CN108805269B - 一种基于lstm循环神经网络拾取震相到时的方法 - Google Patents
一种基于lstm循环神经网络拾取震相到时的方法 Download PDFInfo
- Publication number
- CN108805269B CN108805269B CN201810688776.5A CN201810688776A CN108805269B CN 108805269 B CN108805269 B CN 108805269B CN 201810688776 A CN201810688776 A CN 201810688776A CN 108805269 B CN108805269 B CN 108805269B
- Authority
- CN
- China
- Prior art keywords
- arrival time
- data
- neural network
- recurrent neural
- wave
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 230000000306 recurrent effect Effects 0.000 title claims abstract description 47
- 238000013528 artificial neural network Methods 0.000 title claims abstract description 37
- 238000000034 method Methods 0.000 title claims abstract description 28
- 208000035126 Facies Diseases 0.000 title claims abstract description 15
- 238000012360 testing method Methods 0.000 claims abstract description 28
- 238000012549 training Methods 0.000 claims abstract description 24
- 238000003062 neural network model Methods 0.000 claims abstract description 17
- 125000004122 cyclic group Chemical group 0.000 claims abstract description 14
- 238000004458 analytical method Methods 0.000 claims abstract description 7
- 238000012545 processing Methods 0.000 claims abstract description 6
- 238000007781 pre-processing Methods 0.000 claims abstract description 4
- 230000008569 process Effects 0.000 claims description 12
- 238000005070 sampling Methods 0.000 claims description 12
- 230000004913 activation Effects 0.000 claims description 6
- 230000000694 effects Effects 0.000 claims description 6
- 238000004364 calculation method Methods 0.000 claims description 4
- 230000002708 enhancing effect Effects 0.000 claims description 3
- 238000011478 gradient descent method Methods 0.000 claims description 3
- 230000006870 function Effects 0.000 description 8
- 238000010586 diagram Methods 0.000 description 4
- 230000009471 action Effects 0.000 description 3
- 238000013527 convolutional neural network Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000006403 short-term memory Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 230000001934 delay Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000010365 information processing Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 238000003058 natural language processing Methods 0.000 description 1
