CN110488351A - 基于机器学习的地震波震动性质识别方法 - Google Patents
基于机器学习的地震波震动性质识别方法 Download PDFInfo
- Publication number
- CN110488351A CN110488351A CN201910752213.2A CN201910752213A CN110488351A CN 110488351 A CN110488351 A CN 110488351A CN 201910752213 A CN201910752213 A CN 201910752213A CN 110488351 A CN110488351 A CN 110488351A
- Authority
- CN
- China
- Prior art keywords
- waveform
- seismic
- earthquake
- training
- 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.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 16
- 238000010801 machine learning Methods 0.000 title claims abstract description 14
- 238000012549 training Methods 0.000 claims abstract description 27
- 238000001228 spectrum Methods 0.000 claims abstract description 12
- 238000012545 processing Methods 0.000 claims abstract description 7
- 238000013528 artificial neural network Methods 0.000 claims description 10
- 238000012360 testing method Methods 0.000 claims description 9
- 239000013598 vector Substances 0.000 claims description 9
- 238000004321 preservation Methods 0.000 claims description 7
- 230000000694 effects Effects 0.000 claims description 5
- 230000006870 function Effects 0.000 claims description 5
- 241000512668 Eunectes Species 0.000 claims description 3
- 238000000605 extraction Methods 0.000 claims description 3
- 239000000284 extract Substances 0.000 abstract description 8
- 210000005036 nerve Anatomy 0.000 abstract description 4
- 238000012216 screening Methods 0.000 abstract description 2
- 238000011160 research Methods 0.000 description 4
- 230000002068 genetic effect Effects 0.000 description 3
- 238000012706 support-vector machine Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 2
- 241001269238 Data Species 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 230000006854 communication Effects 0.000 description 1
- 238000013016 damping Methods 0.000 description 1
- 238000000354 decomposition reaction Methods 0.000 description 1
- 230000001066 destructive effect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000001125 extrusion Methods 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 210000002569 neuron Anatomy 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 230000008447 perception Effects 0.000 description 1
- 238000004064 recycling Methods 0.000 description 1
- 230000035939 shock Effects 0.000 description 1
- 230000009466 transformation Effects 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
-
