一种基于改进EfficientNet网络的地震事件分类方法技术

本发明专利技术提供了一种基于改进EfficientNet网络的地震事件分类方法，属于地震信号分类及图像处理技术领域；所要解决的技术问题为：提供一种基于改进EfficientNet网络的地震事件分类方法的改进；解决上述技术问题采用的技术方案为：包括如下步骤：从地震台站收集三类不同的地震事件信号，并对原始数据进行预处理；利用地震数据处理框架将原始信号转为二维图像，并将其随机划分为训练集和测试集；构建基于EfficientNets网络的分类模型对转换后的二维地震信号图像数据集进行训练；对构建的基线网络模型进行改进用于地震信号的分类；更新基线网络模型的参数；利用分类识别模型对转换后的测试集进行训练；将预测图片输入分类网络模型中得到预测结果；本发明专利技术应用于地震事件分类。类。类。

【技术实现步骤摘要】
一种基于改进EfficientNet网络的地震事件分类方法


[0001]本专利技术提供了一种基于改进EfficientNet网络的地震事件分类方法，属于地震信号分类及图像处理


技术介绍

[0002]地震根据诱因的不同可以分为天然地震、人工地震和诱发地震，这些地震信号种类繁杂，难以分辨，对震源性质的有效分类可以作为不同地质灾害的重要监测手段，对地震定位、预警和抢险工作都有着重要意义。地震事件分类目前主要采用三种方式：人工识别、传统方法和深度学习方法。人工拾取需要专业地震研究人员肉眼观察地震波形差异，但该方法效率低下且误判几率较高；传统方法多利用STA/LTA、WT等信号处理算法提取地震信号特征，再利用基分类器对特征进行分类，拥有较高的分类性能，但此类算法需要人工设定阈值且智能化程度较低。
[0003]近年来，深度学习因其强大的特征提取能力引起了地震研究人员的广泛关注，并被有效应用于地震信号分类。与传统方法相比，深度学习能够将特征提取、选择和分类进行有机统一，降低地震分类对人工选择的依赖，提高分类智能化。但目前存在的深度学习方法对地震分类的效率有待提高，且对地震特征的挖掘能力需要进一步加强。因此，本专利技术提出融合深度学习技术的深层神经网络地震信号分类方法，通过构建改进EfficientNet网络模型对复杂地震信号进行高效准确分类。

