基于格拉姆角场和多尺度残差神经网络的地震事件分类方法

以江苏地震台网中心搜集并标注的天然地震、人工爆破和塌陷事件为试验数据样本,提出了一种基于格拉姆角场和多尺度残差神经网络的新的地震事件分类方法。首先对波形数据进行滤波、归一化等预处理,然后应用格拉姆角场对地震波形数据进行二维编码得到二维图像,再将此经过编码后的图像作为多尺度残差神经网络的输入进行分类模型的训练和测试,从而得出分类结果。采用上述方法对1 078个天然地震台站记录、981个爆破台站记录和830个塌陷台站记录进行试验,结果显示：最终以单条波形为单位的地震事件分类准确率为92.55%,以单个台站为单位的分类准确率为96.36%,这表明基于格拉姆角场和多尺度残差神经网络的地震分类方法具有良好的效果。     

基于多输入卷积神经网络的天然地震和爆破事件识别

天然地震和爆破事件识别是地震监测预警的重要内容.近年来,快速发展的深度学习算法以其强大的数据特征挖掘和图像识别能力,能够较快并准确地约束地震事件属性.利用多输入卷积神经网络算法构建天然地震和爆破事件自动分类网络模型,其中输入信息包括多台站地震波形和单台站的地震时频数据,使得卷积神经网络同时获取事件的波形、频谱和极性特征...     

基于EMD的IMF时域统计特征提取及其应用于震动事件源类型识别研究

文章对地震波形进行经验模态分解(EMD),对分解后的内模函数(IMF)进行时域特征提取,由所提取的特征对天然地震和人工爆炸2类事件源类型进行分类识别,结果表明,由IMF所提取的时域特征具有良好的区分识别能力.采用经验模态分解将原波形信号分解为7个内模函数和残差函数,对原波形、每个内模函数和残差函数分别提取26个时域统计...     

地震和爆破事件源波形信号的卷积神经网络分类研究

本文首先从震源波形中提取梅尔频率倒谱系数(MFCC)图,然后采用卷积神经网络(CNN)进行地震波形信号的震源类型—天然地震和爆破事件—分类识别.事件为首都圈及其附近的72个天然地震和101个人工爆破事件,用于提取梅尔频率倒谱系数图的波形信号为各观测台站波形3分量中的垂直分量波形.在各个事件的所有观测台站的垂直分量波形中,通过滑动窗口按同一准则去除被噪声淹没的部分台站波形,只选择留下未被噪声淹没的台站波形.每一个事件有107个观测台站,故有107份垂直分量波形,而不同事件被留下未被噪声淹没的波形则有几份至几十份不等.然后提取被留下未被噪声淹没的波形的梅尔频率倒谱系数图,以梅尔频率倒谱系数图作为CNN的输入,CNN的输出则为波形的震源类型(天然地震事件或爆破事件).若以单份波形为识别单元,采用五折交叉验证法进行测试,得到的平均准确率为95.78%.使用训练集中单份波形为识别单元,提取梅尔频率倒谱系数图,采用CNN训练出了天然地震事件与爆破事件波形分类器,一个事件在测试集中的多份波形信号通常不会都被正确识别,很可能有些波形被识别为天然地震事件,另一些波形被识别为爆破事件;这时,若识别单元改为事件,一个事件各台站的有效垂直分量波形中,超过一半的波形被识别为某一事件类型,则这个事件被归类为该事件类型,得到的正确识别率为97.1%.实验结果表明:卷积神经网络在天然地震事件与爆破事件的识别方面表现出色.这说明MFCC与卷积神经网络可以用于识别天然地震和爆破事件,尤其是深度学习更值得在地震信号处理方面做进一步的研究.     