- 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
-
- 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
- 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
- G06N20/00—Machine learning
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Remote Sensing (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Acoustics & Sound (AREA)
- Geology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Environmental & Geological Engineering (AREA)
- Software Systems (AREA)
- Geophysics (AREA)
- General Life Sciences & Earth Sciences (AREA)
- Bioinformatics & Computational Biology (AREA)
- Mathematical Physics (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Computing Systems (AREA)
- Evolutionary Biology (AREA)
- Health & Medical Sciences (AREA)
- Geophysics And Detection Of Objects (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Medical Informatics (AREA)
Abstract
本发明提供一种基于机器学习的地震波震动性质识别方法，涉及机器学习技术领域。本发明分为地震波形处理，提取特征值，训练模型，模型应用四个阶段进行。计算震源与台站之间的距离，对震中距进行筛选，读取筛选后震中距的三分量地震波形数据，使用长短时窗算法STA/LTA及AIC方法准确找到地震波初动的位置，进一步对地震数据长度进行截取。分别对地震波形进行时、频域分析，提取三个特征波形复杂度、谱比值和波形复杂度/谱比值作为人工神经网络模型的输入。训练一个识别二分类问题的具有两个隐藏层的人工神经网络模型，输出为波形所属类别的概率。本发明训练的模型可以准确高效的判断地震波形所属类别。
Description
技术领域
本发明涉及机器学习技术领域，尤其涉及一种基于机器学习的地震波震动性质识别方法。
背景技术
地震可按其震动性质分为天然地震和非天然地震两大类，天然地震为地球板块与板块之间相互挤压碰撞，造成板块边沿及板块内部产生错动和破裂。非天然地震又称诱发地震，指人类活动引起的局部地区异常地震活动，如人工核爆试验或塌陷等。观察地震台网中心各台站记录的天然地震与非天然地震的地震波信号时发现，二者的波形极为相似，若不对其进行区分筛选，天然地震波形与人工地震波形掺杂将会给研究地震的学者带来误导，影响地震学的研究工作。
机器学习理论和应用研究始于1986年，随着人工智能的突飞猛进，其在图像识别、信号处理、预测评估、组合优化及知识工程等领域有着广泛的应用。近年来机器学习方法开始被用来对地震波形数据进行分析和处理，如何把日新月异的计算机前沿技术应用于地震事件分类中，从而提高识别的准确率、稳定性仍是当前需要研究的课题之一。国内有专家学者在识别天然地震与非天然地震时将遗传算法(GA)与BP神经网络相结合，建立了遗传BP网络(GA—BP网络)，利用遗传算法对神经网络进行全局寻优，然后利用BP反向传播算法对神经网络进行精确训练。Dowla等人利用多层感知机(MLP)神经网络识别天然地震与地下爆炸。21世纪初，有学者提出利用经验模态分解方法对原始数据波形进行处理，从中提取出特征值，对原始波形数据预处理后再利用支持向量机(SVM)完成地震波形分类识别任务，使模型具有更高的识别率。同时有专家从物理学角度提出利用小波变换方法对天然地震和人工地震提取到的震源尺度、震源深度等特征进行分类识别任务。毕明霞、黄汉明等人利用希尔伯特黄变换(HHT)提取波形特征，利用SVM进行识别分类；边银菊等利用小波变换提取地震波形特征进行研究；一些国外学者尝试使用P波、S波的信号到时识别分类地震波。
发明内容
针对现有技术存在的问题，本发明提供一种基于机器学习的地震波震动性质识别方法，本发明根据波形数据对波形进行分类，从而识别天然地震与非天然地震。其中主要使用Python程序设计语言对波形数据进行处理，并运用机器学习方法——人工神经网络进行分类识别地震波。本发明采用监督学习方式获得地震性质分类器，即用已知类别的数据训练人工神经网络模型。模型的输入是一个特征向量，包括可以反映地震性质的特征。本发明提取特征时分别从时域和频域两方面考虑保证获得波形的综合特征。
为解决上述技术问题，本发明所采取的技术方案是：基于机器学习的地震波震动性质识别方法；包括以下步骤：
步骤1：对原始地震波形数据进行读取，确定需要进行分类识别的地震波形的震中距；
所述步骤1的具体步骤为
步骤1.1：使用Anaconda中针对地震领域的Python库obspy读取原始地震波形数据，依据震源与台站间的球面距离选取波形；
步骤1.2：利用长短时窗比STA/LTA的算法找出包含地震起点的区间，使用AIC算法精确定位P波初至的时刻；
步骤1.3：确定P波初至后将地震波形截取为统一长度便于提取波形特征进行后续分析处理；
