一种基于深度学习的地震监测方法及装置制造方法及图纸

一种基于深度学习的地震监测方法及装置，所述方法包括步骤：训练神经网络；从连续数据中以预设时间间隔截取地震波形时窗；将所述地震波形时窗输入所述神经网络；所述神经网络输出对应的高斯概率密度分布；判断所述高斯概率密度分布的最大值是否大于预设阈值；若是，判定所述地震波形时窗包含地震事件，并计算震源参数解；若否，判定所述地震波形时窗不包含地震事件。本申请提供的一种基于深度学习的地震监测方法及装置，可以利用单台进行震源参数的估算，因此可以得到泛化的神经网络模型，利用全球数据训练神经网络后，网络模型可以应用到任意地区。

【技术实现步骤摘要】
一种基于深度学习的地震监测方法及装置
本专利技术属于地震监测
，具体涉及一种基于深度学习的地震监测方法及装置。
技术介绍
地震预警和监测系统旨在于破坏性强的地震波到达之前快速地产出震级和位置等参数，并在第一时间给出预警。世界上已建成并投入实际使用的地震预警系统主要有日本的REIS、墨西哥的SAS、中国的VSN和土耳其的IERREWS，另外美国加州的预警系统处于实时测试中。目前,国内对于地震预警系统的研发也处于非常活跃的时期，除了一些核电站、高铁等重点工程的地震预警系统外，投入测试的还有福建省地震局的系统、首都圈地震预警系统、兰州地区地震预警系统等。现有的这些地震预警系统中，主要通过分析触发台站接收到的P波或S波信息来确定地震参数，虽然有效性高，但是决策过程较为复杂，一般需要经过地震数据的预处理、地震的检测和P/S波的拾取等过程。例如，美国加州的ShakeAlert系统主要通过综合Tc-PdOnsite算法、VirtualSeismologist和ElarmS等多个预警算法的结果，最终由一个决策模块向用户发布预警信息。其中Tc-PdOnsi本文档来自技高网...

【技术保护点】
1.一种基于深度学习的地震监测方法，其特征在于，所述方法包括步骤：/n训练神经网络；/n从连续数据中以预设时间间隔截取地震波形时窗；/n将所述地震波形时窗输入所述神经网络；/n所述神经网络输出对应的高斯概率密度分布；/n判断所述高斯概率密度分布的最大值是否大于预设阈值；/n若是，判定所述地震波形时窗包含地震事件，并计算震源参数解；/n若否，判定所述地震波形时窗不包含地震事件。/n

【技术特征摘要】
1.一种基于深度学习的地震监测方法，其特征在于，所述方法包括步骤：
训练神经网络；
从连续数据中以预设时间间隔截取地震波形时窗；
将所述地震波形时窗输入所述神经网络；
所述神经网络输出对应的高斯概率密度分布；
判断所述高斯概率密度分布的最大值是否大于预设阈值；
若是，判定所述地震波形时窗包含地震事件，并计算震源参数解；
若否，判定所述地震波形时窗不包含地震事件。


2.根据权利要求1所述的基于深度学习的地震监测方法，其特征在于，所述训练神经网络包括步骤：
获取全卷积神经网络；
利用所述全卷积神经网络分别输出震中距、方位角、震级以及发震时间；
利用四个损失函数优化所述全卷积神经网络。


3.根据权利要求1所述的基于深度学习的地震监测方法，其特征在于，所述训练神经网络包括步骤：
获取全卷积神经网络；
将震中距、方位角、震级以及发震时间作为所述全卷积神经网络的四个输出通道输出二维矩阵；

【专利技术属性】
技术研发人员：张雄，田宵，陈慧慧，汪明君，
申请(专利权)人：东华理工大学，
类型：发明
国别省市：江西;36