CN111538076B - 基于深度学习特征融合的地震震级快速估算方法 - Google Patents
基于深度学习特征融合的地震震级快速估算方法 Download PDFInfo
- Publication number
- CN111538076B CN111538076B CN202010401636.2A CN202010401636A CN111538076B CN 111538076 B CN111538076 B CN 111538076B CN 202010401636 A CN202010401636 A CN 202010401636A CN 111538076 B CN111538076 B CN 111538076B
- Authority
- CN
- China
- Prior art keywords
- seismic
- model
- magnitude
- data
- waveform
- 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
- 238000000034 method Methods 0.000 title claims abstract description 37
- 238000013135 deep learning Methods 0.000 title claims abstract description 13
- 230000004927 fusion Effects 0.000 title claims abstract description 10
- 238000012549 training Methods 0.000 claims abstract description 19
- 239000013598 vector Substances 0.000 claims abstract description 13
- 238000012544 monitoring process Methods 0.000 claims abstract description 9
- 238000011176 pooling Methods 0.000 claims description 11
- 230000002457 bidirectional effect Effects 0.000 claims description 7
- 210000002569 neuron Anatomy 0.000 claims description 6
- 230000001133 acceleration Effects 0.000 claims description 5
- 238000007781 pre-processing Methods 0.000 claims description 5
- 238000012545 processing Methods 0.000 claims description 4
- 238000010606 normalization Methods 0.000 claims description 3
- 230000004913 activation Effects 0.000 claims description 2
- 239000000284 extract Substances 0.000 claims description 2
- 230000006870 function Effects 0.000 claims description 2
- 230000001186 cumulative effect Effects 0.000 claims 1
- 238000011160 research Methods 0.000 abstract description 9
- 230000000694 effects Effects 0.000 description 6
- 238000013528 artificial neural network Methods 0.000 description 4
- 238000004364 calculation method Methods 0.000 description 4
- 238000012795 verification Methods 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 3
- 238000012360 testing method Methods 0.000 description 3
- 238000002474 experimental method Methods 0.000 description 2
- 238000000605 extraction Methods 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 230000009467 reduction Effects 0.000 description 2
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 description 1
- 238000012512 characterization method Methods 0.000 description 1
- 125000004122 cyclic group Chemical group 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