步骤2：分别对天然地震和非天然地震波形进行时频域分析，时域分析得到波形复杂度特征，频域分析得到谱比值特征，将所述两个特征值进行计算得到时频域综合特征值波形复杂度/谱比值；
所述波形复杂度和谱比值特征分别为时域层面和频域层面可以表征波形走向的特征量；
步骤3：使用人工神经网络训练模型，模型输入是波形实例的特征向量，即步骤2中得到的三个特征值组成的特征向量，经过两个隐藏层的计算得到输出结果，输出结果为“1”表示波形所属类别为天然地震，输出结果为“0”表示波形所属类别为非天然地震；
步骤4：将地震波形数据分为训练集和测试集两个不相交的数据集，使用反向传播算法更新模型参数，不断拟合训练数据，降低损失函数的值；模型训练过程中须使用测试集数据评估模型的效果，经过指定迭代次数的训练或模型的测试准确率达到一定标准后，意味着模型训练完成；
步骤5：保存模型，对后续的地震波形分类问题可直接调用该保存模型输出结果，无需再进行繁琐训练。
采用上述技术方案所产生的有益效果在于：非天然地震的强度及影响程度相比天然地震较小，如果不能及时的将非天然地震予以识别和筛选出来，会让人误以为这些事件是强震的前兆，混淆依此记录所建立的地震目录，影响日后地震学的研究工作。因此地震信号中的天然地震和非天然地震的分类识别有助于破坏性构造地震的监测预警，有助于小当量核试侦察，对地震学的研究，对保护人类财产和维护国家利益，保卫世界和平都有重要的意义。
附图说明
图1为本发明的波形复杂度特征提取流程图；
图2为本发明的谱比值特征提取流程图；
图3为本发明使用的人工神经网络搭建的模型结构图。
具体实施方式
下面结合附图和实施例，对本发明的具体实施方式作进一步详细描述。以下实施例用于说明本发明，但不用来限制本发明的范围。
本实施例的软件环境为WINDOWS 7系统，集成开发环境选择Pycharm IDE。
基于机器学习的地震波震动性质识别方法，包括以下步骤：
步骤1：对原始地震波形数据进行读取，确定需要进行分类识别的地震波形的震中距；
所述震中距即记录该波形的台站与震源的球面距离；
所述步骤1的具体步骤为
步骤1.1：使用Anaconda中针对地震领域的Python库obspy读取原始地震波形数据，依据震源与台站间的球面距离选取近震波形；
由于地震波信号的能量在传播过程中会有损耗，震中距越大，记录到的波形所中掺杂的噪声越大，同时其代表的地震能量损耗越大，即信噪比低，不利于分析波形数据，故本方法选定震中距500km以内的数据进行分类识别；
步骤1.2：利用长短时窗比STA/LTA的算法找出包含地震起点的区间，使用AIC算法精确定位P波初至的时刻；
本实施例使用的波形数据中存在大量噪声，故需要识别地震波初动的起点，为方便后续处理，选择截取定长的可以包含完整波形信息的数据；
步骤1.3：确定P波初至后将地震波形截取为统一长度便于提取波形特征进行后续分析处理；
将地震波传输文件“.mseed”文件通过obspy库读取并使用STA/LTA与AIC相结合的方法寻找起点；将数据截取为统一长度便于提取波形特征，本实施例确定地震波确定P波初至为地震起点后截取起点前3秒的数据及起点后的160秒的数据，共163s数据进行后续分析处理；
步骤2：分别对天然地震和非天然地震波形进行时频域分析，时域分析得到波形复杂度特征，频域分析得到谱比值特征，将所述两个特征值进行计算得到时频域综合特征值波形复杂度/谱比值；
所述波形复杂度和谱比值特征分别为时域层面和频域层面可以表征波形走向的特征量，提取过程如图1、图2所示；
步骤3：使用人工神经网络训练模型，如图3所示，模型输入是波形实例的特征向量，即步骤2中得到的三个特征值组成的特征向量，经过两个隐藏层的计算得到输出结果，输出结果为“1”表示波形所属类别为天然地震，输出结果为“0”表示波形所属类别为非天然地震；
将特征向量的三个分量输入人工神经网络模型中训练并保存模型。将单个波形的特征向量输入到模型中可以得到分类结果；或将一次事件的全部波形特征向量输入到模型中，结合一次事件中的多个地震波形数据得到的分类结果确定当前事件的震动性质(天然地震事件或非天然震动事件)。
所述步骤3中人工神经网络的模型结构及使用参数信息如表1所示：
表1人工神经网络的模型结构及使用参数
| 隐藏层数 | 2 |
| 隐藏层神经元个数 | 6 |
| 防止过拟合 | L2正则化 |
| 学习率 | 指数衰减算法更新 |
| 损失函数 | 二元交叉熵损失函数 |
| 训练迭代次数 | 500,000 |
步骤4：将地震波形数据分为训练集和测试集两个不相交的数据集，使用反向传播算法更新模型参数，不断拟合训练数据，降低损失函数的值；模型训练过程中须使用测试集数据评估模型的效果，经过指定迭代次数的训练或模型的测试准确率达到一定标准后，意味着模型训练完成；
本实施例中训练迭代次数设定标准为500,000次；
步骤5：保存模型，对后续的地震波形分类问题可直接调用该保存模型输出结果，无需再进行繁琐训练。
最后应说明的是：以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解；其依然可以对前述实施例所记载的技术方案进行修改，或者对其中部分或者全部技术特征进行等同替换；因而这些修改或者替换，并不使相应技术方案的本质脱离本发明权利要求所限定的范围。
Claims (2)
1.一种基于机器学习的地震波震动性质识别方法，其特征在于：包括以下步骤：
步骤1：对原始地震波形数据进行读取，确定需要进行分类识别的地震波形的震中距；
步骤2：分别对天然地震和非天然地震波形进行时频域分析，时域分析得到波形复杂度特征，频域分析得到谱比值特征，将所述两个特征值进行计算得到时频域综合特征值波形复杂度/谱比值；
所述波形复杂度和谱比值特征分别为时域层面和频域层面可以表征波形走向的特征量；
