一种识别异常地震信号的方法技术

本发明专利技术提供一种识别异常地震信号的方法，包括：S1，选取模板信号；S2，对模板信号进行匹配滤波处理，获取多个相似信号；S3，利用神经网络从地震记录中获取地震信号；S4，对模板信号、相似信号、地震信号进行降维处理，得到降维数据；S5，对降维数据进行聚类处理，确定降维数据的决策边界，将边界内的地震信号识别为与模板信号相似的异常地震信号。本发明专利技术提供的方法通过结合匹配滤波算法、神经网络和数据挖掘技术，能够从连续的地震波形记录中寻找相似的地震信号。震信号。震信号。

【技术实现步骤摘要】
一种识别异常地震信号的方法


[0001]本专利技术涉及地震信号识别领域，具体涉及一种利用传统匹配滤波结合人工智能神经网络和计算机大数据挖掘算法识别异常地震信号的方法。

技术介绍

[0002]地震是由于地球内部某个局部区域的介质构造突变而产生的，包括自然地震和人工地震。地震的发生是一种地球内部能量释放的过程。能量的释放是以地震波的形式传播和扩散的。从地震记录中获取各类不同的地震信号，对我们研究地震活动和认识地球内部构造有着重要意义。这些信号包括震前的前兆信号，震后的余震信号，人工爆炸信号，坍塌信号等，每一种信号的数字记录显示不同的特征，因而有可能识别。
[0003]在时间序列中检测与一个已知信号相似的信号，一个有效方法是对波形模板与输入数据的连续时间段进行互相关处理。在连续数据流中与模板信号高度相似的时间段将会得到很高相关函数的值，这样的过程称为匹配滤波器或匹配信号检测器(例如，参见van Trees 1968)。Anstey(1966)在论文中证明了通过波形相关检测掩埋在噪声中的合成信号，该论文对信号相关在勘探地球物理学和其他领域的早期应用提供了非常全面的文献综述。应用匹配滤波器检测相似信号是一个有效方法，但对相似性要求比较高，实际数据中，从地震记录中获取与某一特定信号严格相似限制了可寻找的信号范围，实际问题中也往往需要寻找具有部分相似特征、且有一定变异的信号，如地震前兆作为一类特殊的信号可能存在共同特征，也有不同的特征。传统异常地震信号获取的方法是通过对某一特定信号进行波形匹配得到相关的地震信号作为相似信号，该方法需要设置相关系数的阈值，而且仅得到波形相似的信号。随着地震仪器精度的提高和计算机技术的发展，在地震记录中很多小震信号被人们记录检测到。人们需要一种方法可以高效全面的从连续的地震记录中挑选出与模板信号不同程度有关的地震信号。
[0004]人工智能卷积神经网络是一类包含卷积计算且具有深度结构的前馈神经网络，是深度学习的代表算法之一。卷积神经网络具有表征学习能力，能够按其阶层结构对输入信息进行平移不变分类。随着深度学习理论的提出和数值计算设备的改进，卷积神经网络得到了快速发展，并被应用于计算机视觉、自然语言处理等领域。数据挖掘是指从大量的数据中自动搜索隐藏于其中的有着特殊关系性的信息的过程。聚类分析指将物理或抽象对象的集合分组为由类似的对象组成的多个类的分析过程。聚类分析是数据挖掘的主要任务之一。聚类是搜索簇的无监督学习过程，与分类不同，无监督学习不依赖预先定义的类或带类标记的训练实例，需要由聚类学习算法自动确定标记，而分类学习的实例或数据对象有类别标记。降维是指采用某种映射方法，将原高维空间中的数据点映射到低维度的空间中。通过降维算法来减少冗余信息所造成的误差，提高识别(或其他应用)的精度，而且可以寻找数据内部的本质结构特征。
[0005]这里我们提出一种异常地震信号检测方法。我们利用传统匹配滤波方法得到的信号作为模板信号，利用卷积神经网络实现地震信号与噪音的区分，利用降维和聚类的方法
从地震信号中分离出与具有某一特征的地震信号。该方法可以适用于震前前兆信号，也可以用于震后的余震信号，或爆炸信号，坍塌信号等各种异常地震信号。

