CN111580151B - 一种基于SSNet模型的地震事件到时识别方法 - Google Patents
一种基于SSNet模型的地震事件到时识别方法 Download PDFInfo
- Publication number
- CN111580151B CN111580151B CN202010401638.1A CN202010401638A CN111580151B CN 111580151 B CN111580151 B CN 111580151B CN 202010401638 A CN202010401638 A CN 202010401638A CN 111580151 B CN111580151 B CN 111580151B
- Authority
- CN
- China
- Prior art keywords
- model
- convolution
- seismic
- ssnet
- layer
- 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 36
- 238000012549 training Methods 0.000 claims abstract description 30
- 208000035126 Facies Diseases 0.000 claims abstract description 9
- 238000012544 monitoring process Methods 0.000 claims abstract description 9
- 230000006870 function Effects 0.000 claims description 24
- 238000011176 pooling Methods 0.000 claims description 13
- 230000004913 activation Effects 0.000 claims description 10
- 238000013528 artificial neural network Methods 0.000 claims description 7
- 230000008569 process Effects 0.000 claims description 6
- 239000011800 void material Substances 0.000 claims description 6
- 238000005457 optimization Methods 0.000 claims description 5
- 238000004364 calculation method Methods 0.000 claims description 4
- 239000011159 matrix material Substances 0.000 claims description 4
- 210000002569 neuron Anatomy 0.000 claims description 4
- 238000010606 normalization Methods 0.000 claims description 3
- 238000012545 processing Methods 0.000 claims description 2
- 238000001514 detection method Methods 0.000 abstract description 13
- 238000013527 convolutional neural network Methods 0.000 abstract description 5
- 238000005516 engineering process Methods 0.000 abstract description 3
- 238000011160 research Methods 0.000 description 5
- 230000000694 effects Effects 0.000 description 4
- 230000006872 improvement Effects 0.000 description 4
- 238000012795 verification Methods 0.000 description 4
- 238000013135 deep learning Methods 0.000 description 3
- 238000013461 design Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000002474 experimental method Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000007781 pre-processing Methods 0.000 description 2
- 230000009467 reduction Effects 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- CFKMVGJGLGKFKI-UHFFFAOYSA-N 4-chloro-m-cresol Chemical compound CC1=CC(O)=CC=C1Cl CFKMVGJGLGKFKI-UHFFFAOYSA-N 0.000 description 1
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 230000000306 recurrent effect Effects 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
Images
Classifications
-
- G01V1/01—
-
