CN110032975A - 一种地震震相的拾取方法 - Google Patents
一种地震震相的拾取方法 Download PDFInfo
- Publication number
- CN110032975A CN110032975A CN201910298841.8A CN201910298841A CN110032975A CN 110032975 A CN110032975 A CN 110032975A CN 201910298841 A CN201910298841 A CN 201910298841A CN 110032975 A CN110032975 A CN 110032975A
- Authority
- CN
- China
- Prior art keywords
- seismic phase
- data
- seismic
- pick
- classification
- 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.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 42
- 238000012549 training Methods 0.000 claims abstract description 35
- 230000006870 function Effects 0.000 claims abstract description 33
- 238000013527 convolutional neural network Methods 0.000 claims abstract description 13
- 238000013526 transfer learning Methods 0.000 claims abstract description 5
- 230000009466 transformation Effects 0.000 claims description 9
- 238000012545 processing Methods 0.000 claims description 7
- 238000013461 design Methods 0.000 claims description 5
- 230000004913 activation Effects 0.000 claims description 4
- 238000005457 optimization Methods 0.000 claims description 4
- 238000013480 data collection Methods 0.000 claims description 3
- 238000001914 filtration Methods 0.000 claims description 3
- 238000010606 normalization Methods 0.000 claims description 3
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 claims description 2
- 238000000605 extraction Methods 0.000 claims description 2
- 238000001514 detection method Methods 0.000 abstract description 12
- 238000012360 testing method Methods 0.000 abstract description 9
- 230000007423 decrease Effects 0.000 description 4
- 230000008901 benefit Effects 0.000 description 3
- 230000008859 change Effects 0.000 description 3
- 238000013508 migration Methods 0.000 description 3
- 230000005012 migration Effects 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 241001269238 Data Species 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 239000011159 matrix material Substances 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 239000006185 dispersion Substances 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 238000012886 linear function Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 238000013519 translation Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01V—GEOPHYSICS; GRAVITATIONAL MEASUREMENTS; DETECTING MASSES OR OBJECTS; TAGS