步骤3：使用人工神经网络训练模型，模型输入是地震波形实例的特征向量，即步骤2中得到的三个特征值组成的特征向量，经过两个隐藏层的计算得到输出结果，输出结果为“1”表示波形所属类别为天然地震，输出结果为“0”表示波形所属类别为非天然地震；
步骤4：将地震波形数据分为训练集和测试集两个不相交的数据集，使用反向传播算法更新模型参数，不断拟合训练数据，降低损失函数的值；模型训练过程中须使用测试集数据评估模型的效果，经过指定迭代次数的训练或模型的测试准确率达到一定标准后，意味着模型训练完成；
步骤5：保存模型，对后续的地震波形分类问题可直接调用该保存模型输出结果，无需再进行繁琐训练。
2.根据权利要求1所述的基于机器学习的地震波震动性质识别方法，其特征在于：所述步骤1的具体步骤为：
步骤1.1：使用Anaconda中针对地震领域的Python库obspy读取原始地震波形数据，依据震源与台站间的球面距离选取地震波形；
步骤1.2：利用长短时窗比STA/LTA的算法找出包含地震起点的区间，使用AIC算法精确定位地震波P波初至的时刻；
步骤1.3：确定P波初至后将地震波形截取为统一长度便于提取波形特征进行后续分析处理。
Priority Applications (2)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910752213.2A CN110488351A (zh) | 2019-08-15 | 2019-08-15 | 基于机器学习的地震波震动性质识别方法 |
| PCT/CN2019/107486 WO2021027026A1 (zh) | 2019-08-15 | 2019-09-24 | 基于机器学习的地震波震动性质识别方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910752213.2A CN110488351A (zh) | 2019-08-15 | 2019-08-15 | 基于机器学习的地震波震动性质识别方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN110488351A true CN110488351A (zh) | 2019-11-22 |
Family
ID=68551095
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910752213.2A Pending CN110488351A (zh) | 2019-08-15 | 2019-08-15 | 基于机器学习的地震波震动性质识别方法 |
Country Status (2)
| Country | Link |
|---|---|
| CN (1) | CN110488351A (zh) |
| WO (1) | WO2021027026A1 (zh) |
Cited By (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111257934A (zh) * | 2020-01-17 | 2020-06-09 | 哈尔滨工业大学 | 基于二阶神经元深度神经网络的地震动峰值加速度预测方法 |
| 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 |
| CN112782762A (zh) * | 2021-01-29 | 2021-05-11 | 东北大学 | 一种基于深度学习的地震震级判定方法 |
| CN112799128A (zh) * | 2021-02-03 | 2021-05-14 | 北京航空航天大学 | 一种地震信号检测和震相提取的方法 |
| 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 |
| CN113341459A (zh) * | 2021-05-12 | 2021-09-03 | 北京大学 | 基于机器学习和动力学计算融合的地震定位方法与设备 |
| CN113960657A (zh) * | 2020-07-20 | 2022-01-21 | 中国石油天然气股份有限公司 | 地震数据特征获取方法及系统 |
| 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 |
| CN115421188A (zh) * | 2022-08-23 | 2022-12-02 | 安徽省新近纪防灾科技有限公司 | 基于人工智能的微地震事件实时识别系统及方法 |
| CN116502154A (zh) * | 2023-04-25 | 2023-07-28 | 中国地震局地球物理研究所 | 基于多维特征提取和XGBoost的地震分类方法及系统 |
Families Citing this family (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US11947061B2 (en) * | 2019-10-18 | 2024-04-02 | Korea University Research And Business Foundation | Earthquake event classification method using attention-based convolutional neural network, recording medium and device for performing the method |
| 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 |
