1.一种基于改进模型迁移学习的微震事件识别方法，其特征在于：其步骤为：步骤1)时间序列数据的预处理：把源域和目标域时间序列数据转化为图像，并对目标域进行选取有效时间序列数据操作；

步骤2)CNN特征提取过程：通过卷积层、池化层和全连接层的特征提取，得到每层对应的权重w和偏置值b；

步骤3)LSTM特征提取过程：添加注意力机制评估，使得数据对应权值改变，通过LSTM的输入门、忘记门、内部记忆单元和输出门进行时间序列数据的特征提取；

步骤4)源域特征及时间序列特征迁移：大样本源域特征对卷积层、池化层和第一层全连接层的迁移，图像所对应原始时间序列数据通过LSTM循环神经网络处理后进行第二层全连接层的特征迁移；

4.1)对源域数据的特征迁移学习：源域数据为大地震数据集，目标数据为小微震数据s s t t集，地震领域与矿山微震领域相似；源域数据集定义为(x ,y)，目标数据集定义为(x ,y)，其中x和y分别为数据和相应的标签；用步骤2)方法，得到每层的权重w和偏置b，把得到的特征迁移到第一层全连接层和之前的卷积、池化层，把源域的特征迁移到模型中去；

4.2)对时间序列数据的特征迁移学习：步骤1)中的时间序列数据经过步骤3)的LSTM的特征提取之后，连接一层全连接层，得到相应的特征；此时每个LSTM中的时间序列数据与CNN中的图像数据一一对应，把LSTM中的第一层全连接层的特征迁移到CNN的第二层全连接层，保持节点数目保持不变；通过对时间序列数据的特征迁移学习，综合考虑图像数据和时间序列数据的特征；

步骤5)微震分类器生成与识别：通过数据标签与特征的对应关系，训练模型生成分类器，最终实现微震事件的识别；

5.1)微震分类器生成：分类器的生成主要包括以下过程：

5.1.1)模型的构建：构建微震分类器的模型结构，依次包括输入层、卷积层1、池化层1、卷积层2、池化层2、全连接层123和输出分类层；

5.1.2)参数特征迁移：参数特征迁移包括两个部分的特征迁移：第一个是基于CNN的源域特征迁移，迁移卷积层1、池化层1、卷积层2、池化层2和全连接层1的参数，迁移的是大数据样本地震的特征；第二个是基于LSTM的时序特征迁移，迁移LSTM的全连接层参数到CNN的全连接层2，迁移的是微震时间序列数据的时序特征；

t t

5.1.3)模型的训练：用目标域的微震图像数据集(x ,y)作为训练集，运用前向传播与反向传播算法对模型进行反复训练，固定模型中迁移层的参数，主要训练第三层全连接层的参数；

