一种地震信号检测和震相提取的方法转让专利
申请号 : CN202110151055.2
文献号 : CN112799128B
文献日 : 2021-10-22
发明人 : 邓攀 , 赵宇 , 刘俊廷 , 汪慕澜
申请人 : 北京航空航天大学
摘要 :
权利要求 :
1.一种地震信号检测和震相提取的方法,应用于基于边缘设备的地震检测系统,完成三个任务:识别地震信号、定位地震信号中纵波和横波的震相,其特征在于,所述方法包括如下步骤:
步骤1,监测获取具有三分量的地震波形数据;三分量分别对应东、北和垂直三个方向;
步骤2,构建轻量级深度学习模型LCANet;
所述的轻量级深度学习模型LCANet,包括基于逆向瓶颈残差块的编码器、上下文感知注意模块以及多尺度异构解码器;输入的三分量地震波形数据经基于逆向瓶颈残差块的编码器提取描述地震数据内在物理含义的特征向量序列,再经上下文感知注意模块获取分别针对三个任务下的关注时间序列上下文信息的特征向量序列;将上下文感知注意模块输出的三个特征向量序列对应输入多尺度异构解码器的三个分支中,每个分支将特征向量映射到对应任务的特征空间中,分别输出地震信号的概率、P震相到达位置概率、S震相到达位置概率;
所述的基于逆向瓶颈残差块的编码器包括深度可分离卷积层和逆向瓶颈残差块;深度可分离卷积层包含深度卷积和逐点卷积,深度可分离卷积层后添加有最大池化层;逆向瓶颈残差块由深度卷积和逐点卷积组成,其中又将逐点卷积分为扩张卷积和投影卷积;在一维深度卷积层之前使用扩张卷积以扩展输入特征向量的通道数,在逆向瓶颈残差块增加注意力模块,之后利用投影卷积缩小特征向量的通道数,还在逆向瓶颈残差块后添加最大池化层以缩小数据序列长度;
所述的上下文感知注意模块由轻量级非因果时序卷积网络和注意力机制模块组成;非因果时序卷积网络中用具有膨胀因子的一维深度可分离卷积层替换了标准卷积层;注意力机制模块为受启发的自注意机制结构,分为全局注意力机制模块和局部注意力机制模块两种,对于识别地震信号任务采用全局注意力机制模块提取特征,对于定位地震信号中纵波和横波的震相的任务采用局部注意力机制模块提取特征;
所述的多尺度异构解码器由异构注意力模块和多尺度优化模块组成;多尺度优化模块中执行上采样操作和一维深度可分离卷积操作;每个异构注意力模块对输入的特征向量进行两步处理,首先按照通道维度进行全局平均池化和一维卷积,得到具有全局感受野的特征向量,再利用sigmoid函数将每个元素映射到[0,1]的区间内,其中分数越高表示该点对应元素越重要;其次将输入的特征向量经过一维深度可分离卷积操作;最后将两步处理得到结果两者使用逐元素乘法,进行注意力加权;所述的多尺度异构解码器对应三个任务设置有三个分支;每个分支中包括三个多尺度优化模块,首先由异构注意力模块对上下文感知注意模块对应分支的输出向量处理后输入第一个多尺度优化模块,然后,利用异构注意力模块对所述编码器的中间层的输出向量特征进行处理后,再与第一个多尺度优化模块的输出向量相加后输入第二个多尺度优化模块,最后,再利用异构注意力模块对所述编码器的中间层的输出向量特征进行处理后,再与第二个多尺度优化模块的输出向量相加后输入第三个多尺度优化模块,输出高阶特征,根据高阶特征获得对应任务的概率;
步骤3,对步骤2建立的LCANet模型进行训练,将训练好的模型布置在边缘设备上,实时对设备端监测采集的地震波形数据进行识别,输出地震信号时间序列、纵波震相和横波震相。
2.根据权利要求1所述的方法,其特征在于,所述的步骤3中,边缘设备为具备Jetson Nano芯片的设备。
3.根据权利要求1所述的方法,其特征在于,所述的步骤2中,所述的基于逆向瓶颈残差块的编码器包括依次连接的一个深度可分离卷积层和六个逆向瓶颈残差块,深度可分离卷积层后添加最大池化层,前四个逆向瓶颈残差块后添加有最大池化层。
