【技术实现步骤摘要】
本专利技术属于地震信号检测和估计领域，是一种基于密集连接与u型结构结合的地震震相自动识别方法。
技术介绍
1、地震震相的拾取是依据地震监测台站记录到的数据，检测信号、判别震相和估计到时的过程，是地震台站数据处理的重要环节。地震震相拾取目前主要采用三种方式：人工拾取、传统方法和深度学习方法。人工拾取的方式由专业人员人工分析地震波形，对p波进行识别，是目前拾取精度最高的方法，但该方法拾取效率极低；传统方法如基于短时平均与长时平均比方法(sta/lta)实现信号检测、基于自回归赤池信息准则(ar-aic)的信号到时精确估计、基于偏度和峰度等高阶统计量的震相检测方法。都是从地震震相某一个或几个特征出发实现震相检测和识别，未能涵盖波形数据中包含的所有特征，另外采用这些方法还需要对数据进行大量预处理工作，提取所需要特征，仔细设定检测阈值，这些都对结果影响很大。
技术实现思路
1、本专利技术所要解决的技术问题在于提供一种基于密集连接与u型结构结合的地震震相自动识别方法。从而实现震相的准确识别和到时估计，以及获得了准确的地震事件位置和时间。
2、本专利技术是这样实现的，
3、一种基于密集连接与u型结构结合的地震相自动识别方法，具体包括以下步骤：
4、s1:采用雷克子波合成地震记录中的有效信号，得到n道微地震信号，每道信号包含微地震事件；
5、s2：对合成的地震数据集使用计算机视觉领域用来制作带标签图像数据的工具—labelme进行预处理，将一维的微地
6、s3：设计并训练用于地震震相拾取的一维神经网络模型，采用步骤s2的地震训练数据集训练，将s2中的json格式文件数据集用python语言转换成格式为npy文件的数据集，按照2:8比例划分测试集和训练集输入到一维神经网络模型中进行深度学习；训练集数据经过多层卷积和池化的过程，对编码的输出特征图进行不断的上采样逐渐得到一个与原始输入大小一致的分割图；
7、s4：待训练完成后，保存一维神经网络模型，输入待检测的地震信号进行直观上的测试；
8、s5：根据s4所得测试结果得到地震发震时刻和位置。
9、进一步地，s1中具体雷克子波合成地震记录中的有效信号为：主频率在15hz到30hz之间，以1.6s为窗口截取波形数据，公式如下：
10、
11、其中，a表示振幅，t0表示起始时间，f0表示主频。
12、进一步地，
13、s3具体包括：
14、进一步地，一维神经网络模型包括编码器下采样、解码器上采样和跳跃路径，编码器下采样包括依次向下传递的第一层卷积块x(0，0)、第二层卷积块x(1，0)、第三层卷积块x(2，0)以及第四层卷积块，第一层卷积块定义了16个高度为32的滤波器和最大值池化层，使用relu函数作为激活函数，接下来的卷积块中滤波器个数逐个翻倍，其余参数不变，第四层卷积块后不连接最大值池化层；
15、解码器上采样包括依次向上传递的一个转置卷积层x(2，1)，一个裁切层x(1，2)和一个卷积层x(0，3)，解码器上采样的三个层分别与编码器下采样的前三个层的卷积块对称，转置卷积层x(2，1)连接第四层卷积块，用于执行转置卷积和左右对称层之间互连通操作；
16、所述跳跃路径包括三个卷积块形成的密集跳跃连接，在解码器上采样与编码器下采样之间形成多条跳跃路径，所述编码器下采样中的前三层卷积块通过密集跳跃连接中的卷积块跳跃到解码器上采样的层上。
17、进一步地：s3中，设置交叉熵损失函数为网络训练中的损失函数，定义如下：
18、
19、l为损失值，y(i)为标签值，为预测值。
20、进一步地：第一层卷积块x(0，0)与上采样层之间形成的跳跃包括：单独、通过跳跃路径的卷积块x(0，1)、通过跳跃路径的卷积块x(0，2)、以及通过卷积块x(0，1)和卷积块x(0，2)跳跃到上采样层的卷积层x(0，3)；
21、第二层卷积块x(1，0)与上采样层之间形成的跳跃包括：单独跳跃到裁切层x(1，2)，通过跳跃路径的卷积块x(1，1)跳跃到裁切层x(1，2)，跳跃到卷积块x(0，1)，卷积块x(1，1)可跳跃到卷积块x(0，2)。
22、第三层卷积块x(2，0)与上采样层之间形成的跳跃包括：单独跳跃到转置卷积层x(2，1)，跳跃到卷积块x(1，1)。
23、本专利技术与现有技术相比，有益效果在于：本专利技术能够精准地分辨不同类型信号段位置，通过网络训练后无需手动调整参数及设置阈值。使用合成模拟数据和美国南加州地震网络实测地震数据验证了本专利技术在地震监测数据中具有较高的检测能力。
本文档来自技高网...【技术保护点】
1.一种基于密集连接与U型结构结合的地震相自动识别方法，其特征在于，具体包括以下步骤：
2.按照权利要求1所述的方法，其特征在于：
3.按照权利要求1所述的方法，其特征在于，
4.按照权利要求3所述的一种地震震相的拾取方法，其特征在于：S3中，设置交叉熵损失函数为网络训练中的损失函数，定义如下：
5.按照权利要求3所述的一种地震震相的拾取方法，其特征在于：第一层卷积块X(0，0)与上采样层之间形成的跳跃包括：单独、通过跳跃路径的卷积块X(0，1)、通过跳跃路径的卷积块X(0，2)、以及通过卷积块X(0，1)和卷积块X(0，2)跳跃到上采样层的卷积层X(0，3)；
【技术特征摘要】
1.一种基于密集连接与u型结构结合的地震相自动识别方法，其特征在于，具体包括以下步骤：
2.按照权利要求1所述的方法，其特征在于：
3.按照权利要求1所述的方法，其特征在于，
4.按照权利要求3所述的一种地震震相的拾取方法，其特征在于：s3中，设置交叉熵损失函数为网络训练...
【专利技术属性】
技术研发人员：陈泽杰，龙云，闫爽，郑建彬，杜尧，刘汧，
申请(专利权)人：吉林大学，
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。