| CN116046307A (zh) * | 2022-12-12 | 2023-05-02 | 中铁西北科学研究院有限公司 | 一种适用于振动台含隧道边坡地震破坏模式的识别方法 |
| 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 |
| CN116047604B (zh) * | 2023-02-23 | 2023-10-17 | 成都理工大学 | 基于振幅统计和时频分析的深度震相快速拾取方法 |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107300715A (zh) * | 2017-06-22 | 2017-10-27 | 禁核试北京国家数据中心 | 一种识别核爆炸地震事件的方法 |
| 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 |
| CN110032975A (zh) * | 2019-04-15 | 2019-07-19 | 禁核试北京国家数据中心 | 一种地震震相的拾取方法 |
| CN110082822A (zh) * | 2019-04-09 | 2019-08-02 | 中国科学技术大学 | 利用卷积神经网络进行地震检测的方法 |
Family Cites Families (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US5402520A (en) * | 1992-03-06 | 1995-03-28 | Schnitta; Bonnie S. | Neural network method and apparatus for retrieving signals embedded in noise and analyzing the retrieved signals |
| CN102495425B (zh) * | 2011-11-14 | 2013-07-03 | 北京科技大学 | 一种基于能量的微地震震源自动定位方法 |
| CN107818309B (zh) * | 2017-11-02 | 2019-11-12 | 中国地震局地壳应力研究所 | 一种基于信噪比分析的地震动p波在线自动提取方法 |
-
2019
- 2019-08-15 CN CN201910752213.2A patent/CN110488351A/zh active Pending
- 2019-09-24 WO PCT/CN2019/107486 patent/WO2021027026A1/zh active Application Filing
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107300715A (zh) * | 2017-06-22 | 2017-10-27 | 禁核试北京国家数据中心 | 一种识别核爆炸地震事件的方法 |
| 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 |
| CN110082822A (zh) * | 2019-04-09 | 2019-08-02 | 中国科学技术大学 | 利用卷积神经网络进行地震检测的方法 |
| CN110032975A (zh) * | 2019-04-15 | 2019-07-19 | 禁核试北京国家数据中心 | 一种地震震相的拾取方法 |
Non-Patent Citations (3)
| Title |
|---|
| 任涛 等: "基于Bagging集成学习算法的地震事件性质识别分类", 《地球物理学报》 * |
| 赵静: "天然地震与人工爆破波形特征提取与识别算法研究", 《中国优秀硕士学位论文全文数据库 基础科学辑》 * |
| 邱宏茂 等: "基于BP神经网络的地震信号识别分类", 《计算机应用与软件》 * |
Cited By (17)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111257934A (zh) * | 2020-01-17 | 2020-06-09 | 哈尔滨工业大学 | 基于二阶神经元深度神经网络的地震动峰值加速度预测方法 |
| CN111257934B (zh) * | 2020-01-17 | 2022-03-11 | 哈尔滨工业大学 | 基于二阶神经元深度神经网络的地震动峰值加速度预测方法 |
| CN113960657A (zh) * | 2020-07-20 | 2022-01-21 | 中国石油天然气股份有限公司 | 地震数据特征获取方法及系统 |
| 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 |
| 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 |
| CN112782762A (zh) * | 2021-01-29 | 2021-05-11 | 东北大学 | 一种基于深度学习的地震震级判定方法 |
| CN112799128A (zh) * | 2021-02-03 | 2021-05-14 | 北京航空航天大学 | 一种地震信号检测和震相提取的方法 |
| CN112799128B (zh) * | 2021-02-03 | 2021-10-22 | 北京航空航天大学 | 一种地震信号检测和震相提取的方法 |
| 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 |
| CN113341459A (zh) * | 2021-05-12 | 2021-09-03 | 北京大学 | 基于机器学习和动力学计算融合的地震定位方法与设备 |
