一种基于神经网络的智能手机端地震事件识别方法技术

本发明专利技术的基于神经网络的智能手机端地震事件识别方法，包括如下步骤：步骤1、进行初始数据的收集；步骤2、对步骤1收集到的信息进行预处理；步骤3、基于步骤2预处理得到的信息，进行特征的计算与选择，并构建神经网络模型进行训练；步骤4、使用训练完成的神经网络模型完成地震事件的识别；本发明专利技术基于神经网络的智能手机端地震事件识别方法，有效扩大地震预警范围，利用现有的智能手机，大幅降低了手机端地震事件识别的监控成本；凭借智能手机携带的GNSS全球导航卫星系统，快速定位到地震区域，并且后续针对智能手机的地震事件识别，进行更新与维护更便捷，以较低的成本有效地提高了手机端地震事件识别的准确率。机端地震事件识别的准确率。机端地震事件识别的准确率。

【技术实现步骤摘要】
一种基于神经网络的智能手机端地震事件识别方法


[0001]本专利技术涉及地震事件识别
，尤其涉及一种基于神经网络的智能手机端地震事件识别方法。

技术介绍

[0002]地震是一种具有很大随机性和不确定的突发性自然灾害，人口稠密地区的大地震并不经常发生，但在城市下方发生的大地震会造成数以万计的人员伤亡，造成持久的社会和经济灾难，近几十年来，世界各地地震灾害频繁发生，造成的损失也急剧增加，因此进行地震早期预警，在破坏性地震波到来之前向目标区域发出警告，提供几秒到几分钟的预警，允许人们转移到安全地带；
[0003]地震预警是国际上常用的一种有效震防手段，现有技术的地震事件识别方法，其识别预警方式为在特定区域部署完整精密的地震预警系统，特点是高度集成、实时响应，通过内置于台站的高精度加速度计来进行地震事件识别，判断地震的发生与否，在台站检测到地震发生时，通过手机端的APP作为预警信息的发布终端，如四川省地震局官方研发的紧急地震速报APP、成都高新减灾研究所研发的ICL地震预警APP都可以作为接收地震预警信息的终端；
[0004]现有技术所存在的问题在于，部署地震预警系统需要高额的建设投入，如日本所建设的地震预警系统共计花费了9000万美元，并且部署完成后的地震预警系统，地震台站位置固定，只能较准确预警部署完成的区域，预警范围有限；
[0005]且现有技术的地震事件识别方法，在地震台站部署后，更新维护难度大，无法根据不同的用户进行针对的定制，无法实现多样化的地震事件识别；
[0006]随着智能手机的普及以及微机电系统技术的发展，现代智能手机内置的加速度计、陀螺仪、磁力仪等传感器可以记录相关数据，使得利用智能手机进行地震事件识别成为可能；
[0007]因此，本领域技术人员致力于开发一种基于神经网络的智能手机端地震事件识别方法，旨在解决现有技术中存在的缺陷问题。