- 239000002245 particle Substances 0.000 description 1
- 238000011176 pooling Methods 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/044—Recurrent networks, e.g. Hopfield networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
Abstract
本发明公开了一种基于LSTM循环神经网络拾取震相到时的方法,包括如此步骤:(1)、获取原始地震波形数据,对波形进行截断处理,输出包含P波和S波的等长波形数据;(2)、对数据集中的波形数据进行预处理,再将数据集划分为训练数据集和测试数据集;(3)、构建LSTM循环神经网络的结构;(4)、训练LSTM循环神经网络模型,使用测试数据集对训练后的模型进行测试,当测试结果满足精度要求,则训练完成;步骤(5):将训练后的LSTM循环神经网络模型部署在波形分析系统中,分析地震波形数据,拾取P波到时和S波到时。本发明采用技术方案抗噪性能好,在P波到时和S波到时拾取上都表现优异,具有很好的技术价值和应用前景。
Description
技术领域
本发明涉及信息处理技术领域,具体涉及一种基于LSTM循环神经网络拾取震相到时的方法。
背景技术
地震发生时,产生多种震相,最关键的震相是纵波(P波)和横波(S波)。在地震监测中,拾取P波和S波到时是震源定位及震相识别技术的关键环节。通过实时分析来自台站测震仪采集的波形数据,检测到地震事件,并拾取P波和S波到时时间,再结合其他技术手段,工作人员可以确定震源位置以及震级,及时上报上级部门,并通告其他部门。传统的震相到时拾取方法多是从振幅、频率等角度来进行特征提取,在波形特征明显且噪音数据少的情况,获取了较好的效果,但在信噪比大、波形特征复杂的情况下,效果不理想,误差大。和有经验的专业人员相比,这些方法还存在比较大的差距,没有办法做到全自动化分析并上报,需要人工对分析结果进行审核和校正。
随着地震台网的建设和完善,高精度的宽频地震检测仪器设备数量逐步增多,采集的波形数据量不断增长。另外,台站分布在不同区域,仪器型号多种多样,采集的波形数据夹杂了噪音和冗余信息,给震相到时拾取工作带来了巨大的挑战,急需高精度的自动化拾取震相到时解决方案。
发明内容
本发明的目的在于提供一种基于LSTM循环神经网络拾取震相到时的方法,能够实时分析地震波形数据,精确拾取P波到时和S波到时,为地震速报提供自动化解决方案。
随着机器学习,特别是深度神经网络技术的发展,越来越多的研究人员,开始尝试用神经网络来进行震相拾取。和传统的震相识别方法相比,深度神经网络模型可以自主从样本数据中学习到地震波形的准确特征,且具有良好的鲁棒性,对背景噪音有很强的抗干扰性。
本发明提出了一种用LSTM(Long Short Term Memory,长短期记忆网络)循环神经网络来拾取震相到时的方法。循环神经网络是一种处理序列数据的深度神经网络模型,在语音识别、自然语言处理和其他领域中得到了广泛应用。LSTM是一种特殊的循环神经网络,擅长处理和预测时间序列中有一定间隔和延迟的重要事件。地震波形是一维的时序数据,和音频数字信号非常相似。在一次地震事件中,P波先于S波到达,时间上有一个间隔。另外,P波震动方向与波前进方向平行,而S波震动方向垂直于波的前进方向,使得P波到时和S波到时有明显的分界点。地震波形数据的这些特征,与LSTM循环神经网络的适用场景很一致。通过建立LSTM循环神经网络模型,从样本数据中学习震相到时的特征,然后应用在实时波形数据分析中,实现P波到时和S波到时的自动拾取。
为实现上述目的,本发明提供如下技术方案:
一种基于LSTM循环神经网络拾取震相到时的方法,包括如下步骤:
步骤(1):获取原始地震波形数据,对波形进行截断处理,输出包含P波和S波的等长波形数据。数据都来自宽频三分量地震仪设备,即三个通道,时长为24秒,采样频率为100Hz,并记录下对应的P波到时和S波到时,形成一个数据集;
(1.1)、主要通过整理地震台网中心的历史数据来获取地震原始波形数据;地震原始波形数据有mseed和SAC两种文件格式,从原始地震波形数据截取等长的波形数据,转化为统一格式,每组波形包含至少一组P波和S波;
(1.2)、使用工具批量标注P波和S波到时,再用人工校正,提升样本标注效率;
步骤(2):对数据集中的波形数据进行预处理,再将数据集划分为训练数据集和测试数据集,其中测试集占比15%;
(2.1)、使用标准方差公式对波形进行归一化处理,增强地震波形和背景噪音的对比;
(2.2)、运用高斯分布方程,将P波到时和S波到时转换为正态分布的概率形式,以消除样本中的误差因子;
标注的P波到时、S波到时值为x,转换得到的概率值f(x)为:
其中μ=0,σ=0.5。
步骤(3):构建LSTM循环神经网络的结构;
(3.1)、LSTM循环神经网络结构如图2所示,一共由n个循环单元组成,每个单元的结构完全相同,n与输入数据的长度相等。每个单元都由输入层、隐藏层和输出层组成,上一个单元的输出作为下一单元的输入,如此循环,直到所有的输入数据都计算完毕;
LSTM循环神经网络的循环单元结构如图3所示,输入数据记为x,其中xi,i=1,2,…,n为输入数据的一个采样点数据,n代表输入数据的长度。x1作为第一个循环单元的输入,同时输入默认的单元系数c0和激活值a0,经过计算后输出y1、单元系数c1、激活值a1,c1和a1又作为第2个循环单元的输入,如此循环下去。
