CN109086872A - 基于卷积神经网络的地震波识别算法 - Google Patents
基于卷积神经网络的地震波识别算法 Download PDFInfo
- Publication number
- CN109086872A CN109086872A CN201810851740.4A CN201810851740A CN109086872A CN 109086872 A CN109086872 A CN 109086872A CN 201810851740 A CN201810851740 A CN 201810851740A CN 109086872 A CN109086872 A CN 109086872A
- Authority
- CN
- China
- Prior art keywords
- data
- network
- training
- convolution
- neural networks
- 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.)
- Pending
Links
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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
-
- 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
-
- 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
- G06N3/084—Backpropagation, e.g. using gradient descent
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Software Systems (AREA)
- Mathematical Physics (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Computing Systems (AREA)
- Molecular Biology (AREA)
- General Health & Medical Sciences (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Geophysics And Detection Of Objects (AREA)
Abstract
本发明公开一种基于卷积神经网络的图像识别和特征提取方法,主要包括如下步骤:挑选足够数量能够支持网络训练的地震与非地震的数据;对数据进行去噪、起点处截取等相关预处理确保数据的可用性;根据需求搭建卷积神经网络,在调试以及测试的过程中再根据需要和效果不断调整层数和一些重要参数;采取dropout,Batch Normalization等一些防止过拟合的手段;将地震数据以三分量三通道的形式传送到网络中,进行不断的训练与调试,进行多番训练后用网络模型进行测试,根据结果调整训练数据的组成比例、迭代次数以及数据量的大小;通过此方法我们可以达到97.17%的准确率对地震波进行识别。
Description
技术领域
本发明属于深度学习领域。针对自然地震与非自然地震区分以及识别问题,提出了一种基于卷积神经网络的模型,通过不断优化网络,使该模型能够达到精确区分自然和非自然地震的效果,能广泛应用于地震的识别。
背景技术
地震是破坏性最大的自然灾害之一,它具有突发性和毁灭性的特点,并会产生严重的次生灾害,给人们的生命财产造成巨大的损失。中国是地震多发的国家,地震多发于台湾省、西南地区、西北地区、华北地区、东南沿海地区等五个地区以及23条地震带上。
天然地震会给人们带来严重的人身财产的危害,但在地震识别中,自然地震与非自然地震(如:人工爆破、矿震)是地震识别领域有着举足轻重的地位,及时,方便,快速的识别出自然地震事件和非自然地震事件对于防震减灾事业和国家安全都具有重要意义。
对于目前的地震识别领域中出现的地震识别方法基本为以下几种:
1.利用多个特征值来进行自然地震和非自然地震的识别;
自然地震的真元为非对称的剪切源,真元一般位于地底深处,能亮衰减较慢,频率成分复杂。非自然地震,例如人工爆破,地下核爆破实验等此类地震的震源是对称的膨胀源,发生在地表浅层处,持续时间短,能量衰减快。爆破波的高频成分一般多于地震波,他们振动频率有较大差异。目前国内外对自然地震和非自然地震的识别进行了大量研究,提出了很多特征来识别自然地震和非自然地震,常见的有:能量比,振幅比,小波变换特征参数,瞬态谱,LPCC特征参数等。
对于这种识别方法,存在特征值提取难度大,算法时间复杂度高,在特征不够的情况下还会引起识别精度低等缺点。
2.基于运筹学的矩阵决策算法的自然地震和非自然地震的识别;