技术实现思路

[0008]有鉴于现有技术的上述缺陷，本专利技术所要解决的技术问题是目前现有技术中，部署地震预警系统需要高额的建设投入，并且部署完成后的地震预警系统，地震台站位置固定，只能准确预警部署完成的区域，预警范围有限，更新维护难度大，无法根据不同的用户进行针对的定制，无法实现多样化的地震事件识别。
[0009]为实现上述目的，本专利技术一种基于神经网络的智能手机端地震事件识别方法，包括如下步骤：
[0010]步骤1、进行初始数据的收集；
[0011]步骤2、对步骤1收集到的信息进行预处理；
[0012]步骤3、基于步骤2预处理得到的信息，进行特征的计算与选择，并构建神经网络模型进行训练；
[0013]步骤4、使用训练完成的神经网络模型完成地震事件的识别；
[0014]所述步骤1的初始数据包括非地震数据和地震事件数据；
[0015]所述步骤1中的非地震数据通过智能手机端的手机软件进行数据的采集；
[0016]所述步骤1的非地震数据采集的是加速度的三分量数据；
[0017]所述步骤1的地震事件数据是对地震台站的数据进行收集与记录；
[0018]步骤2、对步骤1收集到的信息进行预处理；
[0019]所述步骤2的预处理分为对智能手机端收集到的非地震数据的预处理与通过地震台站所收集到的地震事件数据的预处理；
[0020]所述步骤2对智能手机端收集到的非地震数据的预处理步骤包括步骤2
‑
A1：去除时间、位置等无关信息以获取三分量加速度；步骤2
‑
A2：根据不同人类活动将数据截取为指定长度的数据；
[0021]所述步骤2对地震台站所收集到的地震事件数据的预处理步骤包括步骤2
‑
B1根据记录提取并合并三分量加速度数据；步骤2
‑
B2：手动挑选出具有纵波初至的三分量加速度数据；步骤2
‑
B3：对挑选出的加速度数据进行去零值和手机端加速度计自噪声融合处理；
[0022]步骤3、基于步骤2预处理得到的信息，进行特征的计算与选择，并构建神经网络模型进行训练；
[0023]所述步骤3中特征量包括，三分量矢量最大加速度和，三分量矢量平均加速度和，三分量各自的绝对中位偏差、四分位距、方差、标准差、平均时域能量，水平向平均时域能量，其计算公式如表2所示；
[0024]表2特征计算公式及说明
[0025][0026]所述步骤3的神经网络模型包括全连接神经网络模型和卷积神经网络模型；
[0027]所述全连接神经网络模型包括输入层、若干隐藏层和输出层；
[0028]所述输入层中输入相应的张量数据，对应相应的特征数据；
[0029]所述的隐藏层具有不同的节点数，并采用激活函数进行激活；
[0030]所述输出层使用相应的激活函数计算分类概率，计算结果为1*2的张量，形如(a，b)，若a>b，则编码为(1，0)，对应分类结果为0，是非地震事件，反之则为地震事件；
[0031]所述卷积神经网络模型包括有卷积层、池化层以及全连接层；
[0032]所述卷积层用于提取数据特征；所述池化层对数据进行降维处理，防止过拟合；所述全连接层用来展平最后一层池化层的输出；
[0033]步骤4、使用训练完成的神经网络模型完成地震事件的识别；
[0034]所述步骤4中的神经网络模型完成地震事件识别过程中设定有动态学习率，学习率会随着训练步骤的增加呈指数衰减，使得模型在后期能够更加的稳定；
[0035]所述步骤4在地震事件的识别过程中需要定义损失函数，并选用合适的优化器；
[0036]进一步地，所述步骤1中的非地震数据采集过程中需要收集不同条件下的加速度数据，如携带智能手机的人类，放置在不同的位置，以不同的速度进行不同的活动，并且需要非地震数据具备不同的数据长度；
[0037]进一步地，所述步骤1中地震事件数据的采集可以通过震级大小选取传统强震动台站记录的数据；
[0038]进一步地，所述步骤3在进行时，可以对计算出的特征进行降维，简化特征，减少后续训练模型的时间，同时可以提高神经网络模型的泛化能力；
[0039]进一步地，所述步骤3的特征降维可以根据训练情况手动挑选出最合适的特征，需要对特征进行排列组合进行降维和基于sklearn的主成分分析(Principal Component Analysis,PCA)法对特征数据进行特征降维；
[0040]进一步地，所述步骤3在进行神经网络模型训练的时候，可以采用十折交叉验证法对训练集进行划分，尽可能提高对非地震数据与地震事件的识别准确率；
[0041]采用以上方案，本专利技术公开的基于神经网络的智能手机端地震事件识别方法，具有以下优点：
[0042](1)本专利技术的基于神经网络的智能手机端地震事件识别方法，充分利用了手机在世界分布较广、数量众多的特点，使用智能手机收集地震相关地震数据，使得台站密度相比现有技术有了指数级本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于神经网络的智能手机端地震事件识别方法，其特征在于，包括如下步骤：步骤1、进行初始数据的收集；步骤2、对步骤1收集到的信息进行预处理；步骤3、基于步骤2预处理得到的信息，进行特征的计算与选择，并构建神经网络模型进行训练；步骤4、使用训练完成的神经网络模型完成地震事件的识别。2.如权利要求1所述地震事件识别方法，其特征在于，所述步骤1的初始数据包括非地震数据和地震事件数据；所述步骤1中的非地震数据通过智能手机端的手机软件进行数据的采集；所述步骤1的非地震数据采集的是加速度的三分量数据；所述步骤1的地震事件数据是对地震台站的数据进行收集与记录。3.如权利要求1所述地震事件识别方法，其特征在于，所述步骤2的预处理分为对智能手机端收集到的非地震数据的预处理与通过地震台站所收集到的地震事件数据的预处理；所述步骤2对智能手机端收集到的非地震数据的预处理步骤包括步骤2
‑
A1：去除时间、位置等无关信息以获取三分量加速度；步骤2
‑
A2：根据不同人类活动将数据截取为指定长度的数据；所述步骤2对地震台站所收集到的地震事件数据的预处理步骤包括步骤2
‑
B1根据记录提取并合并三分量加速度数据；步骤2
‑
B2：手动挑选出具有纵波初至的三分量加速度数据；步骤2
‑
B3：对挑选出的加速度数据进行去零值和手机端加速度计自噪声融合处理。4.如权利要求1所述地震事件识别方法，其特征在于，步骤3、基于步骤2预处理得到的信息，进行特征的计算与选择，并构建神经网络模型进行训练；所述步骤3中特征量包括，三分量矢量最大加速度和，三分量矢量平均加速度和，三分量各自的绝对中位偏差、四分位距、方差、标准差、平均时域能量，水平向平均时域能量。5.如权利要求1所述地震事件识别方法，其特征在于，所述步骤3的神经网络模型包...

【专利技术属性】
技术研发人员：彭朝勇，陈美蓉，郑钰，徐志强，
申请(专利权)人：中国地震局地球物理研究所，
类型：发明
国别省市：