4.根据权利要求1或3所述的方法,其特征在于,所述的步骤2中,所述的逆向瓶颈残差块包括扩张层、一维深度卷积层、注意力模块和投影层;其中扩张层为扩张卷积;扩张卷积和一维深度卷积操作后执行批归一化和计算非线性激活函数,所述的非线性激活函数选择hard_swish函数;注意力模块为Squeeze‑Excitation模块,在逆向瓶颈残差块中的每一层增加注意力模块;投影层为投影卷积,用于将高维特征投影到低维子空间,投影层设置批归一化操作,未设置计算非线性激活函数操作。
5.根据权利要求1或2所述的方法,其特征在于,所述的步骤2中,所述的上下文感知注意模块中,输入的特征向量序列依次经过两个轻量级非因果时序卷积网络和第一全局注意力机制模块后,输出的特征向量序列分别输入三个支路:第一支路为非因果时序卷积模块+全局注意力机制模块,用于提取在识别地震信号任务下的特征向量;第二支路为非因果时序卷积模块+局部意力机制模块,用于提取在定位地震信号中纵波震相任务下的特征向量;
第二支路为非因果时序卷积模块+局部意力机制模块,用于提取在定位地震信号中横波震相任务下的特征向量。
6.根据权利要求1或2所述的方法,其特征在于,所述的步骤2中,所述的多尺度异构解码器中,每个分支上,首先利用异构注意力模块从上下文感知注意模块对应分支的输出特征向量进行异构特征提取,输出的特征向量输入第一个多尺度优化模块中,进行上采样和一维深度可分离卷积操作;其次,利用异构注意力模块对所述编码器第四层提取的特征向量进行异构特征提取,再与第一个多尺度优化模块输出的特征向量相加,输入第二个多尺度优化模块中进行上采样和卷积操作;最后,利用异构注意力模块对所述编码器的第二层提取的特征向量进行异构特征提取,再与第二个多尺度优化模块输出的特征向量相加,输入第三个多尺度优化模块中进行上采样和卷积操作,最后输出高阶特征。
说明书 :
一种地震信号检测和震相提取的方法
技术领域
背景技术
学家则通过分析地震数据进行地震研究。地震数据在地震定位、地震预警、地震信号检测、
相位提取、余震位置预测等方面有着广泛的应用。当地震发生时,它以地震波的形式释放能
量,地震波从震源向各个方向辐射。不同类型的能量波以不同的方式震动地面,也以不同的
速度穿过地球。地震信号检测和相位拾取是地震学研究中的关键问题,是实现震源定位和
震源机制解释的前提和基础。地震信号检测是指从地震传感器采集的地震信号和非地震信
号中识别出地震信号。相位拾取是指提取地震信号中纵波(P波)和横波(S波)相位的到达时
间。在地震学的研究中,到达时间的预测精度很高,即使时间偏差很小,也会导致震中位置
预测出现较大偏差。传统的地震信号检测和相位提取都是由经验丰富的地震专家人工识别
的。但随着地震数据量的增大,仅依靠人工进行数据处理是缓慢而不准确的,因此,地震学
家依靠计算机进行自动化的地震数据处理。
噪声,检测精度较低。目前,主流的数据驱动方法都是基于深度学习的。地震数据处理被看
作是一个时间序列分析问题。在时间序列分析领域有许多成熟的算法,如长短期记忆网络
(LSTM)和时间卷积网络(TCN)。Ross等人提出了广义相位检测方法,利用卷积神经网络从数
百万个地震数据中学习地震波的广义表示,并对P波、S波和噪声信号进行分类。Mousavi等
人提出了一种卷积残差网络和双向长短期存储单元,用于在时频域检测地震信号。Zhu等人
借鉴了图像分割中的全卷积神经网络,并将其应用于地震信号的检测和相位提取。这些方
法都是通过可训练的深层网络进行特征提取,由于神经网络具有很强的拟合能力,在几乎
所有的任务中都比传统的方法表现得更好。深度学习的深度意味着更多的网络层次和更多
的参数,深网络和广泛的参数也带来梯度消失问题和高计算复杂度。
