增广处理，得到增广后的数据集样本，再使用随机移位和信号堆叠的方式增加数据集样本的复杂度，最后，利用数据集样本对预训练标定模型进行迁移学习得到到时自动标定模型；
[0069]
步骤四：进行微震震源自动定位；
[0070]
s41：当一个微震事件发生时，通过多个台站分别对微震信号进行采集，并将获得的对应微震信号波形通过多个通道输入到到时自动标定模型中，利用到时自动标定模型对各个通道中微震信号波形数据进行p波和s波到时的自动标注作业；
[0071]
同时，为了提高定位精度，并为了有效缩短定位耗时时间，对本次震动事件的各个通道标注情况进行初步评估，排除其中没有检测到p波到时的通道和标注到时明显错误的通道；
[0072]
s42：根据公式(4)构建等速均质各向同性速度模型；
[0073][0074]
式中，x0,y0,z0为微震事件位置，t0为微震事件起震时间，xi,yi,zi为第i个台站的坐标，ti为微震事件发生并被第i个台站探测得到p波的时间，v为p波在介质中的平均传播速度；
[0075]
s43：根据公式(5)利用最小化目标函数的形式对微震事件位置进行求解，以利用p波首次到达时间反演出微震震源的理论坐标值；
[0076][0077]
式中，wi表示各台站观测值的权重系数，n表示用于标定事件p波到时的台站数量，p为参数，取1或2；
[0078]
s44：微震定位通道组合自动优化；
[0079]
s441：初步选择用于微震事件定位的初始通道组合；通常情况下，p波到时较早的台站(通道)更接近微震事件，波形信噪比更高，p波到时自动标定更准确，同时微震事件与台站(通道)间波速场出现大幅变化的可能性也越小，使微震事件定位时台站(通道)接收波形的理论与实际到时标定差异越小，因此，初始通道组合的选择策略具体为：将可用通道按照到时先后和信噪比大小进行排序，并根据排序结果逐步扩大查找范围，当查找范围内的最大公共子集满足所需通道数量时，该子集即为初始通道组合；
[0080]
s442：基于初始通道组合进行微震定位结果的求解，微震定位结果有唯一解、多解和无解的三种情况；(1)对于微震定位结果为唯一解的情况，确认初始通道组合为最优组合，并通过通道的p波波速微调方法进行微调；(2)对于微震定位结果存在多解的情况，则表明在计算公式(4)的过程中约束条件不足，其原因多为所选通道组合中有多个台站在空间上形成了同一直线或同一平面分布，该情况下进行通道组合自动优化策略，具体过程如下：若通道数量少于n0个，则将剩余可用通道按照到时先后和信噪比大小进行排序，并从排序结果中的最大公共子集中顺次选出所需数量的通道，然后增加这部分通道生成新的通道组合，再进行微震定位求解，重复这一过程直至出现唯一解的情况，最后通过通道的p波波速微调方法进行微调；若通道数量不少于n0个，则删除末尾通道再进行下个通道的查找，查找过程和通道数量少于n0个时相同，重复以上优化过程直到不再出现多解时为止，生成新的通道组合再进行定位求解，直至出现唯一解的情况；(3)对于微震定位结果无解的情况，则表明在计算公式(4)的过程中约束条件过多或某些约束条件不合理，其原因为某些所选信息波形信号信噪比偏低，p波到时难以辨认，或因为某些所选通道微震射线穿过波速场异常区，导致该通道理论与实际标定p波到时存在巨大差异，该情况下进行通道组合自动优化策略，具体过程如下：首先按照当前通道组合的排序结果删除末位通道，然后按照排序结果中的顺序增加下一个通道，使通道组合包含n0个通道，再进行新的一轮定位求解，若依然无解则重复实施该优化过程，直至得到有效解为止，最后通过通道的p波波速微调方法进行微调；所述通道的p波波速微调方法如下：每轮微调中，先选择偏差绝对值最大的通道作为微
调目标通道，微调的步长设置为固定大小或根据偏差进行动态调整，以得到更新后的到时，然后进行微震事件定位，当且仅当得到唯一解且理论到时和实际到时最大偏差未增大时，该轮微调有效，否则撤销该轮微调，并在后续的微调中忽略该通道；经过多轮迭代不断进行微调，当最大偏差小于指定阈值时，输出最优解。
[0081]
为了提高定位精度，在步骤四的s41中，台站的数量至少为4个。
[0082]