Images
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
- G01V1/282—Application of seismic models, synthetic seismograms
-
- 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
- G06F18/25—Fusion techniques
- G06F18/253—Fusion techniques of extracted features
-
- 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
- G06N3/049—Temporal neural networks, e.g. delay elements, oscillating neurons or pulsed inputs
-
- 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)
- Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Theoretical Computer Science (AREA)
- Remote Sensing (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Software Systems (AREA)
- Computing Systems (AREA)
- Geophysics (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- General Life Sciences & Earth Sciences (AREA)
- Mathematical Physics (AREA)
- Geology (AREA)
- Environmental & Geological Engineering (AREA)
- Acoustics & Sound (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Geophysics And Detection Of Objects (AREA)
Abstract
本发明公开了一种基于深度学习特征融合的地震震级快速估算方法，包括：(1)收集大量的地震监测台站地面震动波形记录以及相应的地震目录；(2)计算数据样本的传统参数特征以及统计特征；(3)训练深度模型，提取数据样本中的图像特征以及时序特征；(4)融合数据样本提取出的各个特征，形成向量表征，对XGBoost模型进行训练，得到地震震级快速估算模型，进而利用该模型根据地震波形记录估算得到相应的地震震级。本发明利用了传统地震学的研究成果，将其与深度学习结合起来，并利用大量地震数据学习了一个地震震级快速估算模型，提高了地震震级快速估算的准确性。
Description
技术领域
本发明属于地震预警技术领域，具体涉及一种基于深度学习特征融合的地震震级快速估算方法。
背景技术
地质工作者多年来利用地震监测台站所记录的连续波形数据在地震预警、地震速报、地震机制等领域进行了大量的工作和研究。其中，地震事件检测、震相自动拾取以及震级的快速估算等任务是相关研究的重点和热点。
地震震级快速估算任务在地震预警中非常重要，如果能在一次地震发生的前几秒钟，给出这次地震的震级的准确估算，那么就能给地震预警和救灾工作带来很大的帮助，争取更多的时间。
对于地震监测台站波形数据的研究本质上是数据驱动的，研究者可以从大量的监测台站的数据中挖掘、识别地震的特性、模式。传统上地质研究者多从参数拟合的角度出发，以期找到合适的参数来研究、描述地震的震级等参数与地震波形数据之间的关系；较为典型的工作例如τp max方法和τc方法等，这两种方法被称为是周期相关的算法，该类算法利用的是地震研究者发现地震的震级越大地震记录中长周期成分就越多的原理，计算周期参数再与震级进行线性拟合，其中τc方法被认为是更加优越和稳定的，相关研究给出了震级拟合的一个公式：
Mwc＝3.373lg(τc)+5.787±0.412
近年来，随着深度学习技术的飞速发展，越来越多的研究者开始在地震波形数据研究的各个任务上应用机器学习与深度学习。对于震级估算任务而言，比如文献《Panakkat,A.and Adeli,H.(2009)Recurrent Neural Network for ApproximateEarthquake Time and Location Prediction Using Multiple SeismicityIndicators.Computer-Aided Civil and Infrastructure Engineering,24,280-292》提出使用多个台站的观测数据和人工神经网络来给出震级；文献《Luis Hernán Ochoa,LuisFernando
V,Carlos Alberto Vargas Jiménez.Fast Determination of EarthquakeDepth Using Seismic Records of a Single Station,Implementing Machine LearningTechniques.大地测量与地球动力学(英文版)2018-01》提出使用单台的数据计算了一些特征参数，再使用SVM完成这个回归任务。但是目前对于地震级快速估算任务的深度学习应用的研究还不是很常见，仍然以传统方法为主，并且目前也缺少将深度学习技术与传统方法进行融合的研究工作。