5.1.4)生成分类器：经过上一步模型的训练之后模型表现出良好的分类能力，那么此时的模型就作为最终的微震事件识别模型，并保存为EQfinder.h5模型；

5.2)微震事件识别：

5.2.1)模型加载：加载训练并测试好的T‑SimCNN的EQfinder.h5模型；

5.2.2)数据初始化：首先将待识别的微震数据图像转化为100*100像素大小的图像，再把图像转化为numpy数组的形式，作为微震事件识别的数据形式；

5.2.3)概率函数设置：把事件和噪声这两种类别的数据概率的值，设置为百分制的格式；

5.2.4)概率输出：对应于概率设置函数的格式，运用predict()函数输出对应微震数据类别的概率；

5.2.5)事件识别：输出概率值较高的波形类别，如果微震事件的概率大于噪声的概率，该波形类别为事件数据，运用微震事件识别模型实现了微震事件的识别。

2.根据权利要求1所述的一种基于改进模型迁移学习的微震事件识别方法，其特征在于：所述的步骤1)中，具体步骤为：

1.1)时间序列数据转化为图像：利用MATLAB对源域和目标域时间序列数据的xyz三分量数值求平均值，画出微震数据图像；

1.2)选取有效时间序列数据：

1.2.1)长短时窗法选取：设定两个时窗，一个较长的叫长时窗，一个较短的叫短时窗，二者合为一个大的滑动窗口，该滑动窗口在时间序列的起始点进行滑动，每次滑动点数K，每次滑动后按照如下公式计算：阈值T＝短时窗内点幅值之和average/长时窗内点幅值之和average，当阈值T大于经验值时，认为长时窗与短时窗接壤的点为P波到时点，该时间序列数据就为有效时间序列数据；

1.2.2)时间序列数据对齐：从原始震源事件文件中读取的原始时间序列记录长度并不一致，需对原始时间序列的长度作对齐操作，对于不足设定长度采样点的时间序列，在原观测时间序列数据前补0，使其整段时间序列长度统一。

3.根据权利要求1所述的一种基于改进模型迁移学习的微震事件识别方法，其特征在于：所述的步骤2)中，具体步骤为：

2.1)卷积层特征提取：在离散的三维彩色原始数据图像空间中，图像和卷积核分别定义为(H,W,C)和(k1,k2,c)的三维张量，其中H、W、C分别表示图像的长度、宽度和通道数，c表示通道数对应卷积核个数；m、n为空间坐标，分别表示第c个图像通道上第m行和第n列的像素点；当一个卷积核在彩色图像I上滑动运算时，多维张量的卷积运算可以表示为：其中Km,n,c表示第c个图像通道坐标为mn的卷积核的值大小，Ii+m,j+n,c表示第c个图像中i+m和j+n所对应的区域大小；

当一个卷积核 在彩色图像上滑动到Im,n位置上，卷积层 的特征图可以表示为：p,q

其中u、v表示图像所滑动的横纵坐标步长，p、q表示卷积核中所对应的横纵坐标，b 为输出特征图所对应的偏置值，σ为ReLU激活函数；

2.2)池化层特征提取：使用最大池化函数 进行池化，p、q、m、n表示所选定池化的区域；

2.3)全连接层特征提取：全连接层中的每个神经元与其前一层的所有神经元进行全连接；全连接层可以整合卷积层和池化层中具有类别区分性的局部信息，并负责对特征进行进一步的降维和提纯；用l表示全连接层的个数，每层有n个神经元，激活后全连接层的计算过程如公式如下：其中σ为激活函数， 表示激活后的全连接层的值， 表示下标为ij的全连接层权重的大小， 表示该层全连接层的值， 表示对应层的偏置值。

4.根据权利要求1所述的一种基于改进模型迁移学习的微震事件识别方法，其特征在于：所述的步骤3)中，具体步骤为：

3.1)注意力机制评估：由微震事件时间序列数据特点得出P波到时之后的特征相对明显，因此引入注意力机制进行权值评估；

3.1.1)运用softmax()函数归一化计算权重的大小，使有用时间序列数据信息权值变大，无用时间序列数据信息权值变小；

3.1.2)计算权值与原始时间序列数据的值得到注意力机制评估后的值，作为LSTM的输入，使有用时间序列数据信息增大；

3.2)LSTM特征提取：LSTM由忘记门、输入门、内部记忆单元和输出门来控制细胞状态，通过这些门控功能来进行信息传递，提取时间序列数据的特征，公式如下：遗忘门ft＝σ(Wf·[ht‑1,xt]+bf)

输入门it＝σ(Wi·[ht‑1,xt]+bi)

内部记忆单元

输出门ot＝σ(Wo·[ht‑1,xt]+bo)

ht＝ot*tanh(Ct)

其中xt为时间序列数据的输入，ht为时间序列数据的输出，W和b分别为权重和偏置值，σ表示sigmoid()激活函数，tanh表示tanh()激活函数；经过LSTM对时间序列数据的处理之后，输入到全连接层。