利用运筹学中的统计型决策中的矩阵法,设计矩阵决策算法,利用自然地震和非自然地震的某些特征上的差异,对地震事件进行决策分析,最后判定为自然地震事件和非自然地震事件对于这种识别方法,存在算法精度低,实时性不高的缺点。
3.基于欧氏距离算法的KNN算法;
knn是较快捷的一种分类判别方法,通过对数据建立标签,到达一个新数据时,对新数据进行欧氏距离算法,把他归到靠近的类别中。
这种算法对于数据量与精度的要求过高,数据不准确和数据量过小的情况都会对算法的识别精度有影响。而且限于算法,识别精度存在上限,精度不够高。
深度学习的概念源于人工神经网络的研究,其核心是特征学习,旨在通过分层网络获取分层次的特征信息,从而解决以往需要人工设计特征的重要难题。深度学习是一个框架,包含多个重要算法,我们选择使用的Convolutional Neural Networks(CNN)卷积神经网络就是其中之一。卷积神经网络是一种多层神经网络,通过一系列方法,成功将数据量庞大的识别问题不断降维,最终使其能够被训练。
一个最典型的卷积网络,由卷积层、池化层、全连接层组成。其中卷积层与池化层配合,组成多个卷积组,逐层提取特征,最终通过若干个全连接层完成分类。卷积是CNN的核心,
对不同的数据窗口数据和滤波矩阵(一组固定的权重:因为每个神经元的权重固定,所以又可以看做一个恒定的滤波器filter)做内积(逐个元素相乘再求和)的操作就是所谓的卷积操作。
在卷积神经网络中,卷积层的每一个卷积滤波器重复的作用于整个感受野中,对输入数据进行卷积,卷积结果构成了输入数据的特征,提取出图像的局部特征。每一个卷积滤波器共享相同的参数,包括相同的权重矩阵和偏置项。共享权重的好处是在对图像进行特征提取时不用考虑局部特征的位置。而且权重共享提供了一种有效的方式,使要学习的卷积神经网络模型参数数量大大降低。
卷积层完成的操作,可以认为是受局部感受野概念的启发,而池化层,主要是为了降低数据维度。综合起来说,CNN通过卷积来模拟特征区分,并且通过卷积的权值共享及池化,来降低网络参数的数量级,最后通过全连接层完成分类等任务。
发明内容
针对自然及非自然震动频发问题,本发明的目的在于设计一个地震识别算法。该方法可以有效的识别自然地震与非自然地震,并对地震局辅助识别地震具有使用价值。
本发明采用的技术方案是:
基于卷积神经网络的地震波识别算法,完美的弥补了传统方法的短板,拥有速度快、精确度高、成本低等特点。综上所述,我们在做足对地震波的了解的前提下,基于卷积神经网络,运用三分量的地震波数据对网络进行训练,在训练过程中不断调整网络结构,了解网络的特征与精髓,实现地震波识别这一目的。
附图说明
图1是本发明的前向传播算法示意图。
图2是本发明的后向传播示意图。
图3是本发明的神经网络结构示意图。
图4是本发明的使用keep_drop算法改善网络模型的过拟合示意图一。
图5是本发明的使用keep_drop算法改善网络模型的过拟合示意图二。
具体实施方式
下面结合说明书附图1-5对本发明进一步详细说明。
一种基于卷积神经网络的地震波识别算法,步骤一:模型训练数据采集;
本方法首先通过STA/LTA的方法找到地震数据内p波起点的位置,从p波起点向后截取169秒即16900个数据点作为单个台站单次地震事件在该维度上的训练数据。任何一个地震事件由南北、东西、垂直于地表这三个纬度进行记录,因此对于单个台站单次地震事件,该模型会获取大小为3×16900的向量。在将该向量添加进训练集的过程中使用滑动窗口取平均值的方法控制数据规模,并将三个纬度上的数据按照东西、南北、垂直的顺序进行拼接。不断重复这个过程直至所有提供的训练数据被加载进训练集。
步骤二:搭建网络结构并训练;
本方法采用一个八卷积层、三全连接层的卷积神经网络,每一层设置相同的卷积尺寸大小和不同的卷积通道数。网络模型的卷积层会进行卷积运算。
对于每一个卷积层添加了正则化处理;分别在第1、3、4、6、8层设置了池化窗口为1×2的池化层;对于全连接层采用了keep_drop算法(如图4所示)改善过拟合情况。
训练的过程中采用了mini_batch方法、学习率指数衰减进行分批训练,加快训练速度。网络结构的具体说明如下:
关于卷积尺寸和卷积通道数,本方法使用的卷积尺寸为1×3,每次卷积运算的步长为1,每个卷积层卷积通道数为16、16、24、32、32、48、64、64。关于keep_drop方法,本模型中的保留系数为0.65。关于学习率指数衰减,本模型中采用的学习率初值为0.0001,步长为2000,衰减指数为0.96。关于mini_batch批训练方法,本模型中采用的单批训练样本数量为256。经过次迭代,模型的准确率达到97.17%。
步骤三:测试与应用;
利用测试集可以算出该网络模型的准确率。将训练完成后的网络模型读取,将需要判断的数据按照格式输入网络结构。经过网络运算后即可得出结果。
一种基于卷积神经网络的方法。通过自主设计网络模型,大量地震与非地震数据进行训练,并不断修改优化网络,获得达到接近100%准确率的模型。最终可以极为准确的判断震动的类型。
具体步骤如下:
搭建一个拥有八层卷积层、三层全连接层的卷积神经网络。