发明内容
鉴于上述，本发明提出了一种基于深度学习特征融合的地震震级快速估算方法，将传统参数特征与深度模型提取特征进行融合，通过大量地震监测台站的地面震动连续波形记录训练模型，提高对地震震级的快速估算能力。
一种基于深度学习特征融合的地震震级快速估算方法，包括如下步骤：
(1)收集地震监测台站监测到的地面震动波形记录以及相应的地震目录，所述地震目录包括监测到的一次地震事件中P波到达台站的时间以及该次地震震级；
(2)通过对步骤(1)所收集到的地面震动波形记录进行预处理，得到对应的数据样本；
(3)计算提取每一数据样本的传统参数特征以及统计特征；
(4)构建并训练深度模型用以提取数据样本的波形图像特征以及波形时序特征；
(5)基于上述提取得到的特征构建每一数据样本对应的特征向量，利用特征向量训练XGBoost模型，得到用于地震震级快速估算的预测模型；
(6)对于待测的地面震动波形记录，根据步骤(2)～(4)计算提取其所有特征拼接后输入预测模型中，即可输出预测得到其地震震级。
进一步地，所述步骤(2)中通过预处理得到的每一数据样本包含了实际监测到的一次地震事件中一段长度为3s的地面震动波形数据以及该次地震的震级，其中的波形数据从P波到达台站的时间为截取起点。
进一步地，所述步骤(3)中采用Pd和τc算法提取数据样本的传统参数特征(即Pd参数和τc参数)。
进一步地，所述步骤(3)中数据样本的统计特征包括加速度最大值、速度最大值、累计速度值平方和以及地震波形的滑动窗口标准差。
进一步地，所述步骤(4)中用于提取数据样本波形图像特征的深度模型从输入至输出由六个卷积模块以及一个全连接层依次连接构成。
进一步地，所述步骤(4)中用于提取数据样本波形时序特征的深度模型从输入至输出由三个卷积模块、一个双向LSTM层以及一个全连接层依次连接构成，其中双向LSTM层中的神经元数量为64。
进一步地，每个卷积模块从输入至输出由卷积层、最大池化层以及批归一化处理模块依次连接构成，所述卷积层采用32个宽度为3的卷积核对卷积模块的输入以步长为1进行卷积操作，所述最大池化层采用大小为2的池化窗口，步长为2。
进一步地，所述全连接层的输入为前级输出摊平后的结果，其具有一层网络隐层，神经元数量为16，且采用激活函数Relu处理。
进一步地，所述步骤(5)中将数据样本的传统参数特征、统计特征、波形图像特征以及波形时序特征进行拼接得到对应的特征向量，以数据样本中地震震级作为XGBoost模型输出预测结果的真值标签。
进一步地，所述步骤(5)中采用网格搜索的方法对XGBoost模型进行训练，以确定模型最优参数，同时在模型中通过增加震级大于5的特征向量权重的方法，以缓解大震级估算低估问题。
基于上述技术方案，本发明根据地震波形数据的特点，针对性地设计了深度网络模型，综合利用卷积神经网络、循环神经网络等技术抽取地震波形数据的图像特征与时序特征，捕捉数据的特点。同时，本发明还利用了传统地震学的研究成果，将其与深度学习结合起来，并利用大量地震数据学习了一个地震震级快速估算模型，提高了地震震级快速估算的准确性。
附图说明
图1为本发明地震震级快速估算方法的流程示意图。
图2为本发明提取地震波形图像特征的深度模型结构示意图。
图3为本发明提取地震波形时序特征的深度模型结构示意图。
具体实施方式
为了更为具体地描述本发明，下面结合附图及具体实施方式对本发明的技术方案进行详细说明。
如图1所示，本发明基于深度学习特征融合的地震震级快速估算方法，具体步骤如下：
(1)收集地震监测台站记录的地面震动连续波形记录，用于地震震级快速估算。具体地：从地震监测台站记录的连续波形数据中，以一次地震事件的P波到达时间为截取的起点，以该次地震事件的P波到时之后的3s为截取的终点，从而截取出长度为3s的地震事件数据样本。本实施例中样本的特征维度为3×300，其中3表示波形记录具有东西、南北以及竖直三个方向分量，300的维度则是截取数据的时间长度为3s，数据的采样频率为100Hz。
(2)本发明计算传统参数特征使用的Pd方法和τc方法是较为成熟的方法，其计算方式可以在相关文献中找到。本发明计算的统计特征包括加速度最大值max(a)、速度最大max(v)、累计速度值平方和以及地震波形记录的滑动窗口计算标准差；本发明中地震波形数据的物理意义为速度，所以速度最大值和累计速度值的平方和可以直接计算得到，而加速度是速度的微分，这里通过计算临近两个数据点的差值近似得到，即对于数据中第i个点，其加速度ai为：
ai＝100(vi+1-vi)
在计算滑动窗口计算标准差时，设定窗口大小为0.3s，也就是30个数据点，滑动步长亦为0.3s，接着计算每个时间窗口内数据的标准差。例如使用P波到达后3s长度的数据时，就可以获得数量为10的滑动窗口标准差特征；对于第i个特征值，其计算方式如下：
其中：xj表示数据中第j个点，fi为计算得到的第i个特征值。
(3)本发明采用如图2所示的深度模型进行波形数据图像特征的提取，模型由输入层、六个卷积模块、全连接层以及输出层构成，每个卷积模块由一个卷积层，一个最大池化层以及批归一化操作构成，其中每个卷积层的卷积核的数量为32，卷积核宽度为3，步长为1，每个最大池化层，其池化窗口大小为2，最后使用了一个神经元数量分别为16与1的全连接网络来得到最后的输出。
本发明采用如图3所示的深度模型进行波形数据时序特征的提取，模型由输入层、三个卷积模块、双向LSTM层、全连接层以及输出层构成，模型将数据样本中长度为3s的地面震动波形数据作为输入，数据首先通过与上述模型相同设置的三个卷积层和三个最大池化层，然后将降维后的数据作为一个双向LSTM网络层的输入，最后双向LSTM层的输出将作为与上述模型相同的大小为神经元数量为16与1的两层全连接网络的输入来得到模型最后的输出。
