一种自适应震级快速估算方法技术

本发明专利技术公开了一种自适应震级快速估算方法，包括：(1)地震波形数据采集及预处理；(2)构建QuakeNet模型，包括特征提取网络、震级快速估算网络、自适应决策网络、特征融合环节、特征补充网络和众包网络；(3)训练QuakeNet模型用以震级预测。本发明专利技术针对地震波形数据的时序性特点提取特征，并在估算过程中实现自适应决策，通过缩短输入波形长度来加快估算，从而扩大地震早期预警的有效范围。此外本发明专利技术针对手机数据做出了一些改进，能够在发挥智能手机数据优势的同时克服高噪声、低精度的缺点，达到一个较高的估算精度。一个较高的估算精度。一个较高的估算精度。

【技术实现步骤摘要】
一种自适应震级快速估算方法


[0001]本专利技术属于地震震级估算
，具体涉及一种自适应震级快速估算方法。

技术介绍

[0002]震级快速估算是地震早期预警的关键技术之一，目前已经有许多基于地震台站数据的震级快速估算方法，其中一些也应用了神经网络，但这些方法在提取特征的时候没有考虑地震波形数据的时序性特点；同时，这些方法用固定长度的地震波形数据来估算震级，无法灵活调整输入波形长度来加快估算速度。
[0003]使用地震台站数据做震级快速估算不可避免地存在两个缺点：其一是数据时效性较差，离震源最近的地震台站记录到地震波形数据时，地震波可能已经传播了很远，地震早期预警的有效范围已经缩小；其二是数据角度单一，如果要采集多个地震台站的地震波形数据做震级快速估算，地震波需要传播得更远，地震早期预警的有效范围将变得更小。
[0004]2020年末，我国4G用户总数为12.89亿户，普及率为92部/百人，基本达到了人手一部智能手机的水平，智能手机内置多种传感器，例如磁力计、气压计、陀螺仪、加速度计等，其中的加速度计可以被用来记录地震波形数据。得益于智能手机的高普及程度，手机采集到的地震波形数据能够很好地克服地震台站数据在震级快速估算方面的上述两个缺点，当然手机数据相对地震台站数据也存在高噪声、低精度的问题，手机的能耗控制也会限制一些数据采集策略的应用。
[0005]目前已有一些基于智能手机的地震早期预警系统，例如社区地震网络(Community Seismic Network，CSN)和MyShake，这些系统证明了手机加速度传感器可以采集地震波形数据并与人类活动数据区分；然而，当前还没有针对手机数据的震级快速估算方法。

