System.ArgumentOutOfRangeException: 索引和长度必须引用该字符串内的位置。 参数名: length 在 System.String.Substring(Int32 startIndex, Int32 length) 在 zhuanliShow.Bind()
【技术实现步骤摘要】
本专利技术涉及地震学领域,尤其是一种基于时频分析和深度学习的地震相位拾取方法。
技术介绍
1、地震相位拾取是地震监测和地震预警中最基本的组成成分之一。p波和s波的到达时间的精确拾取不仅提高了地震目录的可靠性,也为p波和s波的速度模型的建立提供了有力支撑。此外,到达时间显著影响了震源定位的精度,即使是0.01秒的p波拾取误差也会造成数十米的震源定位误差。
2、目前传统的p波和s波拾取依赖于人类分析师的手工拾取,但随着地震台站布置的增加,人工拾取难以应对庞大的地震数据。研究者开发了一些自动化算法,如短时平均/长时平均比值法(sta/lta)和自回归-赤池信息准则法(ar-aic)。这类自动化算法基于地震记录中幅值、能量和统计特征的突变来识别p波和s波的到达时间。但这类算法容易受到噪声干扰,且需要针对不同地震动设置最优初始参数,应用不便。
3、近年来随着计算机技术和人工智能的发展,深度学习在相位拾取中取得了广泛的应用,但复杂且普遍存在的噪声仍然很大程度上降低了模型的拾取精度。因此,基于时频分析能够有效分离噪声的优势,提出了一个基于经验模态分解的深度学习模型,用于拾取p波和s波的到达时间。
技术实现思路
1、本申请的目的是为了解决相位拾取方法精度低和抗噪能力不足的技术问题,而提供一种基于经验模态分解的深度学习方法。
2、基于时频分析和深度学习的地震相位拾取方法,包括以下步骤:
3、步骤一、收集地震动记录,建立数据集:
4、选取已知
5、步骤二、建立结合经验模态分解模块的深度神经网络模型:
6、深度神经网络由一个编码器和一个解码器组成,编码器的第一部分为经验模态分解模块,将地震动分解为多个本征模态函数,每个本征模态函数代表地震动中的不同频率的分量;第二部分是由多个残差收缩模块串联组成,残差收缩模块是在传统残差模块的基础上添加了一个软阈值函数,用于滤除背景噪声;第三部分是两个长短时记忆层,用于提取时间上的上下文信息;第四部分为transformer模块,基于注意力机制给序列中的不同位置分配权重,以放大关键部分特征;
7、解码器由多个上采样层和卷积层构成,将特征图扩充到与输入一致的长度;
8、步骤三、深度神经网络模型训练:
9、对深度神经网络进行训练,以损失函数和平均绝对误差函数保证训练精度,使得损失函数逐步下降,得到训练后的深度神经网络模型;
10、步骤四、地震相位拾取:
11、将三分量地震动记录输入步骤三训练后的深度神经网络模型,输出对应于p波和s波的概率序列,找到概率序列最大值所在位置,从而实现震相拾取。
12、步骤二中,编码器的经验模态分解包括以下步骤:
13、1)识别信号中所有的局部极大值和局部极小值;
14、2)插值局部极大值形成上包络线,插值局部极小值形成下包络线;
15、3)计算上下包络的均值;
16、4)从信号中减去平均值,生成一个新信号;如果这个新的信号满足成为本征模态函数的条件,它就被认为是一个本征模态函数;本征模态函数是一种特殊类型的信号,满足极值的数量和过零点的数量相近,且上下包络线的平均值必须接近零;
17、5)从原来的信号中减去这个本征模态函数,对剩余的信号重复这个过程,继续提取下一个本征模态函数。
18、编码器中添加了4个最大池化层来降低输入的长度;编码器包括1个经验模态分解模块、8个残差收缩模块、4个最大池化层、2个lstm层和1个transformer层;经验模态分解模块、第一残差收缩模块、第一最大池化层、第二残差收缩模块、第二最大池化层、第三残差收缩模块、第三最大池化层、第四残差收缩模块、第四最大池化层、第五残差收缩模块、第六残差收缩模块、第七残差收缩模块、第八残差收缩模块、第一lstm层、第二lstm层和transformer层依次连接。
19、解码器包括4个上采样层和5个1d卷积层,第一上采样层、第一1d卷积层、第二上采样层、第二1d卷积层、第三上采样层、第三1d卷积层、第四上采样层、第四1d卷积层和第五1d卷积层依次连接;在每个卷积层之后加入了批归一化层,并且采用线性整流函数为激活函数。
20、步骤三中损失函数为二元交叉熵损失函数,如公式(2)所示:
21、
22、能够衡量模型输出的概率分布与标签值之间的差异;其中bceloss为二元交叉熵损失函数;n为概率序列的采样点数量;yi为真实概率序列标签的第i个位置处的概率值;pi为神经网络预测的概率序列的第i个位置处的概率值。
23、步骤三中,对深度神经网络模型进行训练,对训练数据进行了数据增强,包括记录随机平移和添加高斯白噪声。数据增强的方法包括按照99%的概率对记录进行随机平移,按照50%的概率向记录中添加零均值、标准差为0.01~0.15倍记录最大幅值的高斯白噪声。
24、训练后的深度神经网络模型的批大小为64,训练轮次为25,初始学习率为0.01,验证集的损失连续3个epoch不变时,学习率降为原来的1/10。