基于BP-Adaboost方法的天然地震和人工爆炸事件波形信号分类识别研究

BP神经网络和支持向量机(SVM)是两种主流的分类识别方法,用于天然地震和人工爆炸事件波形信号分类识别时取得了较好的效果。但BP神经网络存在易陷入局部最优及隐层数和隐层节点数与训练样本数据密切相关而无法有效预先确定;而支持向量机(SVM)方法则缺乏有效手段来选取合适的核函数,从中不能很好地扩展到多分类。针对天然地震和人工爆炸事件波形信号的分类识别问题,文中将上述两种方法和集成学习——BP-Adaboost方法进行了对比实验研究。据对所选用的地震、爆炸事件波形信号数据集的分类识别结果表明,BP-Adaboost方法得到了98%以上的正确识别率,并且具有较好的泛化能力。相较于BP神经网络和PCA-SVM方法,BP-Adaboost方法对于数据集的划分和识别结果具有更好的鲁棒性,应用于天然地震和人工爆炸事件波形信号分类识别时,可取得更好的识别效果。同时,结合Adaboost方法的原理,阐述了BP-Adaboost方法拥有更好分类结果和泛化能力的原因。     

基于STFT和CNN的地震信号分类识别研究

地震信号分类——即信号震源类型的分类,尤其是天然地震和人工爆破的分类对于地震目录的清洗和强震实时预警等具有重要意义.本文首先对原始波形信号进行必要的预处理,然后对预处理后的信号进行分帧加窗,对窗内信号采用短时傅里叶变换,将原始波形信号从时域转换成时频域信号,生成时频谱图,每条波形生成一个时频图像;经过反复多次试验比较,将原尺寸时频谱图统一缩放为32×32像素大小的灰度图像,该灰度图像作为卷积神经网络(CNN)的输入,此时的分类效果和计算效率最优.采用以上方法对2010年至2016年发生在河北三河和北京通州等地区,震级为1.5 ～2.8级之间的54个天然地震事件的1674条波形和63个人工爆破事件的1509条波形,采用五折交叉验证法进行分类,得到的平均准确率为97.39％,与传统的支持向量机(SVM)方法和多层感知器(MLP)方法对比,分类准确率有大幅提升,与使用梅尔倒谱系数(MFCC)构建的CNN分类器方法对比,本文方法信噪比更低,分类准确率提高约1.5％.实验结果表明,采用短时傅里叶变换提取地震信号时频域特征,生成时频谱图,使用卷积神经网络对地震信号进行分类具有良好的分类效果.     

基于RBF神经网络的地震与爆破识别技术

利用天然地震震源和人工爆破震源之间信号能量分布的差异,结合RBF神经网络技术,对2类事件进行分类,具体步骤如下:使用8个带通滤波器对事件波形进行滤波,并划分为4个波形段:P波、P波尾波、S波和S波尾波,分别计算每个滤波器信道和波形段的能量特征值,以所得32个特征参数作为输入向量,利用RBF神经网络,对地震和爆破事件进行分类识别。结果表明,基于RBF神经网络的地震事件识别方法,识别率为88.1%,具有较高的准确性,可作为地震与爆破事件识别的一个重要依据。     

天然地震与人工爆破的波形小波特征研究

研究了如何从天然地震和人工爆破事件的波形记录中提取出有效、适用的波形特征,以用于对爆破事件的识别.首先对波形记录进行了4层小波包变换;然后对变换得到的最后一层小波包系数提取3种波形特征:能量比特征、香农熵特征及对数能量熵特征;最后利用v-SVC支持向量分类机对这3种特征的分类能力进行了外推检验.通过选用不同地区、不同台站、不同震级的天然地震与人工爆破的波形记录,力求提取的特征量能尽可能地反映天然地震与人工爆破波形的本质区别,尽量弱化震中距、震级等因素对识别效果的影响.结果表明,上述3种特征中以香农熵特征的识别效果最好,能反映天然地震与人工爆破的本质区别,可作为识别天然地震与人工爆破的一个有效判据.     

基于卷积神经网络的天然地震与人工爆破识别研究

地震台网记录的人工爆破事件波形特征与天然地震有相似之处,如果不能及时的予以识别和筛选,会混淆依此记录所建立的地震目录,影响日后地震学的研究工作.因此连续地震信号中的天然地震和人工爆破的识别分离有助于破坏性构造地震的监测预警.同时,随着地震仪的大规模部署以及建设行业活动的持续增强,记录的爆破事件增多,增大了识别的难度和工作强度.为了解决人工识别天然地震与爆破存在的问题,本研究基于卷积神经网络,设计了一个具有13层深度的网络模型(CNN-Epq13),选用福建数字地震台网历史地震记录和人工爆破记录,利用TensorFlow深度学习框架,采用TFrecord文件形式作为训练集,训练得出事件类别识别模型.此模型在训练中识别准确率为98.438％,损失为0.0646.用新的数据进行测试,模型能准确识别事件类别,区分天然地震和人工爆破,可以进一步在日常工作中进行应用.     