- G01V1/00—Seismology; Seismic or acoustic prospecting or detecting
- G01V1/28—Processing seismic data, e.g. for interpretation or for event detection
- G01V1/30—Analysis
- G01V1/307—Analysis for determining seismic attributes, e.g. amplitude, instantaneous phase or frequency, reflection strength or polarity
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/02—Preprocessing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/08—Feature extraction
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/12—Classification; Matching
Landscapes
- Engineering & Computer Science (AREA)
- Remote Sensing (AREA)
- Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Environmental & Geological Engineering (AREA)
- General Life Sciences & Earth Sciences (AREA)
- Geophysics (AREA)
- Geology (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Acoustics & Sound (AREA)
- Geophysics And Detection Of Objects (AREA)
Abstract
本发明公开了一种地震震相的拾取方法,该方法构建了基于多任务深度卷积神经网络模型,通过定义加权的分类损失函数,设计了分类和回归的联合损失函数,利用可获取的某个区域台网大规模三分向台站波形数据集对模型进行训练、验证和测试,实现对震相的检测识别和到时的精确拾取,然后采用迁移学习和数据增强方法,将模型应用于目标区域台网小规模数据集的训练、验证和测试中,实现对目标区域震相拾取。本发明提出利用多任务卷积神经网络同时实现地震震相的检测识别和到时估计,利用迁移学习实现对仅有小型数据集的目标区域的震相精确拾取,解决了地震震相的拾取难题。
Description
技术领域
本发明属于地震信号检测和估计领域,具体涉及一种地震震相的拾取方法。
背景技术
地震震相的拾取是依据地震监测台站记录到的数据,检测信号、判别震相和估计到时的过程,是地震台站数据处理的重要环节。由于从地震震源到台站传感器接收端,地震波形受到源机制、应力降、频散、场地效应、震相转换以及多种噪声源干扰等多种因素的影响,使得台站记录到的地震信号十分复杂,传统方法都是从地震震相某一个或几个特征出发实现震相检测和识别,未能涵盖波形数据中包含的所有特征,另外采用这些方法还需要对数据进行大量预处理工作,提取所需要特征,仔细设定检测阈值,这些都对结果影响很大。而震相拾取的准确性,将直接影响到后续的事件关联检测和事件定位的准确性,因此,震相拾取一直是地震信号处理领域的研究热点。学术界针对地震震相拾取问题开展了广泛的研究,提出了多种方法:基于短时平均与长时平均比的方法(STA/LTA)实现震相信号检测、基于自回归赤池信息准则(AR-AIC)的震相信号到时精确估计、基于偏度和峰度等高阶统计量的震相检测方法、基于地震波整体包络特征的震相检测识别方法以及基于规则和传统神经网络的震相识别方法等。尽管学者们做了大量努力,提出了多种方法,但震相自动拾取与人工分析结果之间还存在一定差距。
发明内容
本发明的目的是提供一种地震震相的拾取方法,解决了对不同地质结构区域的地震震相不能精确拾取的难题。
本发明的技术方案为:。
有益效果:本发明。
附图说明
图1为本发明用于地震震相拾取的多任务卷积神经网络结构图;
图2为美国南加利福尼亚区域地震台网大型数据集训练和验证集联合损失曲线;
图3为迁移后模型形状及参数图;
图4为东北地区台网小型数据集训练和验证集联合损失曲线
图5为东北地区台站震相拾取测试情况示意图。
具体实施方式
为使本发明的目的、内容和优点更加清楚,对本发明的具体实施方式作进一步详细描述。
本发明提供一种地震震相的拾取方法,具体包括以下步骤:
S1、设计并训练用于地震震相拾取的多任务卷积神经网络;
S1.1、建立一个多任务模型:包括卷积基和全连接层,卷积基以三分向地震台站的波形数据作为输入(选取的波形数据是以人工拾取的到时为窗口中心截取的数据),共有5个卷积层,每个卷积层都利用批量正则化层(batch normalization)以防止过拟合,利用非线性函数(如ReLU非线性函数)作为激活函数,每个卷积层之间都采用池化层,用于压缩数据和参数的量,减少过拟合;从而实现数据特征的提取;