25、步骤一中,对每条地震动数据在每个通道上采用标准化操作,作为最终的网络输入数据;
26、标准化操作如公式(1)所示:
27、
28、其中:x*为标准化后的数据;μ为数据的均值;σ为数据标准差;x为标准化前的数据。
29、本专利技术的有益效果是:
30、本专利技术提出了一个基于时频分析的深度神经网络用于p波和s波到达时间的拾取。该网络由编码器和解码器组成,加入了经验模态分解模块将地震动转化为本征模态函数,同时利用多个残差收缩模块、lstm和transformer模块,提高了网络对于地震动中的空间和时间信息的学习能力。本专利技术的主要专利技术点在于在传统神经网络的架构上添加了一个经验模态分解模块,这个模块通过将地震动分解为不同频率的本征模态函数来表达地震动的时频特征。在噪声、p波和s波的频率存在差异时,经验模态分解能有有效地将三者分离开,从而帮助网络更好地识别p波和s波。即使是对于宽频带噪声,噪声也会被分解到不同的本征模态函数中,从而降低了p波和s波所在的本征模态函数中的噪声含量。这种时频分析方法能够有效地提高网络的抗噪能力。
31、与当前的深度学习拾取方法相比,本专利技术基于时频分析和深度学习的地震相位拾取方法具有更高的拾取精度,并且在低信噪比的含噪记录上具有更好的拾取效果。
本文档来自技高网...【技术保护点】
1.一种基于时频分析和深度学习的地震相位拾取方法,其特征在于,包括以下步骤:
2.根据权利要求1所述的基于时频分析和深度学习的地震相位拾取方法,其特征在于,步骤二中,编码器的经验模态分解包括以下步骤:
3.根据权利要求1所述的基于时频分析和深度学习的地震相位拾取方法,其特征在于,步骤二中,编码器中添加了4个最大池化层来降低输入的长度;编码器包括1个经验模态分解模块、8个残差收缩模块、4个最大池化层、2个LSTM层和1个transformer层;经验模态分解模块、第一残差收缩模块、第一最大池化层、第二残差收缩模块、第二最大池化层、第三残差收缩模块、第三最大池化层、第四残差收缩模块、第四最大池化层、第五残差收缩模块、第六残差收缩模块、第七残差收缩模块、第八残差收缩模块、第一LSTM层、第二LSTM层和transformer层依次连接。
4.根据权利要求1所述的基于时频分析和深度学习的地震相位拾取方法,其特征在于,步骤二中,解码器包括4个上采样层和5个1D卷积层,第一上采样层、第一1D卷积层、第二上采样层、第二1D卷积层、第三上采样层、第三1D卷积层
5.根据权利要求1所述的基于时频分析和深度学习的地震相位拾取方法,其特征在于,步骤三中损失函数为二元交叉熵损失函数,如公式(2)所示:
6.根据权利要求1所述的基于时频分析和深度学习的地震相位拾取方法,其特征在于,步骤三中,对深度神经网络模型进行训练,对训练数据进行了数据增强,包括记录随机平移和添加高斯白噪声。
7.根据权利要求6所述的基于时频分析和深度学习的地震相位拾取方法,其特征在于,数据增强的方法包括按照99%的概率对记录进行随机平移,按照50%的概率向记录中添加零均值、标准差为0.01~0.15倍记录最大幅值的高斯白噪声。
8.根据权利要求1所述的基于时频分析和深度学习的地震相位拾取方法,其特征在于,步骤三中训练后的深度神经网络模型的批大小为64,训练轮次为25,初始学习率为0.01,验证集的损失连续3个epoch不变时,学习率降为原来的1/10。
9.根据权利要求1所述的基于时频分析和深度学习的地震相位拾取方法,其特征在于,步骤一中,对每条地震动数据在每个通道上采用标准化操作,作为最终的网络输入数据;
...【技术特征摘要】
1.一种基于时频分析和深度学习的地震相位拾取方法,其特征在于,包括以下步骤:
2.根据权利要求1所述的基于时频分析和深度学习的地震相位拾取方法,其特征在于,步骤二中,编码器的经验模态分解包括以下步骤:
3.根据权利要求1所述的基于时频分析和深度学习的地震相位拾取方法,其特征在于,步骤二中,编码器中添加了4个最大池化层来降低输入的长度;编码器包括1个经验模态分解模块、8个残差收缩模块、4个最大池化层、2个lstm层和1个transformer层;经验模态分解模块、第一残差收缩模块、第一最大池化层、第二残差收缩模块、第二最大池化层、第三残差收缩模块、第三最大池化层、第四残差收缩模块、第四最大池化层、第五残差收缩模块、第六残差收缩模块、第七残差收缩模块、第八残差收缩模块、第一lstm层、第二lstm层和transformer层依次连接。
4.根据权利要求1所述的基于时频分析和深度学习的地震相位拾取方法,其特征在于,步骤二中,解码器包括4个上采样层和5个1d卷积层,第一上采样层、第一1d卷积层、第二上采样层、第二1d卷积层、第三上采样层、第三1d卷积层、第四上采样层、第四1d卷积层和第五1d卷积层依次连接;在...
【专利技术属性】
技术研发人员:籍多发,方文吉,翟长海,李晨曦,
申请(专利权)人:哈尔滨工业大学,
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。