【技术实现步骤摘要】
本专利技术涉及地震监测预警，特别是涉及一种基于波形识别的事件类型识别方法、一种基于波形识别的事件类型识别装置、一种事件类型识别模型训练方法、一种事件类型识别模型训练装置、一种电子设备以及一种计算机可读介质。
技术介绍
1、随着我国数字地震观测技术的快速发展，台站密度逐渐增大，地震监测能力和水平得到大幅度提高，地震台网能够捕获更多事件信号。一方面能记录到震级较小的天然地震事件，另一方面也记录到大量非天然地震事件，如人工爆破等，会导致地震预警误触发。及时准确地从天然地震目录中剔除人工爆破事件保证目录完备性和准确性对于区域强震预测及地震危险性评估至关重要；快速有效且自动区分天然地震和人工爆破对于防震救灾的抢险应急响应存在重要意义，已成为目前地震监测工作中面临的重要问题之一，也是近年来震灾救援部门和地震学者高度重视的问题。
2、自20世纪60年代以来，国内外先后有不少学者对天然地震与非天然进行了广泛的研究和深入的讨论，主要方法包括以下几种：
3、1、利用多个特征值进行非天然与天然地震波形识别，归纳起来主要有：p波初动、震源深度、体波震级和面波震级之比、p波初动振幅与p波最大振幅比、p波谱振幅与勒夫波谱振幅比以及从频率域中提取的判据等；
4、2、运用多变量统计分析方法，提出多变量识别函数，donat fah等应用于阿尔卑斯山和苏格兰中部的地震和工业爆破识别，通过计算s/p的谱比值，识别率达到83％；
5、3、学习向量量化(lvq)算法，边银菊等对北京及其周围地区的73个地震和9个爆破进行了识
6、4、遗传算法和反向传播算法相结合建立了遗传的bp神经网络，识别率达到94.7％；
7、5、小波变换能量线性度方法；
8、以上研究各有特色，均取得良好效果。但是由于问题本身的复杂性，以上研究并未将事件记录的全部信息用于事件判定，而是首先从事件记录中提取某些特征，即对数据进行了降维使用，这不但增加了处理过程的复杂性，且损失了大量的原始事件信息。同时，以上研究大多是基于特定区域事件的理论探索，并未系统找出普遍性的识别判据；且往往需要事件时空等基本参数确定后才能进一步计算求得，及时响应性差。因此，为探寻天然地震与非天然地震的普遍性识别判据，且尽可能的缩短事件发生到事件类型确认所需的时间，有必要从事件记录的全部信息中直接提取可识别天然地震与非天然地震事件的特征；系统的研究出天然地震与非天然地震的普遍性识别标准，并将其实用化，为具体的地震速报工作服务。
9、随着alphago和chatgpt风靡全球，让人类重新思考人工智能的更多发展可能性，对于人类体力劳动和非创造性脑力劳动，人工智能的取代能很大程度提高效率、节省人力成本和减少错误。如地震学上的应用，研究学者应用人工智能手段进行地震波降噪、地震震源机制估算、微震识别及定位等(gao，zhang，2019；kuang et al，2021；zhang et al，2022)。近年来，部分学者尝试利用人工智能技术进行地震波形分类。例如，chen等(2019)、赵明等(2019)、men-andrin等(2019)、zhang等(2020a)和zhang等(2020b)应用神经网络模型对地震和噪声波形进行分类，准确率普遍达到95％以上，其中men-andrin等(2019)应用了五种神经网络模型对实时地震波形和噪声进行判别，卷积神经网络的表现最为突出，拥有最高的精确率(precision)和召回率(recall)；不少学者也应用卷积神经网络模型进行天然地震与人工爆破的识别，如陈润航等(2018)从震源波形中提取梅尔频率倒谱系数图后用卷积神经网络进行天然地震与爆破事件分类识别，准确率(accuracy)达95％以上；linville等(2019)利用卷积神经网络模型对美国犹他州的天然地震信号和采石场爆破信号进行区分，区分结果可达99％；周少辉等(2021)利用深度学习技术中的卷积神经网络模型对山东地区的天然地震与非天然地震进行学习训练，训练验证识别准确率达到98％以上；郑周等(2023)利用卷积神经网络对福建及邻省的地震、噪声、爆破及异常波形进行区分，识别率分别达到97.9％、99％、99.2％和99.3％。以上工作都证明深度学习在地震学上存在一定的发展潜力，卷积神经网络在波形区分上表现更为突出。
10、然而，前人这些深度学习研究基本都需要较复杂的数据处理过程进行提取某些特征，数据预处理流程复杂，增加了事件判定时间，且损失了大量的原始事件信息，降低了识别的准确性；同时，以上研究大多是基于特定区域事件的理论探索，并未系统找出普遍性的识别判据，未能推广至其他区域。