数据通过前向传播算法和反向传播算法经过网络。在一次前向传播和一次反向传播之后,网络中的各个参数得到了更新。训练的过程就是不断重复前向传播、后向传播的过程。具体的前向传播、后向传播步骤如下:
前向传播,数据经过网络中的各个神经元,并进行相应的计算。针对每一层的网络结构中的任何一个节点,他的值由上一层网络所有的神经元的结果与权重相乘再加上对应的偏移量。如图1所示,前向传播得到的结果可以被用来计算损失函数。
卷积是两个变量在某范围内相乘后求和的结果。如果卷积的变量是序列x(n)和h(n),则卷积的结果
反向传播,前面用初始化的联结权重计算的输出层值和实际值肯定会有很大的偏差,我们需要对连接权重进行优化,此时就需要使用反向传播算法。反向传播的具体算法如图2所示,可以利用反向传播算法对网络结构进行优化。
根据前向传播、后向传播的算法,搭建了卷积神经网络的模型。该模型是一个拥有八层卷积层、三层全连接层的卷积神经网络。卷积层的作用是利用卷积核提取出地震波形图中的特征,传导至下一层网络。全连接层起到分类的作用,将卷积层提取出的特征进行运算、分类,最终得出一个二元标签来分辨该地震波是否为自然地震。
Claims (2)
1.一种基于卷积神经网络的判断自然地震波的方法,其特征在于,包括如下步骤:
步骤一、模型训练数据采集;
首先通过STA/LTA的方法找到地震数据内p波起点的位置,从p波起点向后截取169秒即16900个数据点作为单个台站单次地震事件在该维度上的训练数据;任何一个地震事件由南北、东西、垂直于地表这三个纬度进行记录,因此对于单个台站单次地震事件,该模型会获取大小为3×16900的向量;在将该向量添加进训练集的过程中使用滑动窗口取平均值的方法控制数据规模,并将三个纬度上的数据按照东西、南北、垂直的顺序进行拼接;不断重复这个过程直至所有提供的训练数据被加载进训练集;
步骤二、搭建网络结构并训练;
采用一个八卷积层、三全连接层的卷积神经网络,每一层设置相同的卷积尺寸大小和不同的卷积通道数;使用的卷积尺寸为1×3,每次卷积运算的步长为1,每个卷积层卷积通道数为16、16、24、32、32、48、64、64,对于每一个卷积层添加了正则化处理;分别在第1、3、4、6、8层设置了池化窗口为1×2的池化层;对于全连接层采用了keep_drop算法改善过拟合情况,保留系数为0.65;训练的过程中采用了mini_batch方法进行分批训练,加快训练速度,单批训练样本数量为256;最后得到地震波识别模型。
2.根据权利要求1所述的一种基于卷积神经网络的判断自然地震波的方法,其特征在于:
数据通过前向传播算法和反向传播算法经过网络;在一次前向传播和一次反向传播之后,网络中的各个参数得到了更新,训练的过程就是不断重复前向传播、后向传播的过程,具体的前向传播、后向传播步骤如下:
前向传播,数据经过网络中的各个神经元,并进行相应的计算,针对每一层的网络结构中的任何一个节点,他的值由上一层网络所有的神经元的结果与权重相乘再加上对应的偏移量;
前向传播得到的结果可以被用来计算损失函数;
卷积是两个变量在某范围内相乘后求和的结果,如果卷积的变量是序列x(n)和h(n),则卷积的结果:
反向传播,前面用初始化的联结权重计算的输出层值和实际值肯定会有很大的偏差,需要对连接权重进行优化,使用反向传播算法对网络结构进行优化;
根据前向传播、后向传播的算法,搭建了卷积神经网络的模型;该模型是一个拥有八层卷积层、三层全连接层的卷积神经网络;卷积层的作用是利用卷积核提取出地震波形图中的特征,传导至下一层网络;全连接层起到分类的作用,将卷积层提取出的特征进行运算、分类,最终得出一个二元标签来分辨该地震波是否为自然地震。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810851740.4A CN109086872A (zh) | 2018-07-30 | 2018-07-30 | 基于卷积神经网络的地震波识别算法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810851740.4A CN109086872A (zh) | 2018-07-30 | 2018-07-30 | 基于卷积神经网络的地震波识别算法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN109086872A true CN109086872A (zh) | 2018-12-25 |
Family
ID=64833351
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810851740.4A Pending CN109086872A (zh) | 2018-07-30 | 2018-07-30 | 基于卷积神经网络的地震波识别算法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109086872A (zh) |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110599457A (zh) * | 2019-08-14 | 2019-12-20 | 广东工业大学 | 一种基于bd胶囊网络的柑橘黄龙病分类方法 |