(3.3)、输入数据的长度是通道数×采样率×时长+1,即3×100×24+1=7201,所以循环单元的数目为7201;
(3.3)、输出数据的长度为:分类数量×采样率×时长+1,其中分类数量为3,分别代表P波到时概率、S波到时概率和噪音三种情况,输出数据的长度为:3×100×24+1=7201;每条输出数据代表了每个数据点的震相到时的发生概率,当概率值超过阈值,即视为对应的震相到时;
步骤(4):训练LSTM循环神经网络模型,使用测试数据集对训练后的模型进行测试,当测试结果满足预设精度要求,则训练完成;
(4.1)、将训练样本分批次输入到LSTM循环神经网络模型;
(4.2)、训练时,采用交叉熵损失函数计算输出效果,通过随机梯度下降法不断调整模型参数;
(4.3)、经过大量的迭代后,LSTM循环神经网络模型的性能收敛到最佳;此后,在训练集上对网络模型进行测试;若测试精度没有达到预设要求(即要求正确率小于95%),则回到步骤(4.1),重新训练;若测试精度达到预设要求,则完成了整个训练过程;
步骤(5):将训练后的LSTM循环神经网络模型部署在波形分析系统中,分析地震波形数据,拾取P波到时和S波到时。
其中,部分专业名词解释:
地震台站:指利用各种地震仪器进行地震观测的观测点,是开展地震观测和地震科学研究的基层机构。
震相:性质不同或传播路径不同的地震波组叫震相。各种震相在到时、波形、振幅、周期和质点运动方式等方面都各有它们自己的特征。震相特征取决于震源、传播介质和接收仪器的特性。
P波:全称是Primary Wave,指地震纵波,使地面发生上下振动,破坏性较弱。在所有地震波中,P波传递速度快,地震发生时,最早抵达震中。
S波:全称是Secondary Wave,指地震横波,使地面发生前后、左右抖动,破坏性较强,继P波后到达震中。
卷积神经网络:全称是Convolution Neural Networks,人工神经网络的一种,一般由卷积层、池化层和全连接层构成。
LSTM网络:全称是Long Short Term Memory,长短期记忆网络,是一种循环神经网络,适合于处理和预测时间序列中间隔和延迟相对较长的重要事件。
本发明的有益效果为:
现有的使用深度神经网络拾取震相到时的方法,均采用卷积神经网络,在拾取P波到时取得了不错的效果,但拾取S波到时的效果不够理想。相比之下,本发明采用技术方案抗噪性能好,在P波到时和S波到时拾取上都表现优异,具有很好的技术价值和应用前景。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1为本发明实施例中提供的基于LSTM循环神经网络拾取震相方法的流程图;
图2为本发明实施例中提供的LSTM循环神经网络的结构示意图;
如图2所示,LSTM循环神经网络由n个单元组成,每个单元的结构完全相同,n与输入数据的长度相等。每个单元都由输入层、隐藏层和输出层组成,上一个单元的输出作为下一单元的输入,如此循环,直到所有的输入数据都计算完毕。
图3为本发明实施例中提供的LSTM循环神经网络的循环单元示意图;
如图3所示,单元内部包含了4个网络层,其中两个网络层的激活函数是S型函数(sigmoid函数),另外两个网络层的激活函数是双曲函数(tanh函数)。另外还设置了3道门来控制信息的流通方式,如图3中的和“门”是LSTM循环神经网络最典型的特征,起到了保留信息和过滤噪音的作用。
xi作为第i个循环单元的输入,同时输入单元系数ci-1和激活值ai-1,经过计算后输出yi、单元系数ci、激活值ai,ci和ai又作为第i+1个循环单元的输入,整个过程如下:
yi=ai
图4为本发明实施例中提供的基于LSTM循环神经网络拾取震相的示意图;
图5为本发明实施例中提供的基于LSTM循环神经网络分析实时数据拾取震相结果的示意图;
如图5所示,上部分是波形数据,下部分是LSTM循环神经网络输出的P波到时、S波到时概念分布,从结果可以看出,两者贴合度非常高。
具体实施方式
下面结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明的保护范围。
如图1~5所示,本发明提供一种基于LSTM循环神经网络拾取震相到时的方法的具体实施例,其主要包括如下步骤:
步骤(1):获取原始地震波形数据,对波形进行截断处理,输出包含P波和S波的等长波形数据。数据都来自宽频三分量地震仪设备,即三个通道,时长为24秒,采样频率为100Hz,并记录下对应的P波到时和S波到时,形成一个数据集;
步骤(2):对数据集中的波形数据进行预处理,再将数据集划分为训练数据集和测试数据集,其中测试集占比15%;
(2.1)、使用标准方差公式对波形进行归一化处理,增强地震波形和背景噪音的对比;
(2.2)、运用高斯分布方程,将P波到时和S波到时转换为正态分布的概率形式,以消除样本中的误差因子;
标注的P波到时、S波到时值为x,转换得到的概率值f(x)为:
其中μ=0,σ=0.5。
步骤(3):构建LSTM循环神经网络的结构;
(3.1)、LSTM循环神经网络结构如图2所示,一共由n个循环单元组成,每个单元的结构完全相同,n与输入数据的长度相等。每个单元都由输入层、隐藏层和输出层组成,上一个单元的输出作为下一单元的输入,如此循环,直到所有的输入数据都计算完毕;