驱动的方法仍然不完善,不能满足地震数据处理的实时性要求。在图1(a)所示的传统地震
数据处理方案中,地震台站生成的数据直接通过网络传输到云端服务器中。数据在云端被
收集、存储和处理。这种方式不仅延迟高,还会占用云端大量存储空间,造成网络拥塞,影响
地震预警的实时性和支持的应用。边缘计算则是一个更好的解决方案。边缘计算作为实时
物联网任务的一种新范式,已经成为解决响应时间、需求、节省带宽成本以及数据安全和隐
私等问题的趋势。如图1(b)所示,边缘设备实时收集和处理数据,并将小规模检测结果发送
回云端。然而,在资源有限的情况下,边缘设备端通常只将基于模型驱动的简易算法部署到
边缘设备端,但其效果较差,难以应对复杂的现实场景。而基于数据驱动的深度学习算法包
含复杂的网络结果和大量可训练参数,更加适用于复杂多变的现实场景,但由于大多数深
度学习算法计算复杂度高且占用大量存储空间,导致无法应用于资源受限的边缘设备。因
此在边缘设备上部署深度学习算法时,必须对其进行压缩以适应计算资源有限的边缘设
备。
发明内容
地震信号中纵波和横波的震相,包括如下步骤:
的编码器提取描述地震数据内在物理含义的特征向量序列,再经上下文感知注意模块获取
分别针对三个任务下的关注时间序列上下文信息的特征向量序列;将上下文感知注意模块
输出的三个特征向量序列对应输入多尺度异构解码器的三个分支中,每个分支将特征向量
映射到对应任务的特征空间中,分别输出地震信号的概率、P震相到达位置概率、S震相到达
位置概率;
波震相。
池化层;逆向瓶颈残差块由深度卷积和逐点卷积组成,其中根据实际功能不同,又将逐点卷
积分为扩张卷积和投影卷积,在深度卷积层之前使用扩张卷积以扩展输入特征向量的通道
数,在逆向瓶颈残差块增加注意力模块,之后利用投影卷积缩小特征向量的通道数,还在逆
向瓶颈残差块后添加最大池化层以缩小数据序列长度。
卷积层;注意力机制模块为受启发的自注意机制结构,分为全局注意力机制模块和局部注
意力机制模块,对于识别地震信号任务采用全局注意力机制模块提取特征,对于定位地震
信号中纵波和横波的震相的任务采用局部注意力机制模块提取特征。
入的特征向量进行两步处理,首先按照通道维度进行全局平均池化和一维卷积,得到具有
全局感受野的特征向量,再利用sigmoid函数将每个元素映射到[0,1]的区间内,其中分数
越高表示该点对应元素越重要;其次将输入的特征向量经过一维深度可分离卷积操作;最
后将两步处理的结果使用逐元素乘法,进行注意力加权;所述的多尺度异构解码器对应三
个任务设置有三个分支;每个分支中包括三个多尺度优化模块,首先由异构注意力模块对
上下文感知注意模块对应分支的输出向量处理后输入第一个多尺度优化模块,然后,利用
异构注意力模块对所述编码器的中间层的输出向量特征进行处理后,再与第一个多尺度优
化模块的输出向量相加后输入第二个多尺度优化模块,最后,再利用异构注意力模块对所
述编码器的中间层的输出向量特征进行处理后,再与第二个多尺度优化模块的输出向量相
加后输入第三个多尺度优化模块,输出高阶特征,根据高阶特征获得对应任务的概率。
将计算任务从云服务器转移到边缘设备,地震数据在边缘采集和处理,无需云端参与,地震
台站就不需要将原始数据发送到集中的服务器,降低了云端存储时存在的浪费大量存储空
间、网络堵塞、影响地震预警实时性等问题。(2)本发明所实现的轻量级深度学习模型
LCANet的大小可仅为3.7MB,非常适合部署在存储能力和计算能力低于云服务器的边缘设
备上。并且LCANet模型能快速高效地从地震传感器的采集数据中检测地震信号和进行相位
提取,满足地震预警系统对数据处理低延迟、高性能的要求。(3)经过实验证明,本发明方法
具有较强的环境适应性,易于在其他数据库中推广,本发明所提出的LCANet模型实现了精
确的延迟权衡,相较于现有技术,大大降低了网络传输成本和存储消耗,较少的数据传输可
