期刊文献+
任意字段
题名或关键词
题名
关键词
文摘
作者
第一作者
机构
刊名
分类号
参考文献
作者简介
基金资助
栏目信息
共找到5篇文章
< 1 >
每页显示 20 50 100
已选择0条
导出题录 引用分析
参考文献
引证文献
 统计分析
检索结果
已选文献
显示方式：
基于变分模态分解和粒子群算法的微震信号降噪方法 被引量：8
1
作者 邓红卫 申一鹏 《矿冶工程》 CAS CSCD 北大核心 2021年第1期7-10,15,共5页
为从含噪微震信号中提取有效信息,并准确识别岩体破裂信号和爆破振动信号,提出了基于粒子群算法和小波阈值去噪的改进变分模态分解方法。该方法利用粒子群算法实现模态数量和惩罚因子的最优取值,以最优参数对微震信号进行变分模态分解,... 为从含噪微震信号中提取有效信息,并准确识别岩体破裂信号和爆破振动信号,提出了基于粒子群算法和小波阈值去噪的改进变分模态分解方法。该方法利用粒子群算法实现模态数量和惩罚因子的最优取值,以最优参数对微震信号进行变分模态分解,再对由高频噪声主导的模态分量进行小波阈值去噪,将去噪后的高频信号分量与原先的低频信号分量进行重构,实现信号降噪。经验证,该方法相比集合经验模态分解和单纯的变分模态分解方法具有更好的降噪效果。以该方法对200组岩体破裂信号和200组爆破振动信号进行去噪,以第一模态分量能量占比50%作为区分爆破振动信号和岩体破裂信号的依据,识别成功率达到97.25%,证实了此识别方法的准确性。 展开更多
关键词 爆破振动信号 岩体破裂信号 变分模态分解 粒子群算法 小波阈值 去噪 微震信号识别 降噪
下载PDF
基于梅尔倒谱系数的矿山复杂微震信号自动识别分类方法 被引量：8
2
作者 何正祥 彭平安 廖智勤 《中国安全生产科学技术》 CAS CSCD 北大核心 2018年第12期41-47,共7页
为了实现矿山复杂微震信号的自动高效识别与分类,保证后续微震分析的时效性和准确性,运用梅尔倒谱系数法,将原始的4种微震信号(岩体破裂、爆破振动、电磁干扰和钻机凿岩)转化为梅尔标度上的非线性频谱,再转换到倒谱域上,结合其在时域上... 为了实现矿山复杂微震信号的自动高效识别与分类,保证后续微震分析的时效性和准确性,运用梅尔倒谱系数法,将原始的4种微震信号(岩体破裂、爆破振动、电磁干扰和钻机凿岩)转化为梅尔标度上的非线性频谱,再转换到倒谱域上,结合其在时域上的差分得到1组24维的特征参数向量,利用这些特征参数向量训练构建各类事件对应的混合高斯隐马尔可夫识别模型,进而实现对微震信号的自动识别分类。研究结果表明:运用基于梅尔倒谱系数的微震信号识别分类方法对矿山实际微震数据进行测试,微震事件的识别分类准确率达到92. 46%,具有较高的准确性,为实现微震监测系统的实时性分析提供了技术支持。 展开更多
关键词 微震信号 梅尔倒谱系数 混合高斯 隐马尔科夫 识别分类
下载PDF
基于深度学习方法的矿山微震信号分类识别研究 被引量：5
3
作者 赵洪宝 刘瑞 +2 位作者 刘一洪 张一潇 顾涛 《矿业科学学报》 CSCD 2022年第2期166-174,共9页
为了精准识别矿山微震信号,本文提出了一种适用于识别矿山微震信号的VGG4-CNN深度学习网络模型,该模型采用Python语言进行编写,基于PyTorch深度学习网络架构框架进行搭建。根据矿山生产过程中的岩石破裂、爆破作业、背景噪声等9类事件... 为了精准识别矿山微震信号,本文提出了一种适用于识别矿山微震信号的VGG4-CNN深度学习网络模型,该模型采用Python语言进行编写,基于PyTorch深度学习网络架构框架进行搭建。根据矿山生产过程中的岩石破裂、爆破作业、背景噪声等9类事件的微震信号的时域特征,VGG4-CNN深度学习网络模型实现了对3835组矿山微震信号数据进行监督学习训练和分类识别应用。研究结果表明:本文构建的VGG4-CNN神经网络识别精度高达94%,在采用该模型时不需要对原有波形信号进行去噪且鲁棒性强于现存其他模型,可在中等层次GPU上实现,满足工程需要。 展开更多