- 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
- G06N3/08—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)
- General Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Geophysics And Detection Of Objects (AREA)
Abstract
本发明公开了一种基于SSNet模型的地震事件到时识别方法，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)提出SSNet模型解决地震事件到时识别问题；(3)利用地震事件样本以及随机采集的非地震事件地面震动样本对SSNet模型进行训练，得到用于地震事件检测的识别模型；(4)利用地震事件样本以及地震震相到时记录对SSNet模型进行训练，得到用于地震震相到时识别的识别模型。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等技术抽取地震波形数据的特征，捕捉数据的特点，提高了对地震事件检测任务的准确率和震相到时拾取任务的精度。
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SSNet模型的地震事件到时识别方法。
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。地震事件检测是指对于地震监测台站记录的连续波形数据，检测出其中某一段数据是否属于一个地震事件，从而给出某个时刻是否发生地震的判断；震相的自动拾取是指在我们已经知道某段波形数据属于地震事件之后，给出确切的地震波传播到达台站的时间。
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判断一段地面震动数据是否从属于一个地震事件，描述地震的震相、震级等参数与地震波形数据之间的关系。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深度学习。
例如2018年Perol等人在science子刊上发表的文献[Perol T,Gharbi M,DenolleM.Convolutional neural network for earthquake detection and location[J].Science Advances,2018,4(2):e1700578.]提出使用一个8层的卷积神经网络来判断一段台站地面震动数据是否为地震，并且判断地震震中的大致方位。2019年Zhou等人发表的文献[Zhou Y,Yue H,Kong Q,et al.Hybrid Event Detection and Phase-PickingAlgorithm Using Convolutional and Recurrent Neural Networks[J].SeismologicalResearch Letters,2019,90(3):1079-1087.]提出使用循环神经网络等方法来拾取震相的到时等等。这些方法将深度学习技术应用在了地震波形数据上，并取得了超过传统方法的效果，使得这个领域被越来越多人注意到，具有很重要的意义。但是这些现有技术仍然停留在套用基础的神经网络模型来解决地震领域问题，缺少针对于地震数据特点的模型设计、改进与调优。
发明内容
鉴于上述，本发明提供了一种基于SSNet模型的地震事件到时识别方法，其通过大量地震监测台站的地面震动连续波形记录，训练SSNet模型，提高对地震事件的到时识别能力。
一种基于SSNet模型的地震事件到时识别方法，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波和S波到达台站的时间；
(2)根据步骤(1)所收集的数据构建训练所需的样本，包括大量对应地震事件的正样本以及大量对应非地震事件的负样本；
(3)利用正样本和负样本训练SSNet模型，得到用于地震事件检测的识别模型，进而向该模型输入地面震动波形数据即可输出判断是否为地震事件；
(4)利用正样本训练SSNet模型，得到用于地震震相到时的预测模型，进而向该模型输入地面震动波形数据即可输出得到P波和S波到达台站的时间。
进一步地，所述正样本包含地面震动波形数据以及对应实际监测到的一次地震事件中P波和S波到达台站的时间，负样本只包含地面震动波形数据；正样本的地面震动波形数据长度为30s，即从P波到达台站之前的5～15s截取起点，从P波到达台站之后的15～25s截取终点；负样本的地面震动波形数据长度也为30s，即从不涉及任何地震事件的连续地面震动波形记录中随机选取确定起点，截取30s长度的地面震动波形数据。
进一步地，所述步骤(2)中保证正样本和负样本的数量相同。
进一步地，所述步骤(3)中对SSNet模型进行训练的具体过程如下：
3.1构建SSNet模型，并初始化该模型参数，包括每一层的权值矩阵、学习率、优化方法以及最大迭代次数；
3.2将所有样本中的地面震动波形数据逐一输入至SSNet模型中进行训练，计算SSNet模型输出的识别结果与对应样本的真值之间的误差函数，其中模型输出的识别结果为样本属于地震事件的概率值，正样本的真值为1，负样本的真值为0；进而通过反向传播对整个SSNet模型的参数不断进行调整更新，直至误差函数收敛或达到最大迭代次数，从而完成训练得到用于地震事件检测的识别模型。
进一步地，所述步骤(4)中对SSNet模型进行训练的具体过程如下：
4.1构建SSNet模型，并初始化该模型参数，包括每一层的权值矩阵、学习率、优化方法以及最大迭代次数；
4.2将正样本中的地面震动波形数据逐一输入至SSNet模型中进行训练，计算SSNet模型输出的预测结果与对应样本的真值之间的误差函数，其中模型输出的预测结果为P波和S波到达台站的时间，样本的真值为实际监测到的一次地震事件中P波和S波到达台站的时间；进而通过反向传播对整个SSNet模型的参数不断进行调整更新，直至误差函数收敛或达到最大迭代次数，从而完成训练得到用于地震震相到时的预测模型。