技术实现思路

[0006]鉴于上述，本专利技术提供了一种自适应震级快速估算方法，能够发挥智能手机的数据优势，快速精准对震级进行估算。
[0007]一种自适应震级快速估算方法，包括如下步骤：
[0008](1)采集关于速度或加速度的地震波形数据；
[0009](2)对地震波形数据进行预处理；
[0010](3)构建QuakeNet模型，其包括特征提取网络、震级快速估算网络和自适应决策网络；对于地震台站采集的地震波形数据，QuakeNet模型还包括有特征融合环节；对于手机加速度传感器采集的地震波形数据，QuakeNet模型还包括有特征补充网络和众包网络；
[0011](4)利用预处理后的地震波形数据对QuakeNet模型进行训练，使其用于震级预测。
[0012]进一步地，所述步骤(1)中利用地震台站采集关于速度信息的地震波形数据，利用手机加速度传感器采集关于加速度信息的地震波形数据，每一时刻的采样点应包含空间内相互垂直的X
‑
Y
‑
Z三个方向上的数值。
[0013]进一步地，所述步骤(2)的具体实现方式如下：
[0014]对于地震台站采集的地震波形数据，从地震波到达时刻开始往后截取t秒的数据，其长度为tf，f为采样频率，t的大小自定义；然后选取tf的一个约数k，将截取的数据分割成个长度分别为ki的数据块，若数据块的长度不足tf时，则在其后面补零，保证每个数据块都是一个时间维度为tf，空间维度为3的二维数据矩阵；
[0015]对于手机加速度传感器采集的地震波形数据，从地震波到达时刻开始，往前截取t
h
秒，往后截取t
t
秒，得到长度为tf的数据，f为采样频率，t＝t
h
+t
t
，t
h
和t
t
的大小自定义；然后选取t
t
f的一个约数k，将截取的数据分割成个长度分别为t
h
f+ki的数据块，若地震波形数据被多个手机加速度传感器采集到，则随机选取其中m个传感器的数据且保证长度一致，将对应的数据块进行堆叠，m的大小自定义；若数据块的长度不足tf时，则在其后面补零，保证每个数据块都是一个手机数量维度为m，时间维度为tf，空间维度为3的三维数据矩阵。
[0016]进一步地，所述特征提取网络从输入至输出由CNN卷积网络、掩码层、双向LSTM(Long Short
‑
Term Memory)层、两个Attention层以及Concatenate层依次连接组成，所述CNN卷积网络由三个卷积层H1～H3依次连接组成，每个卷积层的输入需依次经卷积操作、BN(Batch Normalization)归一化、relu激活函数以及最大池化处理后输出，所述最大池化处理采用池化大小为2，步长为2的一维最大池化操作；所述掩码层用于对输入的补零部分进行掩码覆盖处理；两个Attention层用于对双向LSTM层的两个输出分别进行加权求和，以降低数据损失；所述Concatenate层用于对两个Attention层的输出进行拼接。
[0017]进一步地，所述震级快速估算网络从输入至输出由三个全连接层依次连接组成，其中前两个全连接层的输出需经BN归一化以及sigmoid激活函数处理，最后一个全连接层的神经元数量为1，无需BN归一化以及sigmoid激活函数处理，输出震级估计值。
[0018]进一步地，所述自适应决策网络从输入至输出由三个全连接层依次连接组成，其中前两个全连接层的输出需经BN归一化以及sigmoid激活函数处理，最后一个全连接层的神经元数量为1，无需BN归一化，但需sigmoid激活函数处理后输出信号，其用于在预测的时候判断调节地震波形数据的输入长度；自适应决策网络在输入前设置有梯度停止，用以防止梯度反向传播到特征提取网络。
[0019]进一步地，对于地震台站采集的地震波形数据，QuakeNet模型将输入数据经过多组不同频率的带通滤波后输入至对应的特征提取网络，各特征提取网络的输出特征堆叠后进入特征融合环节，所述特征融合环节由两个卷积层连接组成，前一个卷积层的卷积核大小为1，输出需经BN归一化以及sigmoid激活函数处理；后一个卷积层的卷积核数量为1，大小为1，步长为1，输出不需BN归一化以及sigmoid激活函数处理，使堆叠特征融合成一个向量后输出作为震级快速估算网络以及自适应决策网络的输入。
[0020]进一步地，所述特征补充网络从输入至输出由Embedding部分、Hadamard部分以及DNN部分依次连接组成，其中：
[0021]所述Embedding部分的输入为1
×
m的向量，该向量中的各元素对应的是m个加速度传感器的手机型号编号，Embedding部分将每个手机型号表征成一个长度为v的向量，同型号对应的向量相同，m个向量堆叠三份，得到一个m