设定上述两个模型的参数，通过大量真实的地震记录，反向传播训练网络参数，得到最后的用于抽取数据特征的网络模型。
实验数据分为训练集、验证集与测试集，测试集是在数据预处理之前就预先划分出来的大小为总数据集20％的数据集，之后也经过了与训练集相同的数据预处理过程。在训练过程中，将数据分为训练集与验证集，其比例为4:1，实验使用的优化算法为Adam，学习率为0.001，批(batch)大小设置为128；实验不设置最大训练轮数或是迭代次数，采用了早停(EarlyStopping)的训练策略，当验证集上的损失在两个训练轮次(Epoch)中没有下降时，模型便会停止继续训练；在参数初始化上，使用Xavier初始化。
模型训练完成之后，将上述两个模型的全连接层的输出分别作为抽取出来的长度为16的特征向量，即完成了对数据样本的特征抽取。
(4)上述共抽取了长度为15维的传统参数特征与统计特征以及长度为32维的深度模型特征，将它们拼接起来，就得到了总长度为47维的波形数据的融合向量表征。本发明使用该融合向量表征训练XGBoost模型，得到最终的震级快速估算模型，XGBoost的参数主要包括树的最大深度、学习率、迭代次数等等，本发明使用了网格搜索等方法来确定最优参数；对于大震级估算低估问题，本发明采取了在模型中增加震级大于5的训练样本的权重的方法来缓解这个问题。
(5)对于地震震级快速估算问题，在使用测试样本进行估算时，首先需要计算得到相应的向量表征，再输入到估算模型中，模型的输出即为估算得到的地震震级。
以下通过误差以及平均绝对误差衡量本发明地震震级快速估算问题中的效果，表1为本发明方法与经典的地震震级快速估算方法的效果比较，从中可以看出本发明方法相对其在估算误差方面有明显的降低。
表1
| 模型 | 误差 | 平均绝对误差 |
| τ<sub>c</sub>方法 | -0.036±0.702 | 0.558 |
| P<sub>d</sub>方法 | -0.039±0.620 | 0.461 |
| 本发明 | -0.024±0.392 | 0.303 |
以下通过误差以及平均绝对误差衡量本发明在缓解大震级低估问题上的效果，表2为在本发明方法中使用不同大小的震级大于等于5地震训练样本权重的效果比较，从中可以看出该方法对大震级的震级估算提升效果明显，而对于整体的震级估算效果影响不大。
表2
| 权重 | 平均绝对误差(总体) | 平均绝对误差(震级≥5) |
| 1 | 0.303 | 0.797 |
| 2 | 0.304 | 0.673 |
| 5 | 0.306 | 0.598 |
| 10 | 0.308 | 0.589 |
| 50 | 0.309 | 0.551 |
| 100 | 0.312 | 0.488 |
上述的对实施例的描述是为便于本技术领域的普通技术人员能理解和应用本发明。熟悉本领域技术的人员显然可以容易地对上述实施例做出各种修改，并把在此说明的一般原理应用到其他实施例中而不必经过创造性的劳动。因此，本发明不限于上述实施例，本领域技术人员根据本发明的揭示，对于本发明做出的改进和修改都应该在本发明的保护范围之内。
Claims (2)
1.一种基于深度学习特征融合的地震震级快速估算方法，包括如下步骤：
(1)收集地震监测台站监测到的地面震动波形记录以及相应的地震目录，所述地震目录包括监测到的一次地震事件中P波到达台站的时间以及该次地震震级；
(2)通过对步骤(1)所收集到的地面震动波形记录进行预处理，得到对应的数据样本，其包含了实际监测到的一次地震事件中一段长度为3s的地面震动波形数据以及该次地震的震级，其中的波形数据从P波到达台站的时间为截取起点；
(3)计算提取每一数据样本的传统参数特征以及统计特征，所述统计特征包括加速度最大值、速度最大值、累计速度值平方和以及地震波形的滑动窗口标准差；
(4)构建并训练深度模型用以提取数据样本的波形图像特征以及波形时序特征，其中用于提取数据样本波形图像特征的深度模型从输入至输出由六个卷积模块以及一个全连接层依次连接构成，用于提取数据样本波形时序特征的深度模型从输入至输出由三个卷积模块、一个双向LSTM层以及一个全连接层依次连接构成；
所述双向LSTM层中的神经元数量为64，所述卷积模块从输入至输出由卷积层、最大池化层以及批归一化处理模块依次连接构成，所述卷积层采用32个宽度为3的卷积核对卷积模块的输入以步长为1进行卷积操作，所述最大池化层采用大小为2的池化窗口，步长为2；所述全连接层的输入为前级输出摊平后的结果，其具有一层网络隐层，神经元数量为16，且采用激活函数Relu处理；
(5)将步骤(3)和步骤(4)中提取得到的所有特征进行融合，构建每一数据样本对应的特征向量，利用特征向量训练XGBoost模型，得到用于地震震级快速估算的预测模型；
其中将数据样本的传统参数特征、统计特征、波形图像特征以及波形时序特征通过拼接进行融合，构建得到数据样本对应的特征向量，以数据样本中地震震级作为XGBoost模型输出预测结果的真值标签，采用网格搜索的方法对XGBoost模型进行训练，以确定模型最优参数，同时在模型中通过增加震级大于5的特征向量权重的方法，以缓解大震级估算低估问题；
(6)对于待测的地面震动波形记录，根据步骤(2)～(4)计算提取其所有特征拼接后输入预测模型中，即可输出预测得到其地震震级。
