一种基于深度学习的非自然地震分类方法技术

本发明专利技术属于人工智能技术领域，具体涉及一种基于深度学习的非自然地震分类方法，包括下列步骤：数据读取；数据分段；数据标注：对不同类型的非自然地震进行标注，供之后网络训练使用；数据降噪：非自然地震往往包含大量的随机噪声，过多的噪声会极大的影响数据质量，导致模型识别效果差，因此需对数据进行降噪处理，提高数据信噪比；数据增强：扩充数据量以避免模型欠拟合导致的分类效果不佳；归一化；识别模型；模型训练。本发明专利技术使用人工智能方法，对非自然地震进行自动智能分类，分类准确率高、速度快，且全过程无需人工参与。本发明专利技术用于非自然地震的分类。然地震的分类。

【技术实现步骤摘要】
一种基于深度学习的非自然地震分类方法


[0001]本专利技术属于人工智能
，具体涉及一种基于深度学习的非自然地震分类方法。

技术介绍

[0002]自然地震与非自然地震的频率差别较大，二者的分辨较为容易，而不同类别的非自然地震之间频率相近，人工直接进行判别困难较大。
[0003]现有技术存在的问题或者缺陷：目前对非自然地震即爆破、塌方等引起的地震动的分类主要依靠人工识别，而人工分类对相关人员专业度要求较高，且人工分类效率低下。

