1.基于人工智能的微地震事件实时识别系统，其特征在于：包括波形预处理模块、波形过滤、波形事件触发及到时提取模块、波形事件分类模块、波形特征提取模块、基于神经网络的微地震事事件识别模块以及基于深度神经网络分类器模型的微地震事件识别模块；

波形预处理模块，用于对地表数据服务器实时存储的波形数据进行预处理，将预处理的波形数据作为系统的输入数据；

波形过滤、波形事件触发及到时提取模块；用于对实时监测到的波形数据进行过滤，滤掉低频信号对原始波形信号的干扰，然后，采用STA/LTA算法对实时波形信号是否触发进行判断，一旦实时波形信号发生触发，通过AIC准则对波形信号到时进行拾取，根据波形信号到时的到时信息，选取到时前1s至到时的到时后1s的滤波过后的波形信号，获取的波形用于所述波形特征提取模块进行波形特征提取；

波形事件分类模块；用于人工对采用已经触发的波形信号进行分类，将其分为微地震事件和噪声事件，为用于基于神经网络的微地震事件识别模块训练提供波形数据，并将触发事件分为3类，分别为：微地震事、低噪声事件、高噪声事件；

波形特征提取模块；基于到时前0.5s至到时的到时后0.5s的滤波过后的原始波形信号和振幅取绝对值后的波形信号，提取触发后波形的波形特征，从而为神经网络的训练和实时识别微地震事件提供数据输入；

神经网络分类器模型训练模块；用于构建深度神经网络分类器模型，并对分类器模型进行训练；训练模块用于深度神经网络分类器模型的构建、深度学习中的波形数据增强技术、深度神经网络分类器模型与验证；

基于深度神经网络分类器模型的微地震事件识别模块；对实时监测到的波形是否为微地震事件进行实时检测和判别。

2.根据权利要求1所述的基于人工智能的微地震事件实时识别系统，其特征在于：所述波形预处理主要包括删除实时波形文件中的空行及无用信息、读取采集取波形数据的传感器的坐标信息及名称、读取波形数据的起止时间、采样率及长度；波形预处理还包括波形数据的可视化，将波形数据格式按照Python地震数据处理框架进行标准化。

3.根据权利要求1所述的基于人工智能的微地震事件实时识别系统，其特征在于：波形过滤时的滤波器采用MATLAB滤波器设计工具箱进行设计，滤波器的结构为直接型有限的冲激响应滤波器，滤波器的阶数为50，滤波器的响应方式为高通滤波，即对频率小于10Hz的波形进行过滤，而频率大于10Hz的波形进行保留。

4.根据权利要求1所述的基于人工智能的微地震事件实时识别系统，其特征在于：采用的STA/LTA算法的原理为：用STA/LTA之比来反映信号幅度、频率等特征的变化；当地震信号到达时，STA/LTA值会有一个突变，当其比值大于某一设定阈值时，则判定为有效信号；

STA/LTA算法主要原理是通过特征参数短时平均变化快，用于表示瞬时变化情况，长时平均变化缓慢，则用于表示长时间背景幅值情况，采用短平均和长平均比值可以简单有效计算事件的触发。

2 2

利用公式CF[n]＝Acc[n]+(Acc[n]‑Acc[n‑1]) ，计算当前点的特征参数；

利用滑动平均的方式计算，得到长平均的特征参量、短平均的特征参量，具体公式如下：

然后，利用公式 计算短平均的特征参量与长平均的特征参量的比值，最后

通过设定的SLta的阈值可以判定实时波形是否触发；

其中，CF[n]表示当前点的特征参数，Acc是滤波以后的加速度值，Stai是当前短平均值，Stai‑1是上一个短平均值，Ltai‑1是当前长平均值，Ltai‑1是上一个短平均值,CF[i]是最新一个特征值，Nlta是长平均计算的数据长度，Nsta是短平均计算的数据长度。

5.根据权利要求4所述的基于人工智能的微地震事件实时识别系统，其特征在于：所述的STA/LTA算法采用3个轴向分别判定的方式，对实时波形进行判断，当其中有不少于1个轴的SLta超过阈值，则认为实时波形发生了触发。

6.根据权利要求1所述的基于人工智能的微地震事件实时识别系统，其特征在于：通过AIC准则用于获得更精确的触发点，AIC准则进行震相识别的原理是通过求解背景噪声与信号最佳划分点，所述最佳点与AIC曲线最小值对应，即需要获取的P波到时点，且计算每个点的AIC公式，如下所示：AIC(k)＝k×log{var(x[1,k])}+(L‑k‑1)×log{var(x[k+1,L])}

其中，AIC(k)是计算滑动位置为k对应的AIC结果，L是用于AIC运算缓冲区的总长度，是缓冲区内特征值的平均值，var是某个数据段的一个权重计算。

7.根据权利要求1所述的基于人工智能的微地震事件实时识别系统，其特征在于：所述波形特征提取模块用于提取触发后波形的如下3个方面特征；即原始波形信号的频率特征、振幅取绝对值后的波形信号的震动特征以及波形触发后1s内的振幅取绝对值后的波形信号的增幅变化特征。

8.根据权利要求1所述的基于人工智能的微地震事件实时识别系统，其特征在于：所述深度神经网络分类器含有6层架构，其中，第1层为输入层，输入层的神经元个数为18，第2层至第5层为隐藏层，其中第2层的神经元个数为36，第3层的神经元个数为18，第4层的神经元个数为9，第5层的神经元个数为9，在隐藏层中，每一层的激活函数均采用relu，第6层为输出层，输出层神经元个数为1，且输出层激活函数采用sigmoid，输出层输出的数据在0至1之间，表征被深度神经网络分类器模型认定为微地震事件的概率，当输出层输出的数据小于

0.5即认为输入数据对应的波形为噪声事件，反之则认为输入数据对应的波形为微地震事件；

将上述分类器分类出地震事件的标签贴为1，噪声事件的标签贴为0，并将提取的地震波形和噪声事件的波形特征和标签输入构建的深度神经网络分类器模型进行训练。

9.根据权利要求1所述的基于人工智能的微地震事件实时识别系统，其特征在于：基于深度神经网络分类器模型的微地震事件识别模块在判别时，首先，建立一个长度为1s的动态时间窗口，用于实时动态存储1s中的波形数据，时间窗口在无特需说明的情况下每次向前滑动50个数据点；然后，对这些存储的波形进行实时的波形预处理、波形过滤，判断存储的波形是否发生触发，如果存储的波形没有触发，则时间窗口继续向前滑动1个数据点，如果存储的波形发生触发，对触发的波形进行到时提取、波形特征提取，将提取好的波形特征丢入训练好的深度神经网络分类器模型进行判断，如果判断的结果为微地震事件，则对该事件的波形和到时进行存储，并且在到时后的1s内停止上述计算过程，但时间窗口继续向前滑动。在1s过去后，伴随时间窗口继续向前滑动计算过程重新恢复。

10.一种基于人工智能的微地震事件实时识别方法，其特征在于：利用如权利要求1‑9任一所述的微地震事件实时识别系统进行识别，包括以下步骤：首先对波形进行预处理；然后对波形过滤、对波形事件触发及到时进行提取，同时对触发的波形信号进行分类，之后对触发的原始波形进行特征提取，通过提取的波形特征数据构建深度神经网络分类器模型，最终基于构建的所述分类器模型判断实时监测到的波形，判断触发事件种类。