2.根据权利要求1所述的地震震级快速估算方法，其特征在于：所述步骤(3)中采用Pd和τc算法提取数据样本的传统参数特征。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010401636.2A CN111538076B (zh) | 2020-05-13 | 2020-05-13 | 基于深度学习特征融合的地震震级快速估算方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010401636.2A CN111538076B (zh) | 2020-05-13 | 2020-05-13 | 基于深度学习特征融合的地震震级快速估算方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN111538076A CN111538076A (zh) | 2020-08-14 |
| CN111538076B true CN111538076B (zh) | 2021-08-03 |
Family
ID=71980530
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010401636.2A Active CN111538076B (zh) | 2020-05-13 | 2020-05-13 | 基于深度学习特征融合的地震震级快速估算方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111538076B (zh) |
Families Citing this family (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112380198B (zh) * | 2020-10-29 | 2022-06-21 | 吉林大学 | 一种基于深度学习的地震接收函数自动挑选方法 |
| 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 |
| 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 |
| CN113009553A (zh) * | 2021-03-02 | 2021-06-22 | 电子科技大学 | 基于NGBoost和SHAP值的可解释地震动参数概率密度分布预测方法 |
| 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 |
| 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 |
| CN113514877B (zh) * | 2021-07-07 | 2022-05-31 | 浙江大学 | 一种自适应震级快速估算方法 |
| CN114167487B (zh) * | 2021-12-02 | 2022-09-27 | 中国地震局工程力学研究所 | 一种基于特征波形的地震震级估算方法和装置 |
| CN114298104B (zh) * | 2021-12-28 | 2022-09-27 | 中国地震局工程力学研究所 | 地震预警方法、装置、电子设备和计算机可读存储介质 |
| CN115291281B (zh) * | 2022-09-30 | 2022-12-20 | 中国科学院地质与地球物理研究所 | 基于深度学习的实时微地震震级计算方法及装置 |
| CN116797030A (zh) * | 2023-08-25 | 2023-09-22 | 山东省地质调查院(山东省自然资源厅矿产勘查技术指导中心) | 地质监测预警方法、系统、计算机设备及存储介质 |
Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2007298446A (ja) * | 2006-05-01 | 2007-11-15 | Central Japan Railway Co | 地震計、地震計システム、地震警報発令方法、及びプログラム |
| CN101699317A (zh) * | 2009-11-09 | 2010-04-28 | 东南大学 | 利用地震参量进行短期地震预测的神经网络方法 |
| CN103365916A (zh) * | 2012-03-31 | 2013-10-23 | 中国科学技术大学 | 地震事件参数估计获取方法和系统，地震事件搜索引擎 |
| 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 |
| CN109416408A (zh) * | 2016-07-08 | 2019-03-01 | 日本电气株式会社 | 震中距估计装置、震中距估计方法以及计算机可读记录介质 |
| CN110045413A (zh) * | 2019-04-22 | 2019-07-23 | 中国地质大学（北京） | 一种地震短期预测方法和装置 |
| 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 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| TWI662422B (zh) * | 2018-04-23 | 2019-06-11 | 國家中山科學研究院 | Air quality prediction method based on machine learning model |
-
2020
- 2020-05-13 CN CN202010401636.2A patent/CN111538076B/zh active Active