天然地震与人工爆破的波形小波特征研究div

研究了如何从天然地震和人工爆破事件的波形记录中提取出有效、适用的波形特征,以用于对爆破事件的识别．首先对波形记录进行了4层小波包变换;然后对变换得到的最后一层小波包系数提取3种波形特征:能量比特征、香农熵特征及对数能量熵特征;最后利用upsilon;-SVC支持向量分类机对这3种特征的分类能力进行了外推检验．通过选用不同地区、不同台站、不同震级的天然地震与人工爆破的波形记录,力求提取的特征量能尽可能地反映天然地震与人工爆破波形的本质区别,尽量弱化震中距、震级等因素对识别效果的影响．结果表明,上述３种特征中以香农熵特征的识别效果最好,能反映天然地震与人工爆破的本质区别,可作为识别天然地震与人工爆破的一个有效判据．      

深度神经网络拾取地震P和S波到时

从地震波形数据中快速准确地提取各个震相的到时是地震学中的基础问题.本文针对上述问题提出了利用深度神经网络拾取到时的新方法,建立了用于地震到时提取的17层Inception深度网络模型,在对原始三分量数据进行高通滤波和归一化处理后输入网络直接输出到时信息.整个过程基于神经网络自适应提取波形特征,自动输出结果.通过对100组加了不同强度的噪声数据进行了可靠性检验,相比于其他方法神经网络方法对于噪声具有较高的容忍度以及稳定性,并且与地震目录数据有较高的相似性.相比于AR-AIC+STA/LTA,深度神经网络虽然运算速度稍慢,但整个过程不需设定时窗与阈值,同时具有更高的可用性,并且可以迭代升级以提高精度.此方法作为人工智能方法,为波形到时拾取提供了新思路.     

基于深度学习残差网络模型的地震和爆破识别

为加强对地震台网记录的天然地震与人工爆破事件进行准确的性质识别,本文基于深度学习技术中的残差网络模型,提出了一种新的爆破识别方法,并根据北京数字遥测地震台网及国家数字测震台网中心记录的波形数据及其发布的包含事件性质的地震报告,选取河北三河采石场的93次爆破事件和54次周边地震事件的波形功率谱,分别采用不同的训练样本比例进行了100次和1 000次独立的随机抽样子试验以及 “留一交叉验证法” 试验,对人工爆破与天然地震进行了识别研究。试验结果表明,深度学习残差网络模型在天然地震与爆破事件的性质识别中具有很高的识别率且效果稳定,具有较好的应用前景。      

甘肃塌陷地震震相识别研究

选取甘肃省测震台网测定的甘肃平凉地区塌陷地震、甘东南地区天然地震各50个,同地区的30个地震事件为待测事件.采用近年来计算机领域里较先进的图像识别方法——卷积神经网络识别两种地震事件类型,设定波形通道总数的80％为地震事件分类阈值,超过分类阈值的设定为"0"或"1",即可判定该待测事件为对应的事件类型.将地震事件作为原...     

天津港“8·12”爆炸事件记录波形分析

利用天津地震台网23个短周期地震仪记录到的2015年8月12日天津港爆炸事件波形数据,对事件进行初步分析和研究。分别使用能量包络线法和波形匹配法,共识别出4次爆炸事件,并结合波形互相关的主事件定位法对爆炸事件进行定位。分析结果表明:第一次爆炸发生的时间为2015年8月12日23时34分4秒,1.77s后发生了规模更大的二号爆炸事件;34.11s后又发生了最强的三号爆炸事件;86.33s再一次发生了能量较弱的四号爆炸事件,其中二号与三号爆炸事件相距65~70m,二号与四号事件相距160~170m。此外,通过选用爆破、矿塌、核爆和天然地震等不同类型事件的波形数据,从时间域和频率域分别对这些事件进行对比分析,发现其震相特征表现出明显差异。     

