一种基于特征波形的地震震级估算方法和装置制造方法及图纸

本申请提供一种基于特征波形的地震震级估算方法、装置、电子设备及存储介质。该基于特征波形的地震震级估算方法包括：获取地震的特征波形数据；使用神经网络模型中的特征提取模块对特征波形数据进行特征提取，得到第一特征数据；使用神经网络中的序列学习模块对第一特征数据进行特征序列学习，得到第二特征数据；使用神经网络的输出模块对第二特征数据进行特征融合，得到地震的震级。在上述实现过程中，通过深度学习模型对特征波形数据进行特征提取并学习，从而可以准确地估算得到地震震级，提高了地震震级估算的准确性。提高了地震震级估算的准确性。提高了地震震级估算的准确性。

【技术实现步骤摘要】
一种基于特征波形的地震震级估算方法和装置


[0001]本申请涉及地震估算
，具体涉及一种基于特征波形的地震震级估算方法、装置、电子设备及存储介质。

技术介绍

[0002]地震预警是利用地震发生后的地震波初期P波信号对地震大小以及地震造成破坏进行估计，并在破坏性地震波未到达之前，向目标场地发布预警信息。震级估算是区域地震预警系统的重要组成部分，地震预警信息的发布以及地震破坏区域的估计都依赖准确、快速的震级估算，因此提高震级估算快速性、准确性是地震预警系统亟待解决的关键科学技术问题之一。
[0003]现有估算地震震级的方法是利用P波到达后数秒的波形数据计算得到的单个特征参数对震级进行推算，由于只用到了地震波初期的单一特征，从而导致地震震级估算误差较大；此外，现有的机器学习估算地震震级的方法利用原始地震波形对地震震级进行推算，由于原始地震波形不能直接反映地震动的幅值、频谱和能量特征等地震特征，将导致地震震级估算误差较大。