关键词 微震信号 识别技术 深度学习 时域分析
下载PDF
有效微震信号自动识别技术研究 被引量：3
4
作者 刘晓明 赵君杰 +2 位作者 彭平安 毕林 代碧波 《黄金科学技术》 CSCD 2017年第3期84-91,共8页
拾取微地震信号到时对事件定位研究至关重要,传统方法直接拾取所有采集信号到时后,再通过人工手动判别出微地震事件,工作量大且效率低。针对这一问题,提出了一种自动识别有效微震信号方法——能量极值法(Energy Extreme Value,EEV)。通... 拾取微地震信号到时对事件定位研究至关重要,传统方法直接拾取所有采集信号到时后,再通过人工手动判别出微地震事件,工作量大且效率低。针对这一问题,提出了一种自动识别有效微震信号方法——能量极值法(Energy Extreme Value,EEV)。通过移动时窗计算信号能量比Ratio变化曲线,分析不同信号的区别,提出在Ratio变化曲线上寻找与右侧点之间的偏差大于临界值Diff的特征极值点作为判别条件,研究分析了该方法的主要影响因素为移动时窗长度M和临界值Diff,并优化确定了最佳参数。采用MATLAB对冬瓜山铜矿采集的实际信号数据进行分析处理,结果表明:该算法能够精确识别噪声和微地震信号,与人工手动判别结果对比,准确率达96%以上,极大地缩短了数据处理时间,提高了工作效率,对微震信号处理具有重要的指导意义。 展开更多
关键词 微地震 微震信号识别 微震监测系统 能量极值法 MATLAB
下载PDF
基于深度学习的光纤微震信号分类识别的研究
5
作者 金姝 罗家童 +3 位作者 高雅 俞本立 张书金 甄胜来 《电子测量与仪器学报》 CSCD 北大核心 2024年第6期135-142,共8页
微震监测技术可实时、精确给出岩体破裂或失稳的空间位置,已成为煤与瓦斯突出、隧道岩爆等灾害预警的重要手段之一。针对地下工程中环境复杂,信号微弱难以有效辨别的问题,提出了一种将卷积神经网络与Transformer结合(T_CNN)的微震信号... 微震监测技术可实时、精确给出岩体破裂或失稳的空间位置,已成为煤与瓦斯突出、隧道岩爆等灾害预警的重要手段之一。针对地下工程中环境复杂,信号微弱难以有效辨别的问题,提出了一种将卷积神经网络与Transformer结合(T_CNN)的微震信号识别方法。利用光纤加速度传感器采集西部某隧道工程中的6种信号,将信号经过带通滤波降噪和傅里叶变换后输入模型进行训练和验证。利用模型中的卷积神经网络进行特征提取,基于Transformer对重点信息进行聚焦,通过多层感知机得出最终多分类结果。结果表明,基于T_CNN模型分类准确率达到98.09%,且收敛速度更快。相较于目前先进的残差神经网络来说,其准确率提高了6.2%,精确率、召回率、F1分数分别提高了0.036、0.023和0.033,证实了该算法在实际工程应用中的优越性。此外,将光纤微震信号经过特征变换后输入到模型中,光纤微震信号的能量也能得到较为准确的估算,进一步验证了该模型具有良好的应用前景。 展开更多
关键词 光纤微震信号 卷积神经网络 注意力机制 分类识别 能量估算
下载PDF
已选择0条
导出题录 引用分析
参考文献
引证文献
 统计分析
检索结果
已选文献
上一页 1 下一页 到第 页
使用帮助 返回顶部