所述全连接层包括两个分支,一个分支是由归一化指数函数(softmax)构成的分类全连接层,实现对震相检测和识别(P、S、N)并输出,输出的震相分为3类:分别为类别0、1、2,类别0代表P震相、类别1代表S震相、类别2代表噪声;
另一个分支是由线性激活函数构成的回归全连接层,实现对震相到时的精确估计并输出,以人工拾取的实际到时在数据窗口中对应的秒数作为其回归拟合值。
S1.2、设计联合损失函数实现对模型的整体优化,联合损失函数定义如下:L(tpi,ppi,tat,pat)=Lcls(tpi,ppi)+λΙA(tpi)Lreg(tat,pat) (1)
公式中Lcls是分类损失函数,Lreg是回归损失函数,tpi、tat分别是模型训练时的目标震相名称和到时值,ppi、pat是模型训练时的预测震相名称和到时值。ΙA(tpi)是指示函数,其定义为:
表示只有当目标震相为P或S时,回归损失才起作用。λ是权重参数,以控制分类和回归损失在联合损失函数中所占的比例,模型训练将优先对单个损失值最大的任务进行优化;
将公式(1)中的分类损失函数Lcls定义为加权的softmax交叉熵损失函数,为不同震相的识别结果分配不同的权重,以体现不同的震相分类结果对损失函数的影响不同,达到最佳的分类性能,得到公式(3):
其中tpi、tpi分别为目标及预测的震相名称,Ι(x)为指示函数,当x为真时Ι(x)=1。表示模型预测震相为x的概率。α,β为小于1的权重参数,通过对不同的α,β值进行尝试,以模型训练的准确性作为标准,选择合适的权重参数值。
公式(1)中的回归损失函数Lreg定义为均方误差损失函数(MSE),如公式(4)所示,其中tat,pat分别是模型训练时目标震相到时和预测震相到时,n为一次训练一批数据(batch)的个数,MSE是求一个batch的平均误差的函数。
S1.3、利用某个区域台网大型数据集对多任务模型进行训练和验证:
1)获取某个区域台网大型数据集中的地震传感器采集的波形数据;
2)以4s为窗口截取波形数据;
3)对截取的波形数据进行去线性、滤波以及以每段数据的最大值对数据进行归一化操作;
4)将预处理后的波形数据输入到多任务模型进行训练和验证得到用于震相拾取的多任务模型,确定其中的卷积基;
模型训练采用Adam随机优化算法,采用默认学习率0.001,数据批量设置为480个,数据批量控制了每次迭代采用多少数据量。采用1块NVIDIA TITANV图形处理单元(GPU)进行处理,学习过程的终止设定为验证集的损失值在先前5轮训练中不再下降,选择在验证集上具有最低损失值参数作为最终的模型参数。
S1.4、利用迁移学习将大型数据集训练得到的模型应用于目标区域台网小规模数据集,确定全连接层参数:方法是保留训练好的卷积基,即在训练过程中这些层的权重保持不变,在其顶部添加新的全连接层,并用新的输入数据运行整个模型,得到全连接层参数,从而得到多任务卷积神经网络。
对于目标区域台网小型数据集,可以采用数据增强方法,增强模型的泛化能力。数据增强方式包括平移和加噪,平移是对截取的震相数据在[-05s,0.5s]时间范围内随机移动;加噪是对波形每个采样点幅值进行高斯随机扰动。同时为迁移后的模型添加Dropout层,随机舍弃该层输出参数,进一步降低过拟合现象。
S2、获取目标区域台网的三分向地震台站的波形数据;
S3、以4s为窗口截取波形数据;
S4、对截取的波形数据进行去线性、滤波以及以每段数据的最大值对数据进行归一化操作;
S5、将预处理后的波形数据输入到S1得到的多任务卷积神经网络,得到震相类别和精确的震相到时估计值。
S6、根据拾取的震相确定地震发震时刻和位置。
本发明的基本思想是构建多任务卷积神经网络实现对三分向地震台站的震相检测识别和到时的精确估计,该模型建立两个输出分支:分类分支用于震相检测识别,回归分支用于震相的精确到时估计,设计了加权的分类损失函数,并结合均方误差回归损失建立联合损失函数,利用某区域台网三分向台站大规模数据集对卷积神经网络的模型参数进行训练。考虑到不同区域地质结构差异所带来的地震震相的区域特征,采用迁移学习和数据增强方法,将大型数据集训练得到的模型应用于目标区域台网小型数据集的训练、验证和测试中,实现对目标区域震相的精确拾取。
实施例:
按照上述方法,构建多任务卷积神经网络模型,结构如图1所示。利用美国南加利福尼亚地震网络(SCSN)的200万条数据对设计的卷积神经网络模型进行训练、验证和测试。数据为三分向台站震相的标注数据,震相主要是直达波P、S和噪声N,噪声数据为检测信号前5s数据。数据采样率为100,以人工拾取的震相到时为中心,以4s为时间窗口截取数据。数据预处理包括对数据进行去线性、在(0-20HZ)频带滤波,以每段数据最大值对数据进行归一化处理。图2是模型训练时联合损失值随着迭代轮数下降情况,可以看到第9轮验证集的总体损失值达到最小值0.20,此时验证集震相识别准确性达到98.23%,到时估计准确性达到98.25%。在1块NVIDIA TITANV图形处理单元上进行模型训练,训练用时约30分钟。
选取了50万条数据进行了测试,利用查准率和查全率指标对震相识别的性能进行了评估。首先定义了如下的混淆矩阵,如表1所示。
表1混淆矩阵定义
定义P震相的查准率和查全率分别为:
同理,S震相的查准率和查全率为:
