一种基于时空注意力机制的地震震相到时拾取方法技术

本发明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领域；所要解决的技术问题为：提供一种基于时空注意力机制的地震震相到时拾取方法的改进；解决上述技术问题采用的技术方案为：获取地震信号数据，并对数据的P波、S波到时进行标注；将地震信号数据进行预处理，预处理包括数据增强、数据集分割与谱图映射；使用U

【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震检测上都具有良好的性能，但其对微震震相的拾取效果不够理想。
[0005]鉴于深度卷积神经网络在语义分割、边缘检测和目标识别方面取得了突破性成果，因此，本专利技术提出采用深度学习方法，结合注意力理念，构建震相智能拾取模型，实现地震P波到时的快速识别，同时获得更高的识别率。这对于地震事件识别、地震震源快速定位、地震预警研究以及地壳活动研究具有重要现实意义。

技术实现思路

[0006]本专利技术为了克服现有技术中存在的不足，所要解决的技术问题为：提供一种基于时空注意力机制的地震震相到时拾取方法结构的改进。
[0007]为了解决上述技术问题，本专利技术采用的技术方案为：一种基于时空注意力机制的地震震相到时拾取方法，包括如下步骤：
[0008]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；
[0009]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；
[0010]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；
[0011]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；
[0012]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；
[0013]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；
[0014]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；
[0015]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。
[0016]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；
[0017]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；
[0018]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。
[0019]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；
[0020]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。
[0021]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；
[0022]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；
[0023]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；
[0024]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，该模块最后对三种方式提取到的所有特征进行融合输出。
[0025]所述上采样模块包含卷积层与反卷积层，三个上采样模块卷积层输出的通道数分别为300、200、128，卷积核大小与卷积步长均为1，卷积完成之后进行批量归一化，使用ReLU函数进行激活，最后对所得特征序列进行尺度为2的反卷积，将每个时间步映射为2个时间步，该模块可降低特征序列通道数，并将特征序列逐步还原与输入数据一致的长度。
[0026]所述时空注意力模块的通道注意力权重的计算分为激活、挤压与还原三步，定义输入数据的维度为t*d，其中t为特征序列长度，d为特征序列通道数，具体计算步骤如下；
[0027]激活：激活表示以通道为单位，对其所有时间步使用Softmax函数进行激活，得到
维度为t*d的特征序列；
[0028]挤压：数据激活完成后，对每一通道的所有时间步以全局平均池化的方式进行挤压，得到维度为d*1的通道统计特征；
[0029]还原：将通道统计特征还原为与输入数据维度一致的通道注意力权重矩阵，其大小为t*d。
[0030]所述时间步全连接模块的时间步注意力权重在计算前后需进行通道维度转置，将特征序列转置为d*t的形式，在计算过程中，以时间步为单位，对其所有通道的特征进行激活、挤压与还原，最后将所得时间步统计特征其转置为t*d的形式，其中对特征进行激活、挤压与还原的步骤与时空注意力模块的通道注意力权重的计算步骤激活、挤压与还原相同。
[0031]所述步骤S6中的深层编码特征融合机制以多尺度残差模块与上采样A模块输出的特征序列作为输入，首先对多尺度残差模块输出的特征序列利用尺度为1的卷积层进行特征降维，并进一步提取特征信息，降低计算机资源消耗，而后将所得的特征序列与上采样A模块输出的特征序列以Concat方式进行特征融合。
[0032]所述步骤S7中对识别效果进行评价的指标为平均绝对误差MAE、均方误差MSE与正确率H，计算公式如下：
[0033][0034][00本文档来自技高网...

【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：