技术实现思路

[0006](一)要解决的技术问题
[0007]针对上述问题，本专利技术提供了一种识别异常地震信号的方法，用于至少部分解决从连续的地震记录中挑选出与模板信号不同程度有关的地震信号等技术问题。
[0008](二)技术方案
[0009]本专利技术一方面提供了一种识别异常地震信号的方法，包括：S1，选取模板信号；S2，对模板信号进行匹配滤波处理，获取多个相似信号；S3，利用神经网络从地震记录中获取地震信号；S4，对模板信号、相似信号、地震信号进行降维处理，得到降维数据；S5，对降维数据进行聚类处理，确定降维数据的决策边界，将边界内的地震信号识别为与模板信号相似的异常地震信号。
[0010]进一步地，S2中获取多个相似信号的事件的相关系数计算公式如下：
[0011][0012]其中，NCC为相关系数，T为参考震相的时间窗口，震源项是辐射方向F与震源时间函数S(t)的乘积，F1、S1为其中一个事件的辐射方向和震源时间函数，F2、S2为另一个事件的辐射方向和震源时间函数，t0为当前计算的时刻；τ为时间变量，取值范围为(-T，T)。
[0013]进一步地，S3中利用神经网络从连续地震记录中获得地震信号具体包括：S31，通过全卷积神经网络提取信号包络线，同时压制信号前的噪音信号；S32，通过卷积神经网络对信号包络线进行分类，区分噪音信号与地震信号。
[0014]进一步地，S31具体包括：S311，输入地震台记录的一段波形数据，波形数据包括地震波形数据和背景噪音数据；S312，利用数据稀疏和高斯光滑算法，计算波形数据对应的包络线，作为预先建立的全卷积神经网络的标签；通过训练学习和全卷积神经网络处理获得波形数据与其对应包络线的非线性关系，提取新的波形数据包络线。
[0015]进一步地，S312中获取波形数据对应的包络线的计算公式如下，E为信号包络线，D(t)为时间序列数据，t
p
为纵波到时，s(
·
)为高斯光滑函数。
[0016][0017]进一步地，S32具体包括：S321，输入一段波形数据对应的包络线，包络线包括地震波形数据的包络线和背景噪音数据的包络线；S322，设置噪音包络线对应的标签为0，地震信号包络线对应的标签为1，作为预先建立的卷积神经网络的标签；通过训练学习和卷积神经网络处理区分输入的是噪音包络线还是地震信号包络线，从而区分地震信号与噪音信号。
[0018]进一步地，卷积神经网络包括卷积过程和全连接过程，卷积过程由7组网络层构成，全连接过程由5个全连接过程实现，最后一层网络采用激活函数Softmax，公式如下，用
于将一个含任意实数的K维向量z压缩到另一个K维实向量σ(z)中，Z
j
为该K维向量第j维的值，Z
k
为K维向量第k维的值，k的取值范围维(1，K)。
[0019][0020]进一步地，S4中降维处理包括利用T分布随机近邻嵌入非线性降维算法，T分布随机近邻嵌入通过将数据点间的欧几里德距离转化为条件概率而表征相似性，公式如下：
[0021][0022]其中，P
j/i
表示相似性，x
i
为第i个数据点，x
j
为第j个数据点，x
k
为第k个数据点，k的取值范围(1，N)但不包括第i个数据点，σ
i
是以数据点x
i
为均值的高斯分布标准差。
[0023]进一步地，识别异常地震信号的方法还包括矩阵Y，Y是N*2阶矩阵，是数据集X的2维表征，对于高维数据点x
i
和x
j
在低维空间中的映射点y
i
和y
j
，计算相似的条件概率本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种识别异常地震信号的方法，包括：S1，选取模板信号；S2，对所述模板信号进行匹配滤波处理，获取多个相似信号；S3，利用神经网络从地震记录中获取地震信号；S4，对所述模板信号、相似信号、地震信号进行降维处理，得到降维数据；S5，对降维数据进行聚类处理，确定所述降维数据的决策边界，将边界内的所述地震信号识别为与所述模板信号相似的异常地震信号。2.根据权利要求1所述的识别异常地震信号的方法，其特征在于，所述S2中获取多个相似信号的事件的相关系数计算公式如下：其中，NCC为相关系数，T为参考震相的时间窗口，震源项是辐射方向F与震源时间函数S(t)的乘积，F1、S1为其中一个事件的辐射方向和震源时间函数，F2、S2为另一个事件的辐射方向和震源时间函数，t0为当前计算的时刻；τ为时间变量，取值范围为(-T，T)。3.根据权利要求1所述的识别异常地震信号的方法，其特征在于，所述S3中利用神经网络从连续地震记录中获得地震信号具体包括：S31，通过全卷积神经网络提取信号包络线，同时压制信号前的噪音信号；S32，通过卷积神经网络对信号包络线进行分类，区分噪音信号与地震信号。4.根据权利要求3所述的识别异常地震信号的方法，其特征在于，所述S31具体包括：S311，输入地震台记录的一段波形数据，波形数据包括地震波形数据和背景噪音数据；S312，利用数据稀疏和高斯光滑算法，计算波形数据对应的包络线，作为预先建立的全卷积神经网络的标签；通过训练学习和全卷积神经网络处理获得波形数据与其对应包络线的非线性关系，提取新的波形数据包络线。5.根据权利要求4所述的识别异常地震信号的方法，其特征在于，所述S312中获取波形数据对应的包络线的计算公式如下，E为信号包络线，D(t)为时间序列数据，t
p
为纵波到时，s(
·
)为高斯光滑函数。6.根据权利要求3所述的识别异常地震信号的方法，其特征在于，所述S32具体包括：S321，输入一段波形数据对应的包络线，包络线包括地震波形数据的包络线和背景噪音数据的包络线；S322，设置噪音包络线对应的标签为0，地震信号包络线对应的标签为1，作为预先建立的卷积神经网络的标签；通过训练学习和卷积神经网络处理区分输入的是噪音包络线还是地震信号包络线，从而区分地震信号与噪音信号。7.根据权利要求3所述的识别异常地震信号的方法，其特征在于，所述卷积神经网络包括卷积过程和全连接过程，所述卷积过程由7组网络层构成，所述全连接过程由5个全连接过程实现，最后一层网络采用激活函数Softmax，公式如下，用于将一个含任意实数的K维向量z压缩到另一个K维实向量σ(z)中，Z
j
为该K维向量第j维的值，Z
k
为K维向量第k维的值，k的
取值范围维(1，K)。8.根据权利要求1所述的识别异常地震信号的方法，其特征在于，所述S4中降维处理包括...

【专利技术属性】
技术研发人员：张捷，张基，
申请(专利权)人：中国科学技术大学，
类型：发明
国别省市：