将本方法的测试结果与全面禁止核试验条约国际数据中心(IDC)系统中的P类(Pg),S类(Lg)震相在查准率和查全率性能方面进行了比较,结果见表2,可见本方法在查全率和查准率方面远超过IDC。
表2本方法与IDC方法震相识别性能比较
在到时估计方面,将本发明与IDC目前方法进行了比较,比较了到时误差的均值、标准差、50%的分位数和75%的分位数,具体情况见表3。结果表明IDC到时误差的均值、标准差以及75%分位数都远大于本文方法。总体上,本发明的到时估计结果更稳定。
表3本文方法与IDC方法估计到时误差的比较
保存本发明中训练好的模型的卷积基,冻结其参数,在其顶部添加新的全连接层,训练全连接层参数,迁移后模型形状参数如图3所示。获取了我国东北地区台网中6个台站震相数据(直达波P、S和噪声N),将原始数据经过数据增强,共得到13000个样本,用其作为训练、验证和测试集。将模型训练终止条件设定为验证集的损失值在先前10轮训练中不再下降。到第54轮时,验证集的总体损失值达到最小0.30,如图4所示,此时验证集震相识别准确性达到87.0%,到时估计准确性达到86.27%,训练用时小于1分钟。测试集P、S震相识别的查全率分别达到90.06%和86.88%,具有不错的检测效果。图5展示了部分震相的拾取情况,可以看到除了子图8中的P震相被识别为噪声,其余震相识别都是正确的。到时估计方面,P震相的均值和标准差分别为:-0.117,0.264,S震相的均值和标准差分别为:-0.077,0.169。
以上所述仅是本发明的优选实施方式,应当指出,对于本技术领域的普通技术人员来说,在不脱离本发明技术原理的前提下,还可以做出若干改进和变形,这些改进和变形也应视为本发明的保护范围。
Claims (10)
1.一种地震震相的拾取方法,其特征在于,具体包括以下步骤:
S1、设计并训练用于地震震相拾取的多任务卷积神经网络;
S2、获取目标区域台网的三分向地震台站的波形数据;
S3、以一定时间为窗口截取波形数据;
S4、对截取的波形数据进行预处理;
S5、将预处理后的波形数据输入到S1得到的多任务卷积神经网络,得到震相类别和精确的震相到时估计值;
S6、根据拾取的震相确定地震发震时刻和位置。
2.根据权利要求1所述的一种地震震相的拾取方法,其特征在于,S3中,以4s为窗口截取波形数据。
3.根据权利要求1所述的一种地震震相的拾取方法,其特征在于,S4中,对截取的波形数据进行去线性、滤波处理,以每段数据的最大值对数据进行归一化操作。
4.根据权利要求1所述的一种地震震相的拾取方法,其特征在于,S1具体包括以下步骤:
S1.1、建立一个多任务模型,包括卷积基和全连接层,卷积基以三分向地震台站的波形数据作为输入,共有多个卷积层,每个卷积层利用非线性函数作为激活函数,每个卷积层之间都采用池化层,用于压缩数据和参数的量,实现数据特征的提取;
所述全连接层包括两个分支,一个分支是由归一化指数函数构成的分类全连接层,实现对震相检测和识别(P、S、N)并输出,输出的震相分为3类:分别为类别0、1、2,类别0代表P震相、类别1代表S震相、类别2代表噪声;
另一个分支是由线性激活函数构成的回归全连接层,实现对震相到时的精确估计并输出,以人工拾取的实际到时在数据窗口中对应的秒数作为其回归拟合值;
S1.2、设计联合损失函数实现对多任务模型的整体优化:
S1.3、利用某个区域台网数据集对多任务模型进行训练和验证;
S1.4、利用迁移学习将数据集训练得到的模型应用于目标区域台网数据集,确定全连接层参数。
5.根据权利要求4所述的一种地震震相的拾取方法,其特征在于,S1.1中的波形数据是以人工拾取的到时为窗口中心截取的数据。
6.根据权利要求4所述的一种地震震相的拾取方法,其特征在于,S1.2中,联合损失函数定义如下:
L(tpi,ppi,tat,pat)=Lcls(tpi,ppi)+λΙA(tpi)Lreg(tat,pat) (1)
公式中Lcls是分类损失函数,Lreg是回归损失函数,tpi、tat分别是模型训练时的目标震相名称和到时值,ppi、pat是模型训练时的预测震相名称和到时值;ΙA(tpi)是指示函数,其定义为:
表示只有当目标震相为P或S时,回归损失才起作用;λ是权重参数,以控制分类和回归损失在联合损失函数中所占的比例,模型训练将优先对单个损失值最大的任务进行优化;
将公式(1)中的分类损失函数Lcls定义为加权的softmax交叉熵损失函数,为不同震相的识别结果分配不同的权重,以体现不同的震相分类结果对损失函数的影响不同,达到最佳的分类性能,得到公式(3):
其中tpi、tpi分别为目标及预测的震相名称,Ι(x)为指示函数,当x为真时Ι(x)=1。表示模型预测震相为x的概率。α,β为小于1的权重参数,通过对不同的α,β值进行尝试,以模型训练的准确性作为标准,选择合适的权重参数值。
将公式(1)中的回归损失函数Lreg定义为均方误差损失函数(MSE),如公式(4)所示,其中tat,pat分别是模型训练时目标震相到时和预测震相到时,n为一次训练一批数据的个数,MSE是求一个数据的平均误差的函数;
7.根据权利要求4所述的一种地震震相的拾取方法,其特征在于,S1.3具体包括以下步骤:
1)获取某个区域台网大型数据集中的地震传感器采集的波形数据;
2)以一定时间为窗口截取波形数据;
3)对截取的波形数据进行预处理;
4)将预处理后的波形数据输入到多任务模型进行训练和验证得到用于震相拾取的多任务模型,确定其中的卷积基。