CN110609320A (zh) * | 2019-08-28 | 2019-12-24 | 电子科技大学 | 一种基于多尺度特征融合的叠前地震反射模式识别方法 |
CN111027452A (zh) * | 2019-12-05 | 2020-04-17 | 中国矿业大学(北京) | 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 |
CN111178320A (zh) * | 2020-01-07 | 2020-05-19 | 中国矿业大学(北京) | 地质异常体识别的方法及其模型训练方法、装置 |
CN112230275A (zh) * | 2020-09-14 | 2021-01-15 | 河南省地震局 | 地震波形的识别方法、装置及电子设备 |
CN112686315A (zh) * | 2020-12-31 | 2021-04-20 | 山西三友和智慧信息技术股份有限公司 | 一种基于深度学习的非自然地震分类方法 |
CN112926232A (zh) * | 2020-12-10 | 2021-06-08 | 中国石油大学(华东) | 一种基于分层融合的地震低频分量恢复方法 |
CN116776208A (zh) * | 2023-08-25 | 2023-09-19 | 华侨大学 | 地震波分类模型的训练方法、地震选波方法、设备及介质 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105403918A (zh) * | 2015-12-09 | 2016-03-16 | 中国科学院地质与地球物理研究所 | 一种三分量微地震数据有效事件识别方法及系统 |
CN107784276A (zh) * | 2017-10-13 | 2018-03-09 | 中南大学 | 微震事件识别方法和装置 |
-
2018
- 2018-07-30 CN CN201810851740.4A patent/CN109086872A/zh active Pending
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105403918A (zh) * | 2015-12-09 | 2016-03-16 | 中国科学院地质与地球物理研究所 | 一种三分量微地震数据有效事件识别方法及系统 |
CN107784276A (zh) * | 2017-10-13 | 2018-03-09 | 中南大学 | 微震事件识别方法和装置 |
Non-Patent Citations (4)
Title |
---|
K.VIKRAMAN: "A Deep Neural Network to identify foreshocks in real time", 《ARXIV》 * |
曾向阳: "《智能水中目标识别》", 31 March 2016 * |
毕明霞: "天然地震与人工爆破波形信号HHT特征提取和SVM识别研究", 《地球物理学进展》 * |
边银菊: "遗传BP网络在地震和爆破识别中的应用", 《地震学报》 * |
Cited By (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110599457A (zh) * | 2019-08-14 | 2019-12-20 | 广东工业大学 | 一种基于bd胶囊网络的柑橘黄龙病分类方法 |
CN110599457B (zh) * | 2019-08-14 | 2022-12-16 | 广东工业大学 | 一种基于bd胶囊网络的柑橘黄龙病分类方法 |
CN110609320A (zh) * | 2019-08-28 | 2019-12-24 | 电子科技大学 | 一种基于多尺度特征融合的叠前地震反射模式识别方法 |
CN111027452B (zh) * | 2019-12-05 | 2023-11-17 | 中国矿业大学(北京) | 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 |
CN111027452A (zh) * | 2019-12-05 | 2020-04-17 | 中国矿业大学(北京) | 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 |
CN111178320A (zh) * | 2020-01-07 | 2020-05-19 | 中国矿业大学(北京) | 地质异常体识别的方法及其模型训练方法、装置 |
CN111178320B (zh) * | 2020-01-07 | 2020-11-17 | 中国矿业大学(北京) | 地质异常体识别的方法及其模型训练方法、装置 |