技术实现思路
1、鉴于上述问题，提出了本专利技术以便提供一种克服上述问题或者至少部分地解决上述问题的一种基于波形识别的事件类型识别方法、一种基于波形识别的事件类型识别装置、一种事件类型识别模型训练方法、一种事件类型识别模型训练装置、一种电子设备以及一种计算机可读介质。
2、本专利技术公开了一种基于波形识别的事件类型识别方法，所述方法包括：
3、采集区域待识别波形数据；
4、将所述区域待识别波形数据输入事件类型识别模型，得到事件类型；所述事件类型包括天然地震、人工爆破、塌陷、矿震；所述事件类型识别模型为改进的alexnet卷积神经网络模型经区域多类波形样本数据集训练得到。
5、可选地，所述事件类型识别模型训练过程如下：
6、收集区域多种类型的波形数据并标记各波形数据所属类型，构建区域多类波形样本数据集；
7、采用所述区域多类波形样本数据集训练所述改进的alexnet卷积神经网络模型，得到所述事件类型识别模型。
8、可选地，所述改进的alexnet卷积神经网络模型包括：5个卷积层、全连接层、softmax层和分类输出层，采用所述区域多类波形样本数据集训练所述改进的alexnet卷积神经网络模型，得到所述事件类型识别模型，包括：
9、将所述区域多类波形样本数据集作为改进的alexnet卷积神经网络模型的输入，经分别配置有不同大小和数量的卷积核的所述5个卷积层进行波形特征深度提取得到波形特征图并传递至全连接层；
10、所述全连接层用于设置事件分类数目并增大学习率因子，采用relu激活函数处理所述波形特征图，得到波形特征向量；
11、所述softmax层采用softmax激活函数处理所述波形特征向量，计算各事件类别的概率值；
12、所述分类输出层的神经元个数对应事件分类个数，所述分类输出层输出各事件类别的概率值，通过采用交叉熵作为代价函数计算输出的各事件类别的概率值与各事件类别的真实值之间的误差并反向传播给各层更新各层权值，直至代价函数曲线趋于稳定，得到所述事件类型识别模型。
13、可选地，所述方法还包括：...
【技术保护点】
1.一种基于波形识别的事件类型识别方法，其特征在于，所述方法包括：
2.根据权利要求1所述的方法，其特征在于，所述事件类型识别模型训练过程如下：
3.根据权利要求2所述的方法，其特征在于，所述改进的Alexnet卷积神经网络模型包括：5个卷积层、全连接层、softmax层和分类输出层，采用所述区域多类波形样本数据集训练所述改进的Alexnet卷积神经网络模型，得到所述事件类型识别模型，包括：
4.根据权利要求2所述的方法，其特征在于，所述方法还包括：
5.一种事件类型识别模型训练方法，其特征在于，所述方法包括：
6.根据权利要求5所述的方法，其特征在于，所述改进的Alexnet卷积神经网络模型包括：5个卷积层、全连接层、softmax层和分类输出层，采用所述区域多类波形样本数据集训练改进的Alexnet卷积神经网络模型，得到事件类型识别模型，包括：
7.一种基于波形识别的事件类型识别装置，其特征在于，所述装置包括：
8.一种事件类型识别模型训练装置，其特征在于，所述装置包括：
9.一种
10.一个或多个计算机可读介质，其上存储有指令，当由一个或多个处理器执行时，使得所述处理器执行如权利要求1-4或5-6任一项所述的方法。
...【技术特征摘要】
1.一种基于波形识别的事件类型识别方法，其特征在于，所述方法包括：
2.根据权利要求1所述的方法，其特征在于，所述事件类型识别模型训练过程如下：
3.根据权利要求2所述的方法，其特征在于，所述改进的alexnet卷积神经网络模型包括：5个卷积层、全连接层、softmax层和分类输出层，采用所述区域多类波形样本数据集训练所述改进的alexnet卷积神经网络模型，得到所述事件类型识别模型，包括：
4.根据权利要求2所述的方法，其特征在于，所述方法还包括：
5.一种事件类型识别模型训练方法，其特征在于，所述方法包括：
6.根据权利要求5所述的方法，其特征在于，所述改进的alexne...
【专利技术属性】
技术研发人员：曾晓燕，王力伟，周少辉，蒋策，熊成，汤曜玮，梁明，钱银苹，吕浩杰，
申请(专利权)人：广东地震台，
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。