8.根据权利要求7所述的一种地震震相的拾取方法,其特征在于,S1.3中,模型训练采用Adam随机优化算法。
9.根据权利要求8所述的一种地震震相的拾取方法,其特征在于,S1.3中,模型训练选择在验证集上具有最低损失值参数作为最终的模型参数。
10.根据权利要求1-9任一项所述的一种地震震相的拾取方法,其特征在于,S1.4中的方法为:保留训练好的卷积基,在其顶部添加新的全连接层,并用新的输入数据运行整个模型,得到全连接层参数,从而得到多任务卷积神经网络。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910298841.8A CN110032975B (zh) | 2019-04-15 | 2019-04-15 | 一种地震震相的拾取方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910298841.8A CN110032975B (zh) | 2019-04-15 | 2019-04-15 | 一种地震震相的拾取方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110032975A true CN110032975A (zh) | 2019-07-19 |
CN110032975B CN110032975B (zh) | 2021-09-07 |
Family
ID=67238408
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910298841.8A Active CN110032975B (zh) | 2019-04-15 | 2019-04-15 | 一种地震震相的拾取方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110032975B (zh) |
Cited By (18)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
CN110488350A (zh) * | 2019-09-20 | 2019-11-22 | 西南石油大学 | 基于卷积神经网络的地震反演大数据生成方法 |
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 |
CN110631792A (zh) * | 2019-10-11 | 2019-12-31 | 东南大学 | 基于卷积神经网络的抗震混合试验模型更新方法 |
CN110988985A (zh) * | 2019-12-18 | 2020-04-10 | 北京邮电大学 | 基于波形特征的地震信号检测方法 |
CN111060965A (zh) * | 2019-12-05 | 2020-04-24 | 禁核试北京国家数据中心 | 一种基于卷积神经网络的地震震相拾取及事件检测方法 |
CN111143934A (zh) * | 2019-12-26 | 2020-05-12 | 长安大学 | 一种基于时间卷积网络的结构变形预测方法 |
CN111523258A (zh) * | 2020-01-17 | 2020-08-11 | 长江大学 | 基于MS-Net网络的微地震有效信号初至拾取方法及系统 |
CN111626355A (zh) * | 2020-05-27 | 2020-09-04 | 中油奥博(成都)科技有限公司 | 一种基于Unet++卷积神经网络的地震数据初至拾取方法 |
CN111983676A (zh) * | 2020-07-07 | 2020-11-24 | 东华理工大学 | 一种基于深度学习的地震监测方法及装置 |
CN112733425A (zh) * | 2020-12-10 | 2021-04-30 | 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 |
CN112817038A (zh) * | 2020-12-31 | 2021-05-18 | 山西三友和智慧信息技术股份有限公司 | 一种基于Bi-GRU网络的地震初至波拾取方法 |
CN112884134A (zh) * | 2021-04-01 | 2021-06-01 | 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 |
CN113158792A (zh) * | 2021-03-15 | 2021-07-23 | 辽宁大学 | 一种基于改进模型迁移学习的微震事件识别方法 |
CN113281807A (zh) * | 2021-06-28 | 2021-08-20 | 中国地震局地球物理研究所 | 一种全类型地震数据的通用震相自动检测方法和系统 |
CN113568043A (zh) * | 2021-07-23 | 2021-10-29 | 哈尔滨工业大学 | 基于深度卷积神经网络的三阶段震相拾取方法 |
CN113805235A (zh) * | 2020-06-11 | 2021-12-17 | 中国石油天然气股份有限公司 | 基于卷积神经网络的三维地震相识别方法及装置 |
CN114509811A (zh) * | 2022-01-28 | 2022-05-17 | 中国地震局地球物理研究所 | 一种基于深度学习的单台站后方位角估计方法与装置 |