LSTM循环神经网络的循环单元结构如图3所示,输入数据记为x,其中xi,i=1,2,…,n为输入数据的一个采样点数据,n代表输入数据的长度。x1作为第一个循环单元的输入,同时输入默认的单元系数c0和激活值a0,经过计算后输出y1、单元系数c1、激活值a1,c1和a1又作为第2个循环单元的输入,如此循环下去。
(3.3)、输入数据的长度是通道数×采样率×时长+1,即3×100×24+1=7201,所以循环单元的数目为7201;
(3.3)、输出数据的长度为:分类数量×采样率×时长+1,其中分类数量为3,分别代表P波到时概率、S波到时概率和噪音三种情况,输出数据的长度为:3×100×24+1=7201;每条输出数据代表了每个数据点的震相到时的发生概率,当概率值超过阈值,即视为对应的震相到时;
步骤(4):训练LSTM循环神经网络模型,使用测试数据集对训练后的模型进行测试,当测试结果满足预设精度要求,则训练完成;
(4.1)、将训练样本分批次输入到LSTM循环神经网络模型;
(4.2)、训练时,采用交叉熵损失函数计算输出效果,通过随机梯度下降法不断调整模型参数;
(4.3)、经过大量的迭代后,LSTM循环神经网络模型的性能收敛到最佳;此后,在训练集上对网络模型进行测试;若测试精度没有达到预设要求(即要求正确率小于95%),则回到步骤(4.1),重新训练;若测试精度达到预设要求,则完成了整个训练过程;
步骤(5):将训练后的LSTM循环神经网络模型部署在波形分析系统中,分析地震波形数据,拾取P波到时和S波到时。
还需要说明的是,在本文中,诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来,而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
本说明书中各个实施例采用递进的方式描述,每个实施例重点说明的都是与其他实施例的不同之处,各个实施例之间相同相似部分互相参见即可。
对所公开的实施例的上述说明,使本领域专业技术人员能够实现或使用本发明。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的,本文中所定义的一般原理可以在不脱离本发明的精神或范围的情况下,在其它实施例中实现。因此,本发明将不会被限制于本文所示的这些实施例,而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。
Claims (1)
1.一种基于LSTM循环神经网络拾取震相到时的方法,其特征在于,包括如下步骤:
步骤(1):获取原始地震波形数据,对波形进行截断处理,输出包含P波和S波的等长波形数据;数据都来自宽频三分量地震仪设备,即为三个通道,时长为24秒,采样频率为100Hz,并记录下对应的P波到时和S波到时,形成一个数据集;
步骤(2):对数据集中的波形数据进行预处理,再将数据集划分为训练数据集和测试数据集,其中测试集占比15%;
(2.1)、使用标准方差公式对波形进行归一化处理,增强地震波形和背景噪音的对比;
(2.2)、运用高斯分布方程,将P波到时和S波到时转换为正态分布的概率形式,以消除样本中的误差因子;
标注的P波到时、S波到时值为x,转换得到的概率值f(x)为:
其中μ=0,σ=0.5;
步骤(3):构建LSTM循环神经网络的结构;
(3.1)、LSTM循环神经网络结构是一共由n个循环单元组成,每个单元的结构完全相同,n与输入数据的长度相等;每个单元都由输入层、隐藏层和输出层组成,上一个单元的输出作为下一单元的输入,如此循环,直到所有的输入数据都计算完毕;
LSTM循环神经网络的循环单元结构中:输入数据记为x,其中xi,i=1,2,…,n为输入数据的一个采样点数据,n代表输入数据的长度;x1作为第一个循环单元的输入,同时输入默认的单元系数c0和激活值a0,经过计算后输出y1、单元系数c1、激活值a1,c1和a1又作为第2个循环单元的输入,如此循环下去;
(3.3)、输入数据的长度是通道数×采样率×时长+1;
(3.3)、输出数据的长度为:分类数量×采样率×时长+1,其中分类数量为3,分别代表P波到时概率、S波到时概率和噪音三种情况,输出数据的长度为:3×100×24+1=7201;每条输出数据代表了每个数据点的震相到时的发生概率,当概率值超过阈值,即视为对应的震相到时;
步骤(4):训练LSTM循环神经网络模型,使用测试数据集对训练后的模型进行测试,当测试结果满足预设精度要求,则训练完成;
(4.1)、将训练样本分批次输入到LSTM循环神经网络模型;
(4.2)、训练时,采用交叉熵损失函数计算输出效果,通过随机梯度下降法不断调整模型参数;
(4.3)、经过大量的迭代后,LSTM循环神经网络模型的性能收敛到最佳;此后,在训练集上对网络模型进行测试;若测试精度没有达到预设要求,则返回到步骤(4.1),重新训练;若测试精度达到预设要求,则完成了整个训练过程;
步骤(5):将训练后的LSTM循环神经网络模型部署在波形分析系统中,分析地震波形数据,拾取P波到时和S波到时。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810688776.5A CN108805269B (zh) | 2018-06-28 | 2018-06-28 | 一种基于lstm循环神经网络拾取震相到时的方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810688776.5A CN108805269B (zh) | 2018-06-28 | 2018-06-28 | 一种基于lstm循环神经网络拾取震相到时的方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN108805269A CN108805269A (zh) | 2018-11-13 |