Patent Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2007298446A (ja) * | 2006-05-01 | 2007-11-15 | Central Japan Railway Co | 地震計、地震計システム、地震警報発令方法、及びプログラム |
| CN101699317A (zh) * | 2009-11-09 | 2010-04-28 | 东南大学 | 利用地震参量进行短期地震预测的神经网络方法 |
| CN103365916A (zh) * | 2012-03-31 | 2013-10-23 | 中国科学技术大学 | 地震事件参数估计获取方法和系统，地震事件搜索引擎 |
| CN109416408A (zh) * | 2016-07-08 | 2019-03-01 | 日本电气株式会社 | 震中距估计装置、震中距估计方法以及计算机可读记录介质 |
| 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 |
| CN110045413A (zh) * | 2019-04-22 | 2019-07-23 | 中国地质大学（北京） | 一种地震短期预测方法和装置 |
| 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 |
Non-Patent Citations (2)
| Title |
|---|
| τc方法在内蒙古地区预警震级计算中的应用;郝美仙 等;《中国地震》;20200331;第36卷(第1期);第138页第2节，第139页第3节 * |
| 基于回归算法和大数据云基础设施的美国加利福尼亚州地震预测;李帛珊 等;《世界地震译丛》;20200131;第51卷(第1期);第35页图1，及第37-43页 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN111538076A (zh) | 2020-08-14 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111538076B (zh) | 基于深度学习特征融合的地震震级快速估算方法 | |
| CN108805269B (zh) | 一种基于lstm循环神经网络拾取震相到时的方法 | |
| US8378816B2 (en) | System and method to assess signal similarity with applications to diagnostics and prognostics | |
| CN111580151B (zh) | 一种基于SSNet模型的地震事件到时识别方法 | |
| CN112783940A (zh) | 基于图神经网络的多源时序数据故障诊断方法和介质 | |
| CN108596327B (zh) | 一种基于深度学习的地震速度谱人工智能拾取方法 | |
| CN115758212B (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 | |
| CN111580181B (zh) | 一种基于多场多特征信息融合的导水陷落柱识别方法 | |
| CN113687433B (zh) | 一种基于Bi-LSTM的大地电磁信号去噪方法及系统 | |
| CN109165660A (zh) | 一种基于卷积神经网络的显著物体检测方法 | |
| CN112113755B (zh) | 一种基于深度卷积-峭度神经网络的机械故障智能诊断方法 | |
| CN112132430B (zh) | 一种配电主设备分布式状态传感器可靠性评估方法及系统 | |
| CN116229380A (zh) | 一种变电站涉鸟故障相关鸟种识别方法 | |
| CN111753776B (zh) | 基于回声状态与多尺度卷积联合模型的结构损伤识别方法 | |
| CN118330386B (zh) | 拓扑变化自适应的新型配电系统高阻接地故障定位方法 | |
| CN113988210A (zh) | 结构监测传感网失真数据修复方法、装置及存储介质 | |
| CN114169374A (zh) | 一种斜拉桥斜拉索损伤识别方法及电子设备 | |
| CN114818579A (zh) | 基于一维卷积长短期记忆网络的模拟电路故障诊断方法 | |
| CN113009553A (zh) | 基于NGBoost和SHAP值的可解释地震动参数概率密度分布预测方法 | |
| CN114897138A (zh) | 基于注意力机制和深度残差网络的系统故障诊断方法 | |
| Zhang et al. | Automatic microseismic detection and location via the deep-convolutional neural network | |
| CN116468166A (zh) | 一种深度学习径流量预测模型及方法 | |
| CN115017828A (zh) | 基于双向长短时记忆网络的电力电缆故障识别方法及系统 | |
| CN114357372A (zh) | 一种基于多传感器数据驱动的飞机故障诊断模型生成方法 | |
| CN114818817A (zh) | 一种电容式电压互感器微弱故障识别系统及方法 |
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 |