【技术实现步骤摘要】
一种基于时空注意力机制的地震震相到时拾取方法
[0001]本专利技术一种基于时空注意力机制的地震震相到时拾取方法,属于地震信号处理和人工智能
技术介绍
[0002]地震诱发机制是地震学研究的关键内容,其可为地震灾害预警研究建立理论基础。大地震之后往往伴随着频度较高的余震,这些余震震级大多较为微弱,容易漏检,如果能够准确地识别这些微弱的地震信号,自动的拾取其震相信息,将对完善地震目录、地震预警、全面分析地震活动性以及监测地震破裂区域的震后形变等具有重要意义,但微震震相特征微弱,混合于环境噪声中极难分辨,对其震相的拾取一直是地震灾害预警研究的热点与难点问题。
[0003]国内外对于地震震相的识别发展了如STA/LTA方法、AIC方法、模板匹配法等多种传统算法,这些方法对地震震相拾取技术的研究及其重要,但由于地震信号数据信噪比低、特征弱且标注数据少,随着研究的不断深入,传统算法计算量过大、需人工设定阈值、依赖信噪比及检测区间等缺陷逐渐显现,无法满足实际需求。
[0004]随着地震仪在全球范围的大规模部署,人类已经进入地震大数据时代。如何处理地震网络每天收集的海量数据,特别是从质量参差不齐的连续波形记录中识别地震信号是非常棘手的问题。人工智能领域的研究工作近年来取得飞速的发展,深度学习作为人工智能技术的重要分支,具有拟合效果更好、可表征参数特征更多及无需人工选取特征参数等优点,在众多领域逐渐超越传统方法,得到极为广泛的研究和应用。深度学习在地震信号拾取领域也得到了一定的应用,这些地震事件检测算法在强 ...
【技术保护点】
【技术特征摘要】
1.一种基于时空注意力机制的地震震相到时拾取方法,其特征在于:包括如下步骤:步骤S1:构建数据集:对地震信号连续波形数据的P波和S波到时进行标注,得到地震信号数据集;步骤S2:对地震信号的到时标注数据进行预处理,所述预处理包括数据分割、数据滤波与数据增强处理;步骤S3:按照预设比例将地震信号数据集分为训练集、验证集与测试集;步骤S4:构建U
‑
Net神经网络,代入训练集与验证集进行模型训练与验证,得到训练好的较优模型;步骤S5:将时空注意力机制引入较优模型的特征提取过程中,完成注意力机制的融合;步骤S6:使用深层编码特征融合机制,对编解码特征进行融合,完成融合U
‑
Net神经网络模型的构建;步骤S7:利用测试集对融合模型进行评估,结合评估指标对模型结构及参数进行调整,得到通过测试的微震震相拾取模型;步骤S8:将待识别地震信号数据输入步骤S7的微震震相拾取模型,得到地震震相到时拾取标注结果。2.根据权利要求1所述的一种基于时空注意力机制的地震震相到时拾取方法,其特征在于:所述步骤S2中的数据预处理的数据分割具体步骤为:将地震三分量连续原始波形分割为时间窗口长度设定的片段;所述步骤S2中的数据预处理的数据滤波具体步骤为:对波形数据进行带通滤波处理;所述步骤S2中的数据预处理的数据增强具体步骤为:对波形数据进行平移与加噪声。3.根据权利要求1所述的一种基于时空注意力机制的地震震相到时拾取方法,其特征在于:所述步骤S6中的融合U
‑
Net神经网络模型包括编码器和解码器,所述编码器包括初始卷积模块、多模态特征提取模块、多尺度残差模块与多尺度特征提取模块;所述解码器包括3个上采样模块、1个注意力模块和1个时间步全连接模块,按照其在网络中的分布顺序分别为:上采样A模块、时空注意力模块、上采样B模块、上采样C模块、时间步全连接模块。4.根据权利要求3所述的一种基于时空注意力机制的地震震相到时拾取方法,其特征在于:所述初始卷积模块包含3层卷积,卷积层的卷积核大小均为3,其中首次卷积步长为2,之后两次卷积步长为1,该模块用于对输入数据进行初步特征提取;所述多模态特征提取模块对输入特征分别进行池化与卷积处理,对输入的特征分别进行运算尺度为3、步长为2的最大池化与卷积,而后将池化与卷积得到的特征以Concate方式进行结合输出;所述多尺度残差模块使用融合Inception结构的残差网络对特征进行进一步的多尺度提取;所述多尺度特征提取模并行使用了3种特征提取方式,分别为尺度为3的最大池化、尺度为3的卷积、尺度为3的串行卷积,该模块最后...
【专利技术属性】
技术研发人员:李钢,张玲,李宇,张海轩,贺艺斌,季倪宏,
申请(专利权)人:太原理工大学,
类型:发明
国别省市:
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。