Citations (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107607992A (zh) * | 2017-08-24 | 2018-01-19 | 电子科技大学 | 基于卷积神经网络的多波匹配方法 |
CN107622329A (zh) * | 2017-09-22 | 2018-01-23 | 深圳市景程信息科技有限公司 | 基于多时间尺度长短时记忆神经网络的电力负荷预测方法 |
CN107679250A (zh) * | 2017-11-01 | 2018-02-09 | 浙江工业大学 | 一种基于深度自编码卷积神经网络的多任务分层图像检索方法 |
CN107704866A (zh) * | 2017-06-15 | 2018-02-16 | 清华大学 | 基于新型神经网络的多任务场景语义理解模型及其应用 |
JP2018087799A (ja) * | 2016-11-29 | 2018-06-07 | 財團法人國家實驗研究院National Applied Research Laboratories | 地盤特性を自動校正する現地型地震早期警報システム及び関連方法 |
CN108629072A (zh) * | 2018-03-12 | 2018-10-09 | 山东科技大学 | 面向地震油气储层分布的卷积神经网络学习与预测方法 |
CN108805269A (zh) * | 2018-06-28 | 2018-11-13 | 杭州叙简科技股份有限公司 | 一种基于lstm循环神经网络拾取震相到时的方法 |
CN109033953A (zh) * | 2018-06-14 | 2018-12-18 | 深圳市博威创盛科技有限公司 | 多任务学习深度网络的训练方法、设备及存储介质 |
CN109044323A (zh) * | 2018-09-29 | 2018-12-21 | 天津惊帆科技有限公司 | 基于深度学习的心率和血氧饱和度测量设备 |
CN109143353A (zh) * | 2018-08-20 | 2019-01-04 | 电子科技大学 | 一种基于深度卷积生成对抗网络的叠前地震波形分类方法 |
CN109241982A (zh) * | 2018-09-06 | 2019-01-18 | 广西师范大学 | 基于深浅层卷积神经网络的目标检测方法 |
CN111060965A (zh) * | 2019-12-05 | 2020-04-24 | 禁核试北京国家数据中心 | 一种基于卷积神经网络的地震震相拾取及事件检测方法 |
-
2019
- 2019-04-15 CN CN201910298841.8A patent/CN110032975B/zh active Active
Patent Citations (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2018087799A (ja) * | 2016-11-29 | 2018-06-07 | 財團法人國家實驗研究院National Applied Research Laboratories | 地盤特性を自動校正する現地型地震早期警報システム及び関連方法 |
CN107704866A (zh) * | 2017-06-15 | 2018-02-16 | 清华大学 | 基于新型神经网络的多任务场景语义理解模型及其应用 |
CN107607992A (zh) * | 2017-08-24 | 2018-01-19 | 电子科技大学 | 基于卷积神经网络的多波匹配方法 |
CN107622329A (zh) * | 2017-09-22 | 2018-01-23 | 深圳市景程信息科技有限公司 | 基于多时间尺度长短时记忆神经网络的电力负荷预测方法 |
CN107679250A (zh) * | 2017-11-01 | 2018-02-09 | 浙江工业大学 | 一种基于深度自编码卷积神经网络的多任务分层图像检索方法 |
CN108629072A (zh) * | 2018-03-12 | 2018-10-09 | 山东科技大学 | 面向地震油气储层分布的卷积神经网络学习与预测方法 |
CN109033953A (zh) * | 2018-06-14 | 2018-12-18 | 深圳市博威创盛科技有限公司 | 多任务学习深度网络的训练方法、设备及存储介质 |
CN108805269A (zh) * | 2018-06-28 | 2018-11-13 | 杭州叙简科技股份有限公司 | 一种基于lstm循环神经网络拾取震相到时的方法 |
CN109143353A (zh) * | 2018-08-20 | 2019-01-04 | 电子科技大学 | 一种基于深度卷积生成对抗网络的叠前地震波形分类方法 |
CN109241982A (zh) * | 2018-09-06 | 2019-01-18 | 广西师范大学 | 基于深浅层卷积神经网络的目标检测方法 |
CN109044323A (zh) * | 2018-09-29 | 2018-12-21 | 天津惊帆科技有限公司 | 基于深度学习的心率和血氧饱和度测量设备 |