基于AlexNet卷积神经网络模型的宁夏天然地震和非天然地震识别研究

宁夏回族自治区及周边天然地震和非天然地震频发,精确快速识别天然和非天然地震有利于震后应急响应、科学研究、赈灾救援等工作。基于AlexNet卷积神经网络模型,选取宁夏境内及周边130个地震事件（天然地震80个、非天然地震50个）,对其进行了单个台站波形记录地震事件的训练和多个台站波形记录地震事件的测试,并将模型结果与宁夏测震台网人工编目结果进行比对,结果表明单个台站波形记录地震事件的训练结果中,AlexNet卷积神经网络模型对宁夏天然地震和非天然地震的正确识别率为99%;多个台站波形记录地震事件的测试结果中,此模型对宁夏天然地震和非天然地震的正确识别率为97.01%。AlexNet卷积神经网络模型作为人工智能领域的成熟技术之一,可以很好的运用于宁夏天然地震和非天然地震的识别工作之中。     

基于深度学习的地震事件分类识别 ——以山东地震台网记录为例

为实现天然地震与爆破、塌陷事件类型的快速高效识别,文中应用深度学习技术中的卷积神经网络模型,设计了基于单个事件单个台站波形记录的深度学习训练模块和基于单个事件多个台站波形记录的实时测试模块.以每个事件P波到时最早的5个台站记录到的原始三分向波形为输入,分别采用目前主流的AlexNet、VGG16、VGG19、GoogL...     

基于短时傅里叶变换和卷积神经网络的地震事件分类

本文选用内蒙古区域地震台网记录到的417个爆破事件和519个天然地震事件的观测资料,对其进行截取和滤波等预处理后,经过短时傅里叶变换转换为时频域的对数振幅谱,使用含有3个卷积层的卷积神经网络作为分类器,实现地震事件自动分类。5折交叉验证结果显示,本文所使用算法的平均准确率达到97.33%,测试集的准确率达到98.03%,本文采用的模型应用了较完整的原始信息,因此获得了较高的准确率和较好的稳定性。      

基于深度卷积神经网络的地震数据随机噪声压制

本文以提高地震数据的成像质量为目标,提出一种智能的卷积神经网络降噪框架,从带有噪声的地震数据中自适应地学习地震信号。为了加速网络训练和避免训练时出现梯度消失现象,我们在网络中加入残差学习和批标准化的方法,并采用了ReLU激活函数和Adam优化算法优化网络。此外,Marmousi和F3数据集被用来对网络进行训练和测试,经过充分训练的网络不仅能在学习中保留地震数据特征,而且能去除随机噪声。首先充分地训练网络,从中提取出随机噪声,并保留学习到的地震数据特征,之后通过重建地震数据估算测试集中的波形特征。合成记录和实际数据的处理结果显示了深度卷积神经网络在随机噪声压制任务中的潜力,并通过实验验证表明了深度卷积神经网络框架有很好的去噪效果。      

基于小波包分形和神经网络的地震与岩溶塌陷识别

本文以近年来广西地震台网中心记录的天然地震和岩溶塌陷为例,尝试利用基于小波包的分形和径向基函数神经网络技术对这两类事件的波形进行识别,以期有效地识别地震与岩溶塌陷。结果表明,基于小波包分形与神经网络相结合的事件识别方法对天然地震和岩溶塌陷事件的识别率高达89.5%,可作为识别天然地震与岩溶塌陷的一个有效方法。      

用小波变换能量线性度方法识别天然地震与爆破或塌方

为了提取天然地震和爆破或塌方记录波形在震源深度、震源尺度、震源破裂机制、地震波传播途径、地震波衰减等方面的差异特征信息,本对山东数字化台网记录的天然地震和爆破或塌方波形进行了小波多分辨率的能量线性度特征分析,提出了用小波变换能量线性度方法识别天然地震与爆破或塌方事件．结果表明：在精细结构小波分解信号“能量”线性度方面,天然地震主要集中在-2．0～1．0之间,爆破或塌方主要集中在2．0～3．4之间;在精细结构小波分解信号“能量”最大值对应的小波分解尺度方面,爆破或塌方主要集中在4～5,频段集中在0．7～3．1Hz之间,而天然地震主要集中在1～2,频段集中在6．25～25Hz之间．