以有效地降低网络拥塞引起的丢包风险,提高了地震预警系统的稳定性。
附图说明
具体实施方式
事件并记录地震信号。云端配备高性能数据处理中心。传统地震检测系统将任务转移到远
程云数据中心,本发明中边缘计算将地震计算任务分配给边缘节点,以提供更迅速的地震
预警。考虑到地震发生时供电不稳定,不宜在地震台上安装大功率GPU,因此边缘设备端是
最关心的部分。本发明实现一种通过边缘设备端硬件来实时检测地震的方案。
此,可靠且成熟的深度学习基于边缘的平台是当务之急。NVIDIA CUDA平台在深度学习推理
方面优于其他硬件。除了数据中心解决方案和桌面开发之外,NVIDIA还提供嵌入式应用程
序,例如用于边缘计算的Jetson Nano。Jetson Nano是由NVIDIA Maxwell GPU架构提供支
持的有前途的AI芯片,可在边缘进行推理,它具有高能效,小尺寸和高吞吐量,适合嵌入式
应用。Nano具有4个ARM Cortex A57内核和128个GPU流处理器,在满负荷处理时,其功耗不
超过10W。NVIDIA官方建议使用5V‑2A充电器来供电。这意味着即使地震袭击电网,Nano也可
以使用电池来为地震台站服务。Nano还提供了便利的软件支持,包括Ubuntu操作系统以及
CUDA和cuDNN工具包。但是,使用这种微型硬件也有相应的挑战。CPU和GPU内核共享仅4GB
DRAM内存,通常不足以支撑复杂网络的运算。本发明的地震信号检测和相位提取方法,应用
于如图1(b)所示的架构中,采用了轻量级深度学习模型部署在边缘设备上,降低了计算能
力低于云服务器的边缘设备的计算量需求,满足实际应用对低延迟、高性能的要求。本发明
方法所提出的LCANet模型中,使用的深度可分离卷积也有助于减少内存使用。最终模型使
用90%的内存并成功执行震相识别任务。
测和相位提取方法包括如下三个步骤,如图2所示。
例中边缘设备采用具备Jetson Nano芯片的设备。
两个分支,用于定位地震信号中P波和S波的震相。本发明的LCANet模型中包括基于逆向瓶
颈残差块的编码器、上下文感知注意模块以及多尺度异构解码器。首先,三分量地震波形数
据输入基于逆向瓶颈残差块的编码器,输出能够描述地震数据内在物理含义的特征向量;
然后,编码器的输出特征向量序列输入由轻量级的非因果时序卷积网络和注意机制组成的
上下文感知注意模块,针对三个任务,分别设置提取关注时间序列上下文信息的特征向量
序列。多尺度异构解码器包括三个分支,三个分支的结构是相同的,将上下文感知注意模块
输出的三个特征向量序列分别输入三个分支中,每个分支将特征向量映射到对应任务独有
的特征空间中,最后输出地震信号的概率、P震相到达位置概率、S震相到达位置概率。
建立的轻量级深度学习模型LCANet。
性能最好的版本。本发明受MobileNetV3的启发,设计了基于多个逆向瓶颈残差块的编码
器,以极大地压缩神经网络的规模和减少参数的数量,从而优化边缘设备的精度和延迟。
残差块中的卷积层由一维深度可分离卷积中的深度卷积和逐点卷积组合而成,其中逐点卷
积根据对特征向量通道增加或减少的方式不同,可以分为扩张卷积和投影卷积,由于一维
深度可分离卷积的参数和计算量是标准一维卷积的1/d+1/k倍,因此可以有效减少网络参
数并提升计算效率;(2)为了避免非线性激活函数导致特征向量通道崩溃,丢失通道信息,
本发明通过在逆向瓶颈残差块中利用逐点卷积中的扩张卷积并更换非线性激活函数以解
决该问题;(3)为了解决降低模型参数导致的表达能力减弱的问题,本发明在逆向瓶颈残差
块中融合注意力模块,提升模型整体的表达能力;(4)为了过滤原始三分量地震图中的冗余
信息,抑制数据噪声,本发明在逆向瓶颈残差块之后增加最大池化操作,适当降低模型复杂