| CN113341459B (zh) * | 2021-05-12 | 2022-04-12 | 北京大学 | 基于机器学习和动力学计算融合的地震定位方法与设备 |
| 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 |
| CN114509811B (zh) * | 2022-01-28 | 2022-12-02 | 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 |
| CN115421188A (zh) * | 2022-08-23 | 2022-12-02 | 安徽省新近纪防灾科技有限公司 | 基于人工智能的微地震事件实时识别系统及方法 |
| CN115421188B (zh) * | 2022-08-23 | 2024-02-20 | 宿州学院 | 基于人工智能的微地震事件实时识别系统及方法 |
| CN116502154A (zh) * | 2023-04-25 | 2023-07-28 | 中国地震局地球物理研究所 | 基于多维特征提取和XGBoost的地震分类方法及系统 |
Also Published As
| Publication number | Publication date |
|---|---|
| WO2021027026A1 (zh) | 2021-02-18 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110488351A (zh) | 基于机器学习的地震波震动性质识别方法 | |
| Perez et al. | Applying data mining techniques to predict student dropout: a case study | |
| CN111444952B (zh) | 样本识别模型的生成方法、装置、计算机设备和存储介质 | |
| CN109447099B (zh) | 一种基于pca降维的多分类器融合方法 | |
| CN109615116A (zh) | 一种电信诈骗事件检测方法和检测系统 | |
| Titos et al. | Classification of isolated volcano-seismic events based on inductive transfer learning | |
| CN110166484A (zh) | 一种基于LSTM-Attention网络的工业控制系统入侵检测方法 | |
| CN111444951B (zh) | 样本识别模型的生成方法、装置、计算机设备和存储介质 | |
| Riggelsen et al. | A machine learning approach for improving the detection capabilities at 3C seismic stations | |
| CN111859010B (zh) | 一种基于深度互信息最大化的半监督音频事件识别方法 | |
| CN109492625A (zh) | 一种基于宽度学习的人脸识别考勤方法 | |
| Jonnalagadda et al. | Credit card fraud detection using Random Forest Algorithm | |
| CN111814699A (zh) | 一种面向swarm电磁卫星数据的深度学习地震预测方法 | |
| Grijalva et al. | ESeismic-GAN: a generative model for seismic events from Cotopaxi Volcano | |
| Tang et al. | Specific emitter identification for IoT devices based on deep residual shrinkage networks | |
| CN117408699A (zh) | 一种基于银行卡数据的电信诈骗识别方法 | |
| CN109308782A (zh) | 一种目标物体的行为检测方法及系统 | |
| CN109117787A (zh) | 一种情感脑电信号识别方法及系统 | |
| CN112927719B (zh) | 风险信息评估方法、装置、设备及存储介质 | |
| CN112990279B (zh) | 基于自动编码器的雷达高分辨距离像库外目标拒判方法 | |
| CN113935413A (zh) | 一种基于卷积神经网的配网录波文件波形识别方法 | |
| CN106874944A (zh) | 一种基于Bagging和离群点的分类结果置信度的度量方法 | |
| Sun et al. | Micro‐seismic Event Detection of Hot Dry Rock based on the Gated Recurrent Unit Model and a Support Vector Machine | |
| CN111667000A (zh) | 自适应领域深度神经网络的地震预警方法 | |
| Cinar et al. | Hierarchical Linear Dynamical Systems: A new model for clustering of time series |
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 | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20191122 |