技术实现思路

[0004]针对上述现有的地震分类主要依靠人工识别的技术问题，本专利技术提供了一种效率高、准确率高、速度快的基于深度学习的非自然地震分类方法。
[0005]为了解决上述技术问题，本专利技术采用的技术方案为：
[0006]一种基于深度学习的非自然地震分类方法，包括下列步骤：
[0007]S1、数据读取：原始地震为SEED格式数据，此格式数据无法进行直接使用，故先对原始数据进行格式转换，再对转换后的数据进行处理；
[0008]S2、数据分段：地震仪记录的数据为连续波形数据，此数据长度过长，且包含许多的地震信息，因此需对不同的地震进行截取；
[0009]S3、数据标注：对不同类型的非自然地震进行标注，供之后网络训练使用；
[0010]S4、数据降噪：非自然地震往往包含大量的随机噪声，过多的噪声会极大的影响数据质量，导致模型识别效果差，因此需对数据进行降噪处理，提高数据信噪比；
[0011]S5、数据增强：扩充数据量以避免模型欠拟合导致的分类效果不佳；
[0012]S6、归一化：对于非自然地震的分类只需要对其波形，频率特征进行学习，振幅特征的存在会影响分类效果，同时量级差距较大的数据会影响模型效率，因此对数据进行归一化处理；
[0013]S7、识别模型：模型采用CNN与RNN结合的方式进行，前2层CNN网络用于提取数据特征，缩短时间步，扩充数据维度，RNN层用于对数据时域特征进行分析提取，之后的CNN用于特征的进一步提取与特征降维，全连接层用于对提取到的特征进行分类；
[0014]S8、模型训练：将预处理完成得到的数据输入网络，对网络进行迭代训练，待到模型效果不再提升，保存模型。
[0015]所述S1中数据读取的方法为：将地震仪记录的非自然地震SEED格式数据使用SAC读取并转换为miniSEED格式并保存，然后使用obspy读取miniSEED格式数据，将其转换保存为npy形式。
[0016]所述S2中数据分段的方法为：将包含震相特征的数据以长度为30s的时窗进行截取，数据采样率为100Hz，即每段数据包含3000个时间步。
[0017]所述S3中数据标注的方法为：对分段完成的数据段通过标签进行标注，标注类别包括0
‑
爆破、1
‑
塌方、2
‑
水库地震、3
‑
矿震，所述标签采用One
‑
hot形式。
[0018]所述S4中数据降噪的方法为：非自然地震信号数据中包含有大量的随机噪声，使用[0,10HZ]的带通滤波器对数据进行去噪，然后对数据进行去线性处理。
[0019]所述S5中数据增强的方法为：对非自然地震信号数据进行扩充的方式包括加噪与分段，加噪方式：为数据的每个时间步累加该条数据最大振幅的5％与10％。即s
i
′
＝s
i
+αmax(S)，所述s
i
为第i个时间步的振幅大小，所述α为加噪幅度，取5％与10％，所述S为该条数据所有时间步的振幅大小；
[0020]对数据完成加噪后，对数据进行再次分段，将长度为30s的数据分为长度为10s的小段数据。
[0021]所述S6中归一化的方法为：对数据进行min
‑
max归一化防止模型学习错误特征从而过拟合，并加速模型训练。
[0022]所述S7中还包括：对分类结果使用sigmoid函数进行计算。
[0023]本专利技术与现有技术相比，具有的有益效果是：
[0024]本专利技术先使用带通滤波器对其进行了降噪，之后使用深度学习扩增数据的方式对数据进行了扩充，之后使用融合型深度学习模型对非自然地震进行了分类。本专利技术使用人工智能方法，对非自然地震进行自动智能分类，分类准确率高、速度快，且全过程无需人工参与。
附图说明
[0025]图1为本专利技术的系统流程图；
[0026]图2为本专利技术的深度学习模型示意图。
具体实施方式
[0027]下面将结合本专利技术实施例中的附图，对本专利技术实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本专利技术一部分实施例，而不是全部的实施例。基于本专利技术中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本专利技术保护的范围。
[0028]一种基于深度学习的非自然地震分类方法，如图1所示，包括下列步骤：
[0029]步骤1、数据读取：原始地震为SEED格式数据，此格式数据无法进行直接使用，故先对原始数据进行格式转换，再对转换后的数据进行处理；
[0030]步骤2、数据分段：地震仪记录的数据为连续波形数据，此数据长度过长，且包含许多的地震信息，因此需对不同的地震进行截取；
[0031]步骤3、数据标注：对不同类型的非自然地震进行标注，供之后网络训练使用；
[0032]步骤4、数据降噪：非自然地震往往包含大量的随机噪声，过多的噪声会极大的影响数据质量，导致模型识别效果差，因此需对数据进行降噪处理，提高数据信噪比；
[0033]步骤5、数据增强：扩充数据量以避免模型欠拟合导致的分类效果不佳；
[0034]步骤6、归一化：对于非自然地震的分类只需要对其波形，频率特征进行学习，振幅特征的存在会影响分类效果，同时量级差距较大的数据会影响模型效率，因此对数据进行归一化处理；
[0035]步骤7、如图2所示，识别模型：模型采用CNN与RNN结合的方式进行，前2层CNN网络用于提取数据特征，缩短时间步，扩充数据维度，RNN层用于对数据时域特征进行分析提取，之后的CNN用于特征的进一步提取与特征降维，全连接层用于对提取到的特征进行分类；
[0036]步骤8、模型训练：将预处理完成得到的数据输入网络，对网络进行迭代训练，待到模型效果不再提升，保存模型。
[0037]进一步，步骤1中数据读取的方法为：将地震仪记录的非自然地震SEED格式数据使用SAC读取并转换为miniSEED格式并保存，然后使用obspy读取miniSEED格式数据，将其转换保存为npy形式。
[0038]进一步，步骤2中数据分段的方法为：将包含震相特征的数据以长度为30s的时窗进行截取，数据采样率为100Hz，即每段数据包含3000个时间步。
[0039]进一步，步骤3中数据标注的方法为：对分段完成的数据段通过标本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于深度学习的非自然地震分类方法，其特征在于：包括下列步骤：S1、数据读取：原始地震为SEED格式数据，此格式数据无法进行直接使用，故先对原始数据进行格式转换，再对转换后的数据进行处理；S2、数据分段：地震仪记录的数据为连续波形数据，此数据长度过长，且包含许多的地震信息，因此需对不同的地震进行截取；S3、数据标注：对不同类型的非自然地震进行标注，供之后网络训练使用；S4、数据降噪：非自然地震往往包含大量的随机噪声，过多的噪声会极大的影响数据质量，导致模型识别效果差，因此需对数据进行降噪处理，提高数据信噪比；S5、数据增强：扩充数据量以避免模型欠拟合导致的分类效果不佳；S6、归一化：对于非自然地震的分类只需要对其波形，频率特征进行学习，振幅特征的存在会影响分类效果，同时量级差距较大的数据会影响模型效率，因此对数据进行归一化处理；S7、识别模型：模型采用CNN与RNN结合的方式进行，前2层CNN网络用于提取数据特征，缩短时间步，扩充数据维度，RNN层用于对数据时域特征进行分析提取，之后的CNN用于特征的进一步提取与特征降维，全连接层用于对提取到的特征进行分类；S8、模型训练：将预处理完成得到的数据输入网络，对网络进行迭代训练，待到模型效果不再提升，保存模型。2.根据权利要求1所述的一种基于深度学习的非自然地震分类方法，其特征在于：所述S1中数据读取的方法为：将地震仪记录的非自然地震SEED格式数据使用SAC读取并转换为miniSEED格式并保存，然后使用obspy读取miniSEED格式数据，将其转换保存为npy形式。3.根据权利要求1所述的一种基于深度学习的非自然地震分类方法，其特征在于：所述S2中数据分段的方法为：将包含震相特征的数据以长度为30s的时窗进行截取，数据采样率为100Hz，...

【专利技术属性】
技术研发人员：潘晓光，李宇，刘剑超，王小华，
申请(专利权)人：山西三友和智慧信息技术股份有限公司，
类型：发明
国别省市：