公路隧道岩爆防控双模态微震信号分类、全卷积编解码器网络微震信号智能降噪、到时拾取、坐标求解、EMS方法.pdfVIP

A

附录双模态微震信号分类方法

A.0.1数据库建立方法步骤如下：

1将采集的信号进行人工分类，并将微破裂信号与各自噪音信号进行单独存储，建立微

震信号数据库。

2保存的原始信号都为时域信号，需要进行时频转换得到频域信号。转换公式采用ST

变换，公式如下：

−2222

−12

(，)=∑=0(+)（j，k，m，n=0，1，2…N-1）(n≠0)（A.0.1）

其中X表示时域信号，N表示采样点个数。原始时域信号的数据结构为（30000，1），

即由30000个采样数字，这里设置ST转换频率间隔为1250HZ，经过转换后的频域信号数

据结构变为（30000，8）。至此，便可得到单个信号的时域和频域两个模态下的数字表征。

3将微破裂信号与噪音信号采用二分类独热编码标记，[1，0]表示微破裂信号，[0，1]表

示噪音信号。之后将数据集混合，并使用同一套随机密码子序列对数据集进行顺序打乱。

A.0.2双模态神经网络模型搭建，网络结构采用两个分支（时域分支和频域分支）加一

个由三层全连接层组成的分类器构成；每个分支有五个卷积层和五个注意力机制层，每层卷

积后面设置一层注意力机制层，特征图每经过一层卷积特征提取后，送入注意力机制层进行

特征权重优化，对重要特征进行凸显化；时域分支采用空间注意力机制（SpatialAttention，

SA），频域分支采用通道注意力机制（ChannelAttention，RCA）。

图A.0.2-1通道注意力机制

图A.0.2-2空间注意力机制

图A.0.2-3双模态微震信号分类模型

A.0.3在模型训练中设置epoch300，batchsize32；随机划分80%数据集样本用作训练

集，剩余20%用作验证集；学习率设置为0.001，并使用Adam优化器进行学习率衰减；交

叉熵损失函数使预测误差最小化，使模型收敛，并保存最优模型。

B

附录基于全卷积编解码器网络的微震信号智能降噪方法

B.0.1数据集建立步骤：

1收集足够多的高信噪比微破裂信号和全通道噪音波形，通过叠加生成仿真信号。公式

如下：

(，)=(，)+(，)（B.0.1-1）

其中，(，)表示含噪信号，(，)表示干净的微破裂信号，(，)表示纯噪音，

，分别表示采样点和采样频率。

2将合成的信号进行短时傅里叶变换，得到信号的时频域表征态，转换过后的信号数据

结构变为（129，236，2）。短时傅里叶变换公式如下：

+∞−ⅈ

()()

(，)=∫ℎ−ⅆ（B.0.1-2）

−∞

()()

其中，表示时域信号，ℎ−为窗函数，=2。

3以合成的(，)含噪信号经过短时傅里叶变换后作为样本（输入），(，)与

(，)经过转换后作为标签（输出）。

B.0.2构建基于全卷积编解码器网络的微震信号降噪模型，降噪模型进行的处理就是将

(，)含噪信号在经过神经网络处理后输出(，)干净的微破裂信号。降噪模型如图，

信号输入模型后，经过卷积向下采样进行特征提取，之后采用卷积向上采样进行特征图维度

恢复。