技术实现思路

[0004]本专利技术为了克服现有技术中存在的不足，提出一种基于改进EfficientNet网络的地震事件分类方法，以提升模型的特征提取能力，挖掘地震信号的深层隐藏特征，解决现有地震分类方法效率低、鲁棒性弱等问题。
[0005]为了解决上述技术问题，本专利技术采用的技术方案为：一种基于改进EfficientNet网络的地震事件分类方法，包括如下步骤：
[0006]步骤S1：从地震台站收集三类不同的地震事件信号，选用高质量、高信噪比的信号作为原始数据进行预处理；
[0007]步骤S2：利用地震数据处理框架将原始信号转为二维图像，并将其随机划分为训练集和测试集；
[0008]步骤S3：构建基于EfficientNets网络的分类模型对转换后的二维地震信号图像数据集进行训练，以性能最优的EfficientNet分类模型版本作为基线网络模型；
[0009]步骤S4：对构建的基线网络模型进行改进用于地震信号的分类；
[0010]步骤S5：将分类网络模型的预测值与真实值之间的损失误差用于更新基线网络模型的参数；
[0011]步骤S6：利用分类识别模型对转换后的测试集进行训练，根据评估指标对分类识别模型进行性能评估；
[0012]步骤S7：将预测图片输入分类网络模型中得到预测结果并利用混淆矩阵表示每类地震事件分类正确的样本数。
[0013]所述步骤S1中对原始数据进行预处理是将数据裁剪为包含明显振幅特征的60s数据段并对数据进行归一化处理。
[0014]所述步骤S2中的地震数据处理框架为obspy框架；所述二维图像为三分量波形图及信号时频图。
[0015]所述步骤S3中构建的基于EfficientNets网络的分类模型由MBConvBlock堆叠而成，具有深度可分离卷积的倒残差线性瓶颈层；通过深度可分离卷积使网络复用图像特征进行特征融合，通过线性激活函数代替激活函数避免低维空间的特征遭到破坏，通过倒置残差在适配深度可分离卷积的同时，使特征提取能够在高维空间进行。
[0016]所述EfficientNet分类模型利用复合系数对模型宽度、深度、分辨率三个维度进行统一缩放得到EfficientNets系列模型，具体计算公式为：
[0017][0018][0019][0020]s
·
t.α
·
β2·
γ2≈2
[0021]α≥1，β≥1，γ≥1；
[0022]上式中：表示复合系数，α、β、γ决定如何将全局资源分配给网络宽度w、深度d和分辨率r，s.t.代表限制条件。
[0023]所述EfficientNets系列模型包括EfficientNet
‑
B0～B7，共八个版本，扩展方式是，先将固定为1，通过搜索得到最优的α、β、γ三个缩放系数，EfficientNet
‑
B0的最优缩放系数为α＝1.2，β＝1.1，γ＝1.15，之后将三个参数固定，缩放获得不同版本模型，并对不同版本模型对地震特征的适应能力及分类准确性进行比较，获得性能最高的基线模型。
[0024]所述步骤S4中基线网络模型进行改进的步骤如下：
[0025]首先融入轻量化注意力模块，使模型关注重要地震信号特征、抑制冗余噪声特征；
[0026]利用FRN归一化代替网络的部分BN层，仅在高和宽的维度上进行操作，对每个样本的通道单独进行归一化，具体计算公式如下：
[0027][0028][0029]zi＝max(yi，τ)＝ReLU(y
‑
τ)+τ；
[0030]上式中：v2是x的二次范数的平均值；x
i
表示输入第i个向量，其维度为<B,H,W,C>，分别表示batch size、特征矩阵的高和宽、通道数；N＝H x W表示特征图的大小；y
i
是对x
i
进行正则化，γ和β均为可学习的参数；ε代表一个很小的常量，防止除0；z
i
表示带有可学习截断值τ的增强型ReLU；τ表示一个可学习的阈值；
[0031]利用残差连接保留浅层网络提取到的有效地震特征。
[0032]所述步骤S5中通过使用交叉熵损失函数获取模型训练的损失值，具体计算公式为：
[0033][0034][0035]上式中：J(θ)为参数θ的偏导数，y
(i)
表示类别，取0或者1，h
θ
(x
(i)
)为假设函数，θ
T
为参数θ的转置；x
(i)
为输入样本，i表示第i个样本点；m为样本组数。
[0036]所述步骤S6中的评估指标包括准确率Accuracy、精确率Precision、召回率Recall，其中准确率的计算公式为：
[0037][0038]精确率的计算公式为：
[0039][0040]召回率的计算公式为：
[0041][0042]上式中：TP、FP、FN和TN分别表示真阳性、假阳性、假阴性和真阴性的数量。
[0043]所述步骤S7中将不同于训练集和测试集的地震信号转为时频图，并作为预测图片输入模型，对信号类型进行判断。
[0044]本专利技术相对于现有技术具备的有益效果为：本专利技术方法以EfficientNet为基础结构，融合轻量化注意力机制及残差映射提高地震特征挖掘能力，并利用滤波器响应归一化降低计算复杂度，设计了一个高效的深度神经网络地震事件分类模型，在与目前深度学习方法的比较中，本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于改进EfficientNet网络的地震事件分类方法，其特征在于：包括如下步骤：步骤S1：从地震台站收集三类不同的地震事件信号，选用高质量、高信噪比的信号作为原始数据进行预处理；步骤S2：利用地震数据处理框架将原始信号转为二维图像，并将其随机划分为训练集和测试集；步骤S3：构建基于EfficientNets网络的分类模型对转换后的二维地震信号图像数据集进行训练，以性能最优的EfficientNet分类模型版本作为基线网络模型；步骤S4：对构建的基线网络模型进行改进用于地震信号的分类；步骤S5：将分类网络模型的预测值与真实值之间的损失误差用于更新基线网络模型的参数；步骤S6：利用分类识别模型对转换后的测试集进行训练，根据评估指标对分类识别模型进行性能评估；步骤S7：将预测图片输入分类网络模型中得到预测结果并利用混淆矩阵表示每类地震事件分类正确的样本数。2.根据权利要求1所述的一种基于改进EfficientNet网络的地震事件分类方法，其特征在于：所述步骤S1中对原始数据进行预处理是将数据裁剪为包含明显振幅特征的60s数据段并对数据进行归一化处理。3.根据权利要求1所述的一种基于改进EfficientNet网络的地震事件分类方法，其特征在于：所述步骤S2中的地震数据处理框架为obspy框架；所述二维图像为三分量波形图及信号时频图。4.根据权利要求1所述的一种基于改进EfficientNet网络的地震事件分类方法，其特征在于：所述步骤S3中构建的基于EfficientNets网络的分类模型由MBConvBlock堆叠而成，具有深度可分离卷积的倒残差线性瓶颈层；通过深度可分离卷积使网络复用图像特征进行特征融合，通过线性激活函数代替激活函数避免低维空间的特征遭到破坏，通过倒置残差在适配深度可分离卷积的同时，使特征提取能够在高维空间进行。5.根据权利要求4所述的一种基于改进EfficientNet网络的地震事件分类方法，其特征在于：所述EfficientNet分类模型利用复合系数对模型深度、宽度、分辨率三个维度进行统一缩放得到EfficientNets系列模型，具体计算公式为：统一缩放得到EfficientNets系列模型，具体计算公式为：统一缩放得到EfficientNets系列模型，具体计算公式为：s.t.α
·
β2·
γ2≈2α≥1，β≥1，γ≥1；上式中：表示复合系数，α、β、γ决定如何将全局资源分配给网络宽度w、深度d和分辨率r，s.t.代表限制条件。6.根据权利要求5所述的一种基于改进EfficientNet网络的地震事件分类方法，其特征在于：所述EfficientNets系列模型包括EfficientNet
‑
B0～B7，共八个版本，扩展...

【专利技术属性】
技术研发人员：李钢，张玲，黄金刚，原梦格，季倪宏，孙嘉莹，罗勇，
申请(专利权)人：山西省地震局，
类型：发明
国别省市：