CN108805269B true CN108805269B (zh) | 2021-11-30 |
Family
ID=64072213
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810688776.5A Active CN108805269B (zh) | 2018-06-28 | 2018-06-28 | 一种基于lstm循环神经网络拾取震相到时的方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108805269B (zh) |
Families Citing this family (16)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109738939B (zh) * | 2019-03-21 | 2022-06-21 | 蔡寅 | 一种地震前兆数据异常检测方法 |
CN110032975B (zh) * | 2019-04-15 | 2021-09-07 | 禁核试北京国家数据中心 | 一种地震震相的拾取方法 |
CN110220979B (zh) * | 2019-06-26 | 2021-12-10 | 重庆地质矿产研究院 | 基于微地震技术的高陡岸坡稳定性监测系统与评价方法 |
CN110488351A (zh) * | 2019-08-15 | 2019-11-22 | 东北大学 | 基于机器学习的地震波震动性质识别方法 |
CN110501742A (zh) * | 2019-08-22 | 2019-11-26 | 东北大学 | 一种采用Boosting集成学习算法对地震事件进行区分的方法 |
CN110542920B (zh) * | 2019-09-03 | 2021-06-22 | 北京云庐科技有限公司 | 地震数据处理方法及其系统 |
CN111141412A (zh) * | 2019-12-25 | 2020-05-12 | 深圳供电局有限公司 | 电缆温度和防盗的双监测方法、系统和可读存储介质 |
CN111538076B (zh) * | 2020-05-13 | 2021-08-03 | 浙江大学 | 基于深度学习特征融合的地震震级快速估算方法 |
CN111734772B (zh) * | 2020-06-16 | 2021-06-04 | 大连理工大学 | 一种薄壁件加工中的磁流变抑振方法 |
CN112364296B (zh) * | 2020-11-17 | 2023-08-04 | 东北大学 | 一种基于深度学习的p波到时自动拾取方法 |
CN112733425B (zh) * | 2020-12-10 | 2023-01-03 | 东华理工大学 | 神经网络训练方法、装置、计算机设备及存储介质 |
CN112799130A (zh) * | 2021-02-03 | 2021-05-14 | 东北大学 | 一种基于深度学习的地震波振幅预测方法 |
CN112884134B (zh) * | 2021-04-01 | 2022-04-26 | 山西云芯新一代信息技术研究院有限公司 | 面向地震震相识别的基于时域的卷积神经网络模型及应用 |
CN113671564B (zh) * | 2021-08-11 | 2023-07-21 | 西安石油大学 | 基于narx动态神经网络的微地震有效事件自动拾取方法 |
CN114004342B (zh) * | 2021-11-29 | 2023-05-30 | 中国科学院光电技术研究所 | 一种基于lstm网络的激光通信系统畸变波前预测方法 |
CN115963548B (zh) * | 2023-01-16 | 2024-01-23 | 中国矿业大学 | 一种基于反绎学习的矿井微震p波到时拾取模型构建方法 |
Family Cites Families (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105223614B (zh) * | 2015-09-23 | 2017-06-23 | 中南大学 | 一种基于dwt_sta/lta的含噪信号p波初至峰度拾取方法 |
US10664766B2 (en) * | 2016-01-27 | 2020-05-26 | Bonsai AI, Inc. | Graphical user interface to an artificial intelligence engine utilized to generate one or more trained artificial intelligence models |
CN106407649B (zh) * | 2016-08-26 | 2019-01-29 | 中国矿业大学(北京) | 基于时间递归神经网络的微震信号到时自动拾取方法 |
CN106896407B (zh) * | 2017-03-28 | 2018-07-13 | 吉林大学 | 一种基于近似负熵的微地震信号初至拾取方法 |