作为一种优选，在步骤二中，模型训练过程中深度学习的超参数设置如下：训练轮次为100，批大小为400，学习率为0.01，衰减率为0.8。
[0083]
作为一种优选，在步骤三的s33中，迁移学习的超参数设置如下：训练轮次为40，批大小为400，学习率为0.001，衰减率为0.8。
[0084]
为了使模型可以拥有更高的鲁棒性，需要使所用的波形信噪比分布越广越好，在步骤三的s31中，因而，为了保证样本数据的有效性，需要对微震信号样本信噪比进行分析计算。具体地，通过p波到达前2秒和p波到达后2秒的信号功率之比计算信噪比，利用公式(6)筛选出信噪比分布广的数据作为有效样本数据；
[0085][0086]
式中，ps是信号的功率，pn是噪声的功率，lg为以10为底的对数，对于长度为n的数字信号序列x(n)，其功率为
[0087]
作为一种优选，在步骤四的s43中，采用pso算法或powell算法对公式(5)进行求解。
[0088]
为了获得最佳的定位结果，在步骤四的s442中，n0为6。
[0089]
为了提高定位精度，在步骤四的s442中，指定阈值为20ms。
[0090]
本发明中，先利用了海量地震波形数据，通过深度学习的方式建立了适用于矿山微震事件的预训练标定模型，再结合深度迁移学习方法，对预训练标定模型进行微调，建立了面向矿山微震波的到时自动标定模型，有效提升了到时自动标定模型对矿山微震数据的鲁棒性。最后，基于等速均质各向同性速度模型，利用优化算法反推到时误差，并通过多次迭代调整操作，实现了矿山微震自动精准定位作业。由于在矿山这样一个尺度相对较小的环境中，极其微小的到时拾取误差也会对后续的一系列数据分析工作造成严重的影响。因而，利用大规模地震数据集中地震波信号训练得到的模型，虽然可直接用于矿山微震信号的处理，但由于地震信号和矿震信号的地质和监测条件差别较大，使得在地震数据集(源域)上训练得到的模型在矿震数据集(目标域)上的精度较低。如果要提高精度，往往需要构建数十万规模的矿震数据集对神经网络重新训练，但由于大规模数据标注需要耗费大量的人力物力，其可行性较低，且见效慢，因此利用迁移学习方法构建出适用于矿山微震信号的到时自动标定模型不仅可以有效提高定位精度，而且能节省大量的人力物力，并能极大的降低定位成本。在到时自动标定模型定位的基础上利用少量矿震数据进行微调，可以使网络模型更适应矿震信号，进一步提高了定位精度。由于掘进工作面在垂直空间上落差较小、高度变化不明显，因此布置在井下的台网在定位求解中，对垂直方向敏感度较低，可能存在多解情况，导致一般情况下垂直方向的坐标偏差相较水平方向的坐标偏差更大。对于位置和区域未知的震源，求解时优化目标是尽可能使目标函数的函数值最小。由于p波实际速度
因传播介质不同而存在较大差异，震动信号到各台站的平均波速也与给定的期望波速存在差异，因此欲使所有选定的通道最终偏差在20ms以内，往往需要多次微调，这一过程耗时较长，且人工操作难以严格按照相同标准进行调整。为了解决震源定位中人工操作较为复杂繁琐、效率低下、标准不统一的问题，本技术给出了自动定位优化算法，具体地，先在多解和无解的时候对通道进行增减操作直至获得一个解的情况，再根据理论与实际的误差进行多通道到时的实时调整，以通过迭代的方式缩小误差，如此经过多轮迭代计算获得最优解。其中，在每一轮迭代过程中，通过计算理论定位误差反推各台站到时误差，再根据微调准则对指定通道进行调整，并根据总体误差情况判别本轮更新是否有效，当最优解满足指定阈值时输出当前最优解，从而搜寻到最优微震事件位置。该方法抗噪性能好，较传统的方法对矿震数据具有更好的适应能力，可精确的对p波到时进行拾取，并可自动化、智能化的完成整个定位过程，以搜寻到最优微震事件位置，大大缩短了单次定位任务的时间开销。该方法可有利于实现对矿山微震秒级自动定位操作，其对于提高微震事件定位精度、提升微震监测效能具有十分重要的意义。该方法抗噪性能好，较传统的方法对矿震数据具有更好的适应能力，可精确的对p波到时进行拾取，并能快速的搜寻到最优微震事件位置，可有利于实现对矿山微震秒级自动定位操作，其对于提高微震事件定位精度、提升微震监测效能具有十分重要的意义。