技术实现思路

[0004]本申请实施例的目的在于提供一种基于特征波形的地震震级估算方法、装置、电子设备及存储介质，以解决上述地震震级估算误差较大的技术问题。
[0005]第一方面，本申请实施例提供了一种基于特征波形的地震震级估算方法，方法包括：获取地震的特征波形数据；使用神经网络模型中的特征提取模块对特征波形数据进行特征提取，得到第一特征数据；使用神经网络中的序列学习模块对第一特征数据进行特征序列学习，得到第二特征数据；使用神经网络的输出模块对第二特征数据进行特征融合，得到地震的震级。在上述实现过程中，通过深度学习模型对特征波形数据进行特征提取并学习，从而得到地震震级，提高了地震震级估算的准确性。
[0006]可选地，在本申请实施例中，特征波形数据包括：幅值类特征波形数据、周期类特征波形数据和能量类特征波形数据，以及加速度波形、速度波形和位移波形；其中，幅值类特征波形数据，包括：幅值类特征波形的峰值位移P
d
、峰值速度P
v
和峰值加速度P
a
；周期类特征波形数据，包括：周期类特征波形的平均周期τ
c
、构造参数TP、峰值比T
va
和瞬时频率ω(n)；能量类特征波形数据，包括：能量类特征波形的累积能量变化率PI
v
、速度平方积分IV2、累积绝对速度CVA、累积竖向绝对位移cvad、累积竖向绝对速度cvav、累积竖向绝对加速度cvaa。在上述实现过程中，首先幅值类特征波形数据、周期类特征波形数据和能量类特征波形数据可以直接反映地震动的幅值、频谱和能量特征，而这些特征对地震震级的估算有着重要的意义，因此通过神经网络模型对上述特征波形数据的学习可以提高地震震级估算的准确性。其次上述波形更加具有可解释性，从而使得神经网络也更具有可解释性。可解释性，即让神经网络具有清晰的符号化的内部知识表达，去匹配人类自身的知识框架，从而
人们可以在语义层面对神经网络进行诊断和修改。本申请提供的技术方案创新性是结合神经网络将这些可解释性的特征波形应用至对地震震级的具体估算中，与现有技术通过经验计算，或经验进行选择不同。因此，本申请提供的对地震进行预测的技术方案和相关算法具有可重复性、通用性以及后期的易维护性和可升级性，这是现有技术中的其他技术方案所无法企及的。
[0007]可选地，在本申请实施例中，特征提取模块包括：一级特征提取单元和二级特征提取单元，其中，每一个特征提取单元包括：卷积层、批量归一化层和最大池化层；使用神经网络模型中的特征提取模块对特征波形数据进行特征提取，得到第一特征数据，包括：使用一级特征提取单元对特征波形数据进行特征提取，得到第一子特征数据；以及使用二级特征提取单元对第一子特征数据进行特征提取，得到第一特征数据。在上述实现过程中，通过一级特征单元和二级特征单元对特征波形数据的特征进行提取，经过特征提取可以获取特征波形数据中的细节特征，增加地震震级估算的准确性。
[0008]可选地，在本申请实施例中，序列学习模块包括第一双向门控单元层、第二双向门控单元层和注意力机制层；其中，每个双向门控单元层包括多个双向门控单元，使用神经网络中的序列学习模块对第一特征数据进行特征序列学习，得到第二特征数据，包括：使用第一双向门控单元层中的多个双向门控单元对第一特征数据进行特征序列学习，得到第一特征学习数据；使用第二双向门控单元层中的多个双向门控单元对第一特征学习数据进行特征序列学习，得到第二特征学习数据；使用注意力机制层对第二特征学习数据进行权重计算，得到第二特征数据。在上述实现过程中，序列学习模块中的双向门控单元层可以从卷积层提取的时间序列特征中学习动态特征关系，进行更深层次的特征序列学习。同时，序列学习模块中还使用了注意力机制层，可以有效提高循环神经网络对于时间序列特征挖掘的效率，且注意力机制层中配置的权重优化网络，可以提高对循环层提取的高相关性特征的关注。
[0009]可选地，在本申请实施例中，输出模块包括：flatten层、dropout层和全连接子模块；使用神经网络的输出模块对第二特征数据进行特征融合，得到地震的震级，包括：使用flatten层对第二特征数据进行一维化处理，得到一维化数据；使用dropout层对一维化数据进行随机挑选处理，得到随机挑选后的数据；使用全连接子模块对dropout层随机挑选后的数据进行全连接处理，得到地震的震级。
[0010]可选地，在本申请实施例中，全连接子模块包括：线性全连接层和多个非线性全连接层；其中多个非线性全连接层的神经元数目不同，线性全连接层包括一个神经元；使用全连接子模块对dropout层随机挑选后的数据进行全连接处理，得到地震的震级，包括：使用多个非线性全连接层的非线性激活函数对dropout层随机挑选后的数据进行非线性处理，得到非线性数据；使用线性全连接层的线性激活函数对非线性数据进行线性处理，得到地震的震级。
[0011]可选地，在本申请实施例中，获取地震的特征波形数据，包括：采集地震的三分向加速度波形记录；特征波形数据根据三分向加速度波形记录计算得到。
[0012]第二方面，本申请实施例还提供了一种基于特征波形的地震震级估算装置，包括：数据获取模块，用于获取地震的特征波形数据；数据特征提取模块，用于使用神经网络模型中的特征提取模块对特征波形数据进行特征提取，得到第一特征数据；数据序列学习模块，
用于使用神经网络中的序列学习模块对第一特征数据进行特征序列学习，得到第二特征数据；数据输出模块，用于使用神经网络的输出模块对第二特征数据进行特征融合，得到地震的震级。
[0013]可选地，在本申请实施例中，数据获取模块，具体用于获取幅值类特征波形数据、周期类特征波形数据和能量类特征波形数据，以及加速度波形、速度波形和位移波形；其中，幅值类特征波形数据，包括：幅值类特征波形的峰值位移P
d
、峰值速度P
v
和峰值加速度P
a
；周期类特征波形数本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于特征波形的地震震级估算方法，其特征在于，所述方法包括：获取地震的特征波形数据；使用神经网络模型中的特征提取模块对所述特征波形数据进行特征提取，得到第一特征数据；使用所述神经网络中的序列学习模块对所述第一特征数据进行特征序列学习，得到第二特征数据；以及使用所述神经网络的输出模块对所述第二特征数据进行特征融合，得到所述地震的震级。2.根据权利要求1所述方法，其特征在于，所述特征波形数据包括：幅值类特征波形数据、周期类特征波形数据和能量类特征波形数据，以及加速度波形、速度波形和位移波形；其中，所述幅值类特征波形数据包括：所述幅值类特征波形的峰值位移P
d
、峰值速度P
v
和峰值加速度P
a
；所述周期类特征波形数据包括：所述周期类特征波形的平均周期τ
c
、构造参数TP、峰值比T
va
和瞬时频率ω(n)；以及所述能量类特征波形数据包括：所述能量类特征波形的累积能量变化率PI
v
、速度平方积分IV2、累积绝对速度CVA、累积竖向绝对位移cvad、累积竖向绝对速度cvav、累积竖向绝对加速度cvaa。3.根据权利要求1所述方法，其特征在于，所述特征提取模块包括：一级特征提取单元和二级特征提取单元，其中，每一个特征提取单元包括：卷积层、批量归一化层和最大池化层；所述使用神经网络模型中的特征提取模块对所述特征波形数据进行特征提取，得到第一特征数据，包括：使用所述一级特征提取单元对所述特征波形数据进行特征提取，得到第一子特征数据；以及使用所述二级特征提取单元对所述第一子特征数据进行特征提取，得到第一特征数据。4.根据权利要求1所述方法，其特征在于，所述序列学习模块包括第一双向门控单元层、第二双向门控单元层和注意力机制层；其中，每个双向门控单元层包括多个双向门控单元；所述使用所述神经网络中的序列学习模块对所述第一特征数据进行特征序列学习，得到第二特征数据，包括：使用所述第一双向门控单元层中的多个双向门控单元对所述第一特征数据进行特征序列学习，得到第一特征学习数据；使用所述第二双向门控单元层中的多个双向门控单元对所述第一特征学习数据进行特征序列学习，...

【专利技术属性】
技术研发人员：宋晋东，朱景宝，李山有，
申请(专利权)人：中国地震局工程力学研究所，
类型：发明
国别省市：