CN112230275A (zh) * | 2020-09-14 | 2021-01-15 | 河南省地震局 | 地震波形的识别方法、装置及电子设备 |
CN112230275B (zh) * | 2020-09-14 | 2024-01-26 | 河南省地震局 | 地震波形的识别方法、装置及电子设备 |
CN112926232A (zh) * | 2020-12-10 | 2021-06-08 | 中国石油大学(华东) | 一种基于分层融合的地震低频分量恢复方法 |
CN112686315A (zh) * | 2020-12-31 | 2021-04-20 | 山西三友和智慧信息技术股份有限公司 | 一种基于深度学习的非自然地震分类方法 |
CN116776208B (zh) * | 2023-08-25 | 2023-10-20 | 华侨大学 | 地震波分类模型的训练方法、地震选波方法、设备及介质 |
CN116776208A (zh) * | 2023-08-25 | 2023-09-19 | 华侨大学 | 地震波分类模型的训练方法、地震选波方法、设备及介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109086872A (zh) | 基于卷积神经网络的地震波识别算法 | |
CN110334808A (zh) | 一种基于对抗样本训练的对抗攻击防御方法 | |
CN107885853A (zh) | 一种基于深度学习的组合式文本分类方法 | |
Yang et al. | Simultaneous earthquake detection on multiple stations via a convolutional neural network | |
CN108566627A (zh) | 一种利用深度学习识别诈骗短信的方法及系统 | |
CN104809069A (zh) | 一种基于集成神经网络的源代码漏洞检测方法 | |
CN109670539A (zh) | 一种基于测井曲线深度学习的泥砂分层检测方法 | |
CN111814699B (zh) | 一种面向swarm电磁卫星数据的深度学习地震预测方法 | |
CN103487832A (zh) | 一种三维地震信号中的有监督波形分类方法 | |
CN109376613A (zh) | 基于大数据和深度学习技术的视频智能监控系统 | |
CN108681706A (zh) | 一种双源遥感数据语义分割方法 | |
CN106886043A (zh) | 基于地震数据深度学习的储层检测方法 | |
Liao et al. | First arrival time identification using transfer learning with continuous wavelet transform feature images | |
CN107798340A (zh) | 基于空间约束多自编码器的多元地球化学异常识别方法 | |
CN109613623A (zh) | 一种基于残差网络的岩性预测方法 | |
Chugunkov et al. | Creation of datasets from open sources | |
CN113033637B (zh) | 一种基于岩石物理样本增强的集成学习岩相预测方法 | |
CN114662405A (zh) | 基于少样本度量和集成学习的岩爆预测方法 | |
CN109447158A (zh) | 一种基于不平衡数据的Adaboost有利储层发育区预测方法 | |
CN109087635A (zh) | 一种语音智能分类方法及系统 | |
CN111460901B (zh) | 一种基于Wi-Fi信号和迁移学习的活动分类模型构建方法及系统 | |
CN117236330A (zh) | 一种基于互信息和对抗神经网络的增强主题多样性方法 | |
Bian | Application of genetic BP network to discriminating earthquakes and explosions | |
Kaensar | Analysis on the parameter of back propagation algorithm with three weight adjustment structure for hand written digit recognition | |
CN115294381B (zh) | 基于特征迁移和正交先验的小样本图像分类方法及装置 |
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 | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20181225 |
|
RJ01 | Rejection of invention patent application after publication |