CN106971230A (zh) * | 2017-05-10 | 2017-07-21 | 中国石油大学(北京) | 基于深度学习的初至拾取方法及装置 |
CN107479094B (zh) * | 2017-09-18 | 2018-11-30 | 辽宁工程技术大学 | 一种实现地震预警的方法 |
-
2018
- 2018-06-28 CN CN201810688776.5A patent/CN108805269B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN108805269A (zh) | 2018-11-13 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108805269B (zh) | 一种基于lstm循环神经网络拾取震相到时的方法 | |
CN109212597B (zh) | 基于深度信念网络和扫描叠加的微震源自动定位方法 | |
Mousavi et al. | STanford EArthquake Dataset (STEAD): A global data set of seismic signals for AI | |
CN111723329B (zh) | 一种基于全卷积神经网络的震相特征识别波形反演方法 | |
CN110032975B (zh) | 一种地震震相的拾取方法 | |
CN111538076B (zh) | 基于深度学习特征融合的地震震级快速估算方法 | |
CN111580151B (zh) | 一种基于SSNet模型的地震事件到时识别方法 | |
CN113568043B (zh) | 基于深度卷积神经网络的三阶段震相拾取方法 | |
CN113687433B (zh) | 一种基于Bi-LSTM的大地电磁信号去噪方法及系统 | |
CN112884134B (zh) | 面向地震震相识别的基于时域的卷积神经网络模型及应用 | |
CN111983676A (zh) | 一种基于深度学习的地震监测方法及装置 | |
CN111027452A (zh) | 基于深度神经网络的微震信号到时和震相识别方法及系统 | |
He et al. | PickCapsNet: Capsule network for automatic P-wave arrival picking | |
CN114509811B (zh) | 一种基于深度学习的单台站后方位角估计方法与装置 | |
US20240078413A1 (en) | Massive data-driven method for automatically locating mine microseismic source | |
CN109507726A (zh) | 时间域弹性波多参数全波形的反演方法及系统 | |
CN111365624A (zh) | 一种输卤管道泄漏检测的智能终端与方法 | |
He et al. | Enhancing seismic p-wave arrival picking by target-oriented detection of the local windows using faster-rcnn | |
CN114842280A (zh) | 一种基于卷积神经网络的自动识别微地震信号算法 | |
CN115826042B (zh) | 一种边云端结合的分布式地震数据处理方法与装置 | |
CN112364296A (zh) | 一种基于深度学习的p波到时自动拾取方法 | |
Kitagawa et al. | Signal extraction problems in seismology | |
CN104865601B (zh) | 确定地震勘探中采集的地震记录的类型的方法 | |
CN110007342B (zh) | 一种用于低信噪比地震信号的时频域直接拾取初至方法及系统 | |
WO2024099422A1 (zh) | 一种基于UNet的面波频散质量快速评估方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant | ||
PE01 | Entry into force of the registration of the contract for pledge of patent right | ||
PE01 | Entry into force of the registration of the contract for pledge of patent right |
Denomination of invention: A Method for Picking up Seismic Phase Arrival Time Based on LSTM Recurrent Neural Network Effective date of registration: 20231007 Granted publication date: 20211130 Pledgee: Guotou Taikang Trust Co.,Ltd. Pledgor: HANGZHOU XUJIAN SCIENCE AND TECHNOLOGY Co.,Ltd. Registration number: Y2023980059619 |