×3×
v大小的张量；
[0022]所述Hadamard部分包括三个卷积层H4～H6、四个全连接层D1～D4以及一个Flatten层，卷积层H4～H6分别对特征提取网络中卷积层H1～H3的输出进行整合并交换时间与空间维度后输出，卷积层H4～本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种自适应震级快速估算方法，包括如下步骤：(1)采集关于速度或加速度的地震波形数据；(2)对地震波形数据进行预处理；(3)构建QuakeNet模型，其包括特征提取网络、震级快速估算网络和自适应决策网络；对于地震台站采集的地震波形数据，QuakeNet模型还包括有特征融合环节；对于手机加速度传感器采集的地震波形数据，QuakeNet模型还包括有特征补充网络和众包网络；(4)利用预处理后的地震波形数据对QuakeNet模型进行训练，使其用于震级预测。2.根据权利要求1所述的自适应震级快速估算方法，其特征在于：所述步骤(1)中利用地震台站采集关于速度信息的地震波形数据，利用手机加速度传感器采集关于加速度信息的地震波形数据，每一时刻的采样点应包含空间内相互垂直的X
‑
Y
‑
Z三个方向上的数值。3.根据权利要求1所述的自适应震级快速估算方法，其特征在于：所述步骤(2)的具体实现方式如下：对于地震台站采集的地震波形数据，从地震波到达时刻开始往后截取t秒的数据，其长度为tf，f为采样频率，t的大小自定义；然后选取tf的一个约数k，将截取的数据分割成个长度分别为ki的数据块，若数据块的长度不足tf时，则在其后面补零，保证每个数据块都是一个时间维度为tf，空间维度为3的二维数据矩阵；对于手机加速度传感器采集的地震波形数据，从地震波到达时刻开始，往前截取t
h
秒，往后截取t
t
秒，得到长度为tf的数据，f为采样频率，t＝t
h
+t
t
，t
h
和t
t
的大小自定义；然后选取t
t
f的一个约数k，将截取的数据分割成个长度分别为t
h
f+ki的数据块，若地震波形数据被多个手机加速度传感器采集到，则随机选取其中m个传感器的数据且保证长度一致，将对应的数据块进行堆叠，m的大小自定义；若数据块的长度不足tf时，则在其后面补零，保证每个数据块都是一个手机数量维度为m，时间维度为tf，空间维度为3的三维数据矩阵。4.根据权利要求1所述的自适应震级快速估算方法，其特征在于：所述特征提取网络从输入至输出由CNN卷积网络、掩码层、双向LSTM层、两个Attention层以及Concatenate层依次连接组成，所述CNN卷积网络由三个卷积层H1～H3依次连接组成，每个卷积层的输入需依次经卷积操作、BN归一化、relu激活函数以及最大池化处理后输出，所述最大池化处理采用池化大小为2，步长为2的一维最大池化操作；所述掩码层用于对输入的补零部分进行掩码覆盖处理；两个Attention层用于对双向LSTM层的两个输出分别进行加权求和，以降低数据损失；所述Concatenate层用于对两个Attention层的输出进行拼接。5.根据权利要求1所述的自适应震级快速估算方法，其特征在于：所述震级快速估算网络从输入至输出由三个全连接层依次连接组成，其中前两个全连接层的输出需经BN归一化以及sigmoid激活函数处理，最后一个全连接层的神经元数量为1，无需BN归一化以及sigmoid激活函数处理，输出震级估计值。6.根据权利要求1所述的自适应震级快速估算方法，其特征在于：所述自适应决策网络从输入至输出由三个全连接层依次连接组成，其中前两个全连接层的输出需经BN归一化以
及sigmoid激活函数处理，最后一个全连接层的神经元数量为1，无需BN归一化，但需sigmoid激活函数处理后输出信号，其用于在预测的时候判断调节地震波形数据的输入长度；自适应决策网络在输入前设置有梯度停止，用以防止梯度反向传播到特征提取网络。7.根据权利要求1所述的自适应震级快速估算方法，其特征在于：对于地震台站采集的地震波形数据，QuakeNet模型将输入数据经过多组不同频率的带通滤波后输入至对应的特征提取网络，各特征提取网络的输出特征堆叠后进入特征融合环节，所述特征融合环节由两个卷积层连接组成，前一个卷积层的卷积核大小为1，输出需经BN归一化以及sigmoid激活函数处理；后一个卷积层的卷积核数量为1，大小...

【专利技术属性】
技术研发人员：潘纲，许锋，赵莎，方毅，刘杰，董霖，李石坚，
申请(专利权)人：浙江大学，
类型：发明
国别省市：