CN111060965A (zh) * | 2019-12-05 | 2020-04-24 | 禁核试北京国家数据中心 | 一种基于卷积神经网络的地震震相拾取及事件检测方法 |
Non-Patent Citations (7)
Title |
---|
RAHUL NIJHAWAN 等: "A Deep Learning Hybrid CNN Framework Approach for Vegetation Cover Mapping Using Deep Features", 《2017 13TH INTERNATIONAL CONFERENCE ON SIGNAL-IMAGE TECHNOLOGY & INTERNET-BASED SYSTEMS》 * |
WEIQIANG ZHU 等: "PhaseNet:a deep-neural-network-based seismic arrival-time picking method", 《GEOPHYSICAL JOURNAL INTERNATIONAL》 * |
XINGJIAN SHI 等: "Convolutional LSTM Network: A Machine Learning Approach for Precipitation Nowcasting", 《网络在线公开: HTTPS://ARXIV.ORG/ABS/1506.04214》 * |
刘垚: "用于视频动作检测的时空多任务神经网络", 《中国优秀硕士学位论文全文数据库 信息科技辑》 * |
合唱团ABC: "keras函数式编程(多任务学习,共享网络层)", 《网络在线公开: HTTPS://WWW.CNBLOGS.COM/LJYGOODGOODSTUDYDAYDAYUP/P/10273348.HTML》 * |
姚开一: "基于神经网络的地震震相自动拾取方法", 《中国优秀硕士学位论文全文数据库 基础科学辑》 * |
李健 等: "基于深度卷积神经网络的地震震相拾取方法研究", 《地球物理学报》 * |
Cited By (28)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
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 |
CN110488350A (zh) * | 2019-09-20 | 2019-11-22 | 西南石油大学 | 基于卷积神经网络的地震反演大数据生成方法 |
CN110488350B (zh) * | 2019-09-20 | 2021-10-29 | 西南石油大学 | 基于卷积神经网络的地震反演大数据生成方法 |
CN110631792A (zh) * | 2019-10-11 | 2019-12-31 | 东南大学 | 基于卷积神经网络的抗震混合试验模型更新方法 |
CN111060965A (zh) * | 2019-12-05 | 2020-04-24 | 禁核试北京国家数据中心 | 一种基于卷积神经网络的地震震相拾取及事件检测方法 |
CN111060965B (zh) * | 2019-12-05 | 2022-04-01 | 禁核试北京国家数据中心 | 一种基于卷积神经网络的地震震相拾取及事件检测方法 |
CN110988985B (zh) * | 2019-12-18 | 2020-11-17 | 北京邮电大学 | 基于波形特征的地震信号检测方法 |
CN110988985A (zh) * | 2019-12-18 | 2020-04-10 | 北京邮电大学 | 基于波形特征的地震信号检测方法 |
CN111143934A (zh) * | 2019-12-26 | 2020-05-12 | 长安大学 | 一种基于时间卷积网络的结构变形预测方法 |
CN111143934B (zh) * | 2019-12-26 | 2024-04-09 | 长安大学 | 一种基于时间卷积网络的结构变形预测方法 |
CN111523258A (zh) * | 2020-01-17 | 2020-08-11 | 长江大学 | 基于MS-Net网络的微地震有效信号初至拾取方法及系统 |
CN111523258B (zh) * | 2020-01-17 | 2023-06-13 | 长江大学 | 基于MS-Net网络的微地震有效信号初至拾取方法及系统 |
CN111626355A (zh) * | 2020-05-27 | 2020-09-04 | 中油奥博(成都)科技有限公司 | 一种基于Unet++卷积神经网络的地震数据初至拾取方法 |
CN113805235B (zh) * | 2020-06-11 | 2023-12-26 | 中国石油天然气股份有限公司 | 基于卷积神经网络的三维地震相识别方法及装置 |
CN113805235A (zh) * | 2020-06-11 | 2021-12-17 | 中国石油天然气股份有限公司 | 基于卷积神经网络的三维地震相识别方法及装置 |
CN111983676A (zh) * | 2020-07-07 | 2020-11-24 | 东华理工大学 | 一种基于深度学习的地震监测方法及装置 |
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 |