度的同时增加数据特征提取能力。
大池化层(MaxPooling),逆向瓶颈残差块(IBottleneck)包括六个,前四个逆向瓶颈残差块
后添加有最大池化层。各逆向瓶颈残差块的卷积操作由图3所示的一维深度可分离卷积中
的深度卷积和逐点卷积组成。本发明的地震信号检测和相位拾取是每个时间点的时间序列
分类任务,因此,如图3所示,应用一维深度可分离卷积来提高计算效率并减少网络参数。
卷积层(DepthConv1D)、注意力模块(SE Module)和投影层(Projection layer)。其中扩张
层中的扩张卷积和投影层中的投影卷积都属于逐点卷积。
出通道的数量,从而防止非线性激活功能破坏太多的信息。
利用感兴趣流形。但是,当输入通道的维数太低时,非线性变换会使通道崩溃,并不可避免
地丢失通道信息。因此,本发明利用扩张层来扩展输入特征向量的通道数,然后使用轻量级
的一维深度卷积为每个通道提取特征。扩张层和深度卷积层之后是批归一化(BN)和非线性
激活函数。本发明选择一个称为hard_swish的新式非线性激活函数,定义为:
网络的准确性。由于通道数量的增加,它可以避免非线性激活函数破坏过多的信息。
所示,将SE模块增加到每个逆向瓶颈残差块中,而不是仅仅只添加在某些块中。在输入层
中,使用一维标准卷积(图4中的Conv1D)来调整输入特征向量的通道数,以确保调整之后的
特征向量可以与投影层输出特征向量逐元素相加。如图4所示,SE模块中包括全池化层
(Global Pooling)、两个全连接层(FC)和hard sigmoid激活函数。
多优势,例如压缩特征长度,去除冗余信息,简化网络复杂性,降低计算复杂性以及最重要
的是抑制噪声。由于地震序列数据可能具有干扰噪声,从而影响最终检测结果,因此最大池
化层可以有效抑制背景噪声,并使编码器提取的特征更可靠地描述数据的固有物理含义。
此外,最大池化层可以在不增加参数的情况下有效地减轻操作负担。总而言之,这些优点非
常有助于深度学习方法来处理部署在边缘设备上的地震数据。
特征向量的通道数在一个较少的范围内就可以获得较高的表达能力。例如,根据图2所示的
流水线结构,对于编码器中的第四个逆向瓶颈残差块,输入通道c=24,内核大小k=5,扩展
通道e=96和输出通道d=40,该块的参数总数为:
形,最后输出375*48大小的特征向量。
局部上下文知识。本发明扩展了原始的非因果时序卷积网络TCN,并提出了对长时间序列具
有强大注意力能力的上下文感知注意力模块。
胀卷积,可实现指数级大的感受野并涵盖长期有效的历史信息。注意机制可以使特征向量
更具判别能力,以便模型可以突出显示重要特征。本发明将非因果时序卷积网络TCN用作时
间信息提取器,以捕获未来和历史信息。
神经网络的感受野。输出时间点t的感受野rft大小计算如下:
因果时序卷积网络TCN的一个示例,其中卷积内核大小k=3,隐藏层h=3,对应于输出时间
点的感受野大小为15。图5中,输入l*c大小的特征向量,第一层卷积中的膨胀因子
(Dilation)都设置为1,第二层卷积中的膨胀因子都设置为2,第三层卷积中的膨胀因子都
设置为4,经过三层卷积操作后的特征向量与经过同等映射(Identity Map)或1*1卷积操作
后的输入特征向量进行逐元素加法,最后输出l*c大小的特征向量。本发明的轻量级非因果
时序卷积网络TCN通过将序列的过去和将来都考虑在内,大大提高了计算精度和处理速度。
(Correlation matrix)的大小为94×94,注意权重矩阵(Attention weight matrix)大小
为94×32。与完全连接的神经网络相比,自注意力会动态生成权重矩阵并捕获序列中元素
的相关性。根据序列中的元素生成一个相关矩阵,以计算注意力矩阵。轻量级非因果时序卷
