一种基于深度残差收缩网络的低信噪比地震检测模型制造技术

本发明专利技术公开了一种基于深度残差收缩网络的低信噪比地震检测模型，针对不同台站或检波器采集地震记录中噪声的不同，在设计软阈值函数的基础上，引入注意力机制，构建了一种深度残差收缩网络，用于低信噪比地震记录中地震事件的检测。在设计的网络中，软阈值函数作为非线性变换层被插入到深度网络结构中，以便有效过滤噪声相关特征的影响。同时，在网络中引入注意力机制，并加入自适应斜率模块，自动获取地震信号去噪的最优阈值，实现不同信号、不同程度噪声的最佳处理。通过训练，深度残差收缩网络可以自适应地确定去噪阈值，使得每个地震信号具有自己的阈值集，进而达到强背景噪声下地震事件准确检测的目的，提升地震事件检测的准确率。

【技术实现步骤摘要】

本专利技术属于地震检测，具体涉及一种基于深度残差收缩网络的低信噪比地震检测模型。

技术介绍

1、地震事件检测是指从连续地震记录数据中识别出地震事件，它是地震观测学中的核心问题。大震后的余震监测与快速定位、地球内部速度结构的层析成像、地震目录的编制等工作都是以地震事件检测为基础。随着地震台网及流动台阵规模的不断扩大和密度的成倍增长，地震观测数据呈爆炸式增长。靠人机交互方式从海量地震记录中检测出地震事件已无法满足大数据时代地震数据智能处理的要求。因此，如何准确地从地震记录中自动检测出地震事件已成为目前地震数据处理和应用亟需解决的问题。

2、在现有技术中，基于深度学习方法在地震事件检测中取得了一定的效果，但它们对地震数据的质量要求较高。对于高信噪的地震记录，一般能得到较好的检测结果，但对于低信噪比的地震记录(如微震事件，其能量极弱，甚至可能是噪音量级的)，其检测结果的可靠性就可能存在一定问题。由于地震观测环境的复杂多变，这使得采集的地震记录中夹杂着各种噪声，这些噪声的存在会严重影响地震事件检测的准确率。

3、因此，在进行检测前，通常会对地本文档来自技高网...

【技术保护点】

1.一种基于深度残差收缩网络的低信噪比地震检测模型，其特征在于：包括以下步骤：

2.根据权利要求1所述的基于深度残差收缩网络的低信噪比地震检测模型，其特征在于：所述A步骤中，通过输入层输入大小为C×W×1的地震信号，其中C为通道数量，W为宽度，1为地震信号高度(由于输入的是三分量的地震波形信号，高度恒为1)；然后采用卷积层提取信号每个通道的特征，为了防止过拟合和增加模型的非线性表达能力，在卷积操作之前加入BN和ReLU激活函数。

3.根据权利要求1所述的基于深度残差收缩网络的低信噪比地震检测模型，其特征在于：所述A步骤中，所述卷积层通过提取输入对象的特征，将上一层...

【技术特征摘要】

1.一种基于深度残差收缩网络的低信噪比地震检测模型，其特征在于：包括以下步骤：

2.根据权利要求1所述的基于深度残差收缩网络的低信噪比地震检测模型，其特征在于：所述a步骤中，通过输入层输入大小为c×w×1的地震信号，其中c为通道数量，w为宽度，1为地震信号高度(由于输入的是三分量的地震波形信号，高度恒为1)；然后采用卷积层提取信号每个通道的特征，为了防止过拟合和增加模型的非线性表达能力，在卷积操作之前加入bn和relu激活函数。

3.根据权利要求1所述的基于深度残差收缩网络的低信噪比地震检测模型，其特征在于：所述a步骤中，所述卷积层通过提取输入对象的特征，将上一层输出特征映射与卷积核按照一定规则相乘，

4.根据权利要求3所述的基于深度残差收缩网络的低信噪比地震检测模型，其特征在于：所述a步骤中，在通过卷积层提取到输入对象的特征后，再通过批量归一化处理对提取到的数据进行归一化处理，提高卷积神经网络的收敛速度和泛化能力，并引入拉伸参数γ与偏移参数β，以恢复网络层学习的特征分布；其中

5.根据权利要求4所述的基于深度残差收缩网络的低信噪比地震检测模型，其特征在于：在进行卷积操作后，利用软阈值模块对软阈值函数的阈值进行估计，添加自适应斜率模块(asb)，构成基于自适...

【专利技术属性】
技术研发人员：徐彬，曹欢，王琮煜，王绍，赵潇翔，冯俊，王权锋，张艳芳，
申请(专利权)人：成都理工大学，
类型：发明
国别省市：