CN112733425A (zh) * | 2020-12-10 | 2021-04-30 | 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 |
CN112817038A (zh) * | 2020-12-31 | 2021-05-18 | 山西三友和智慧信息技术股份有限公司 | 一种基于Bi-GRU网络的地震初至波拾取方法 |
CN113158792A (zh) * | 2021-03-15 | 2021-07-23 | 辽宁大学 | 一种基于改进模型迁移学习的微震事件识别方法 |
CN113158792B (zh) * | 2021-03-15 | 2024-05-10 | 辽宁大学 | 一种基于改进模型迁移学习的微震事件识别方法 |
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 |
CN112884134A (zh) * | 2021-04-01 | 2021-06-01 | 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 |
CN113281807B (zh) * | 2021-06-28 | 2023-10-03 | 中国地震局地球物理研究所 | 一种全类型地震数据的通用震相自动检测方法和系统 |
CN113281807A (zh) * | 2021-06-28 | 2021-08-20 | 中国地震局地球物理研究所 | 一种全类型地震数据的通用震相自动检测方法和系统 |
CN113568043A (zh) * | 2021-07-23 | 2021-10-29 | 哈尔滨工业大学 | 基于深度卷积神经网络的三阶段震相拾取方法 |
CN114509811A (zh) * | 2022-01-28 | 2022-05-17 | 中国地震局地球物理研究所 | 一种基于深度学习的单台站后方位角估计方法与装置 |
Also Published As
Publication number | Publication date |
---|---|
CN110032975B (zh) | 2021-09-07 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110032975A (zh) | 一种地震震相的拾取方法 | |
CN111913156B (zh) | 基于深度学习模型与特征联合的雷达辐射源个体识别方法 | |
CN108805269B (zh) | 一种基于lstm循环神经网络拾取震相到时的方法 | |
CN111580151B (zh) | 一种基于SSNet模型的地震事件到时识别方法 | |
CN114092832B (zh) | 一种基于并联混合卷积网络的高分辨率遥感影像分类方法 | |
CN109165660A (zh) | 一种基于卷积神经网络的显著物体检测方法 | |
CN113568043B (zh) | 基于深度卷积神经网络的三阶段震相拾取方法 | |
CN106226212A (zh) | 基于深度残差网络的高光谱霾监测方法 | |
CN111983676A (zh) | 一种基于深度学习的地震监测方法及装置 | |
CN115758212A (zh) | 一种基于并行网络和迁移学习的机械设备故障诊断方法 | |
CN114139819B (zh) | 基于地统计加权随机森林的地球化学变量空间预测方法 | |
CN113642475B (zh) | 基于卷积神经网络模型的大西洋飓风强度估算方法 | |
CN115097526B (zh) | 地震采集资料质量评价方法 | |
CN111814699A (zh) | 一种面向swarm电磁卫星数据的深度学习地震预测方法 | |
CN108288092A (zh) | 一种利用核磁共振t2谱形态获取致密砂岩渗透率的方法 | |
Liu et al. | Microseismic first-arrival picking using fine-tuning feature pyramid networks | |
CN106777707B (zh) | 一种利用改进的蜘蛛网图进行测井岩性定量识别的方法 | |
Romeo | Seismic signals detection and classification using artiricial neural networks | |
CN112364296A (zh) | 一种基于深度学习的p波到时自动拾取方法 | |
CN113312596B (zh) | 一种基于深度学习和异步轨迹数据的用户身份识别方法 | |
CN107132515A (zh) | 一种基于多维信息约束的点迹筛选方法 | |
CN113962264A (zh) | 一种基于深度学习的航空发动机转子系统故障诊断算法 | |
CN117710508A (zh) | 基于改进条件生成对抗网络的近地表温度反演方法和装置 | |
CN117370766A (zh) | 一种基于深度学习的卫星任务规划方案评估方法 | |
CN116466408B (zh) | 一种基于航磁数据的人工神经网络超基性岩识别方法 |
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 |