积网络TCN的输出层由 表示。et表示输入自注意机制结构的第t个特征,l是输
入特征的长度,de是特征的维度。以下公式显示了如何计算元素的相关矩阵ct,t′和注意力矩
阵a′t,t′:
型函数。at,t′是et与et′之间的注意力矩阵,a′t,t′是对at,t′归一化处理后的注意力矩阵。
块(图2在标记为Self‑Attention)。本发明在地震全波形识别上应用全局注意力机制,在P
波和S波的相位提取上应用局部注意力机制。全局注意力机制的感受野涵盖了整个序列,而
局部注意力机制仅关注相邻的元素。不同的感受野使网络更针对不同的任务。
非因果时序卷积网络TCN模块获取输入特征序列在时间上的特征,输出一个大小为375*16
的特征向量序列,再使用一个全局注意力机制模块A提取捕获了特征序列中元素相关性的
特征向量序列,该全局注意力机制模块A输出的特征向量的大小为375*16。然后,针对地震
信号识别的任务,设置一组非因果时序卷积网络TCN模块+全局注意力机制模块,针对P波和
S波的相位识别的任务,分别设置一组非因果时序卷积网络TCN模块+局部意力机制模块。将
全局注意力机制模块A输出的大小为375*16的特征向量序列分别输入三组模块中,提取对
应任务下的特征向量序列。所提取的特征向量序列,进一步增强了特征之间的时间相关性,
通过关注整个或局部时间序列的上下文信息,可显著提高检测精度。
学习多个任务比单独学习它们会带来更好的性能。Mousavi等人指出地震信号的检测和相
位的选择是密切相关的。它们利用多任务学习的优势并获得了出色的结果,但是在解码阶
段未连接低阶特征,这导致边缘细节信息的精炼能力差。与其直接应用标准的多任务学习
框架,本发明提出了一种多尺度异构解码器,该解码器由异构注意力模块和多尺度优化模
块组成。通过分离编码器生成的共享特征,探索了有益于不同任务的异构特征,并提高了地
震检测和相位拾取的准确性。
号的共享表示,并且解码器补充学习到的域相关信息。
包括全局池化层、一维卷积层(Conv1D)和Sigmoid激活函数。每个异构注意力模块对输入的
特征向量进行两步处理,首先按照通道维度进行全局平均池化和一维卷积,得到具有全局
感受野的特征向量,再利用sigmoid函数将每个元素映射到[0,1]的区间内,其中分数越高
表示该点对应元素越重要;其次将输入的特征向量经过一维深度可分离卷积操作;最后将
两步操作的结果使用逐元素乘法,进行注意力加权。异构注意模块是类似于SE模块的通道
注意机制,但是全连接层被核大小为1的卷积层替换,以减少参数和计算量。基于逆向瓶颈
残差块的编码器已提取了足够鲁棒的共享表示,因此简单的通道关注可以对相应任务产生
积极的推动作用。
通过连接低阶特征,从而逐渐恢复抽象的高阶特征。
意力模块从上下文感知注意模块对应分支的输出特征向量进行异构特征提取,输出的特征
向量输入第一个多尺度优化模块中,进行上采样和Sep Conv1D操作,然后输出750*32大小
的特征向量;其次,利用异构注意力模块对编码器的中间层进行处理,本发明实施例为编码
器第四层提取的特征向量进行异构特征提取,再与第一个多尺度优化模块输出的特征向量
相加,输入第二个多尺度优化模块中进行上采样和卷积操作,然后输出1500*16大小的特征
向量;最后,利用异构注意力模块从编码器的中间层,本发明实施例为编码器第二层,提取
的特征向量进行异构特征提取,再与第二个多尺度优化模块输出的特征向量相加,输入第
三个多尺度优化模块中进行上采样和卷积操作,最后输出6000*1大小的特征向量。根据所
输出的6000*1特征向量获取该向量对应任务的概率。
概率和S相概率。
于在其它地震数据集中推广,鲁棒性强。
波形和地震噪声波形。其地震类别包含的地震具有大约一百万个三分量地震信号样本,每
个样本1分钟长。其非地震类别包含地震噪声,包括大约300K个样本。STEAD涵盖了各种地质
情况和事件,有益于于训练和估计LCANet模型。
(70%),验证集(20%)和测试集(10%)。
震,其余的点标记为负。但是,对于P波和S波的相位拾取而言,震波到达时间是长序列中的
单点,导致正负样本数量严重失衡。为了解决此问题,当模型预测时间点到真实时间点小于
0.5秒时,将其视为正确预测的正样本TP。如图7所示,在第一个到达的P和S波处,P和S的概
率设置为1,并且在每个相位到达之前的50个样本和之后的50个样本中,点的概率线性降低
为0。
斯噪声以0.5的概率随机添加到地震波形中,以0.5的概率随机旋转、移动地震事件,以0.3
的概率随机添加噪声波形中的间隙,以0.3的概率将神经网络中一个或两个通道的值随机
设置为0。
573个可训练参数,神经网络模型的整体大小仅为3.7MB。
和指数衰减动态学习率策略,该模型在完整数据集上训练了50个周期。
度和召回率,如下计算:
比为15.0的地震波形,图8(c)是震级为0.1,震源距离为22km,信噪比为5.3的地震波形,图8
(d)是震级为2.3,震源距离为61km,信噪比为15.1的地震波形。根据图8中的地震描述,
LCANet对大地震和微震均具有较高的预测性能,并且鲁棒性强。对于8(d)的波形,E和N分量
可能会损坏,不过只有一个分量时LCANet也具有出色的预测结果。其中E、N和Z分别表示东、
北和垂直三个方向。
的变化。当比率突然上升时,信号的短时窗口平均值变化快于信号的长时窗口平均值变化。
如果设置了适当的阈值,则当比率超过阈值时,可以准确捕捉到地震事件信号。
窗口。
设备上。
本发明LCANet 1.0 1.0 1.0
STA/LTA 0.88 0.99 0.93
本发明LCANet 0.00 0.01 1.0 0.99 0.99 0.00
AR‑AIC 0.02 0.36 0.84 0.67 0.74 0.18
本发明LCANet 0.00 0.04 1.0 0.97 0.98 0.01
AR‑AIC 0.09 0.59 0.81 0.54 0.65 0.26
秒为单位的误差的平均值和标准偏差。
可能会占用上百每瓦。而在边缘计算的场景中,地震台站的边缘设备端只能提供有限的电
力功率,并要求实时预测结果。本发明部署在Nano上的LCANet模型功耗仅约为7.5瓦。如此
小的功率开销同时也具备高处理速度,在160毫秒处理约10个序列,各序列包含一分钟的数
据记录。
公开地震数据集上进行测试。由于地震信号记录的标准在世界范围内有所不同,因此需要
对该地区的数据集进行标准化预处理。首先,通过去除均值,对1至45Hz之间的带通滤波并
进行归一化来消除所有迹线的趋势。然后,将原始的连续数据重新采样到100Hz,并每一分
钟分割一段波形,以获得6000个样本的标准信号数据。分割窗口之间的重叠率保持为0.3,
以确保检测任务的稳定性。图9中的每个波形长60秒,每秒包含100个采样点。这些图片由上
到下显示了三通道波形以及地震信号检测,P波拾取和S波拾取的模型预测。
验中设为0.3时,就会预测为正。这种概率机制提供了更多的预测信息,而经典或手动方法
将点标记为绝对正样本或绝对负样本。特别是对于地震窗口的预测而言,由于其窗口是一
个较长的时间片段,边缘的判定往往不准,这个时候给出边缘的预测概率分布比一个绝对
的分割点显然更合理,图9显示出模型预测概率在窗口边缘处平稳地变化。当包含6000个样
本点的波形中存在多个地震事件时,本发明可以理想地检测出多个地震信号并拾取多个震
波的到达时间,包括可以检测出微震。微震是一种地震强度低的地震,往往不会被人体感知
到而且也很难识别,给出微震预测的概率比一个有无的绝对判定更有价值。实验证明,本发
明方法具有地区普适性。