进一步地，所述SSNet模型从输入到输出由尺度选择卷积块SSBlock1、平均池化层P1、尺度选择卷积块SSBlock2、平均池化层P2、尺度选择卷积块SSBlock3、平均池化层P3、尺度选择卷积块SSBlock4、平均池化层P4以及全连接层依次连接组成。
进一步地，所述尺度选择卷积块SSBlock1～SSBlock4结构相同均由三个尺度选择卷积单元SSCell1～SSCell3级联构成，每个尺度选择卷积单元包含普通卷积层和空洞卷积层，普通卷积层采用大小为3的卷积核对卷积单元的输入以步长为1进行卷积操作并经激活函数Relu处理后输出；空洞卷积层采用大小为3的卷积核对普通卷积层的输出以步长为1进行卷积操作，其输出分成两路分别经激活函数tanh和sigmoid处理后进行点乘，得到的结果与普通卷积层的输出相加并经批归一化处理后作为卷积单元的输出；SSCell1中空洞卷积层的空洞大小为1，SSCell2中空洞卷积层的空洞大小为2，SSCell3中空洞卷积层的空洞大小为4。
进一步地，所述尺度选择卷积块SSBlock1中普通卷积层和空洞卷积层所采用的卷积核数量均为32，尺度选择卷积块SSBlock2中普通卷积层和空洞卷积层所采用的卷积核数量均为64，尺度选择卷积块SSBlock3中普通卷积层和空洞卷积层所采用的卷积核数量均为128，尺度选择卷积块SSBlock4中普通卷积层和空洞卷积层所采用的卷积核数量均为256。
进一步地，所述平均池化层P1～P4结构相同均采用大小为4的池化窗口，步长为4，padding模式为same，即在窗口长度不足4时亦计算得到输出。
进一步地，所述全连接层采用三层神经网络结构，从输入至输出各层的神经元数量分别为256、64、16且均采用激活函数Relu处理。
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等技术抽取地震波形数据的特征，捕捉数据的特点。同时，本发明利用大量地震数据学习了一个地震事件到时识别模型，提高了对地震事件检测任务的准确率和震相到时拾取任务的精度。
附图说明
图1为本发明地震事件到时识别方法的流程示意图。
图2为本发明SSNet模型架构示意图。
图3为SSNet模型中SSBlock以及SSCell的结构示意图。
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SSNet模型的地震事件到时识别方法，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，用于地震事件到时识别。样本的特征维度为3×3000，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，3000的维度则是截取数据的时间长度为30s，数据的采样频率为100Hz。
(2)本发明采用如图2所示的SSNet模型进行地震事件到时识别，以卷积神经网络为基本方法，在此基础上加入空洞卷积、门控单元和残差结构等进行改进。SSNet模型由4个结构类似的SSBlock以及平均池化层堆叠组成，而每个SSBlock则是由三个相同的SSCell单元构成。其中，SSCell使用图3所示的卷积单元结构来替代简单卷积网络层的方案，SSCell除了常规的卷积网络层之外，还加入了空洞卷积层和门控单元和残差结构等改进，能够在计算中更好地抽取地震连续波形记录的特征。
由于使用了空洞卷积网络层，使得网络对于相对较宽的数据具有更大的视野；该层中采用了3×3的卷积，一个SSBlock里面的卷积的空洞大小依次增大，其大小为1、2、4，故其对于数据的视野大小依次为7、11、19。
门控单元层将空洞卷积的结果通过tanh和sigmoid两个不同的激活函数，之后对其结果进行点乘。由于地震数据样本的取值在数轴的两侧基本上是均匀分布的，如果使用常用的relu激活函数或其变种，那么将会损失掉一些数据中的负值信息，所以本发明采用了tanh(双曲正切函数)这一取值范围在[-1,1]的函数来作为主激活函数；而通过sigmoid函数的一路数据，起到的就是门控单元中的“开关信号”的作用，之后将这两路信号的对应位置相乘(Hadamard Product)。由于sigmoid函数的取值范围为[0,1]，所以相当于数据中的每一个值都经过了一定比例的衰减控制，最后再将门控单元的计算所得与捷径连接的数据进行拼接。
对于一个SSCell而言，假设其输入为矩阵为X，输出矩阵为Y，X与Y之间的计算关系为：
Conv_1＝conv1d(W1，X)
Conv_2＝dilated_conv1d(W2,Conv_1)
Xtanh＝tanh(Conv_2)
Xσ＝σ(Conv_2)
Y＝BN([Conv_1,Xtanh·Xσ])
上述公式中conv1d()表示一维卷积，dilated_conv1d表示带空洞的一维卷积，W1、W2为两次卷积的参数，σ()表示sigmoid函数，BN()表示归一化操作。
(3)设定模型参数，通过大量真实的地震事件到时记录，反向传播训练网络参数，得到最后的网络模型。
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。
对于地震事件检测问题和震相到时拾取问题使用不同的损失函数。地震事件检测使用的是交叉熵，震相到时拾取使用的是平均平方损失(MSE)。
(4)对于地震事件检测问题，通过数据样本输入模型，通过预测层的Softmax激活函数，输出预测样本为地震事件的概率值，越大即表示该受测样本为地震事件的概率越大。
对于震相到时拾取问题，通过数据样本输入模型，最后输出P、S波到时数值即为P、S波到达时间与受测样本截取起点时间的差值。
以下通过AUC以及准确率衡量地震事件检测问题中的效果，表1为本发明方法与一种经典的地震事件检测的卷积神经网络方法的效果比较，从中可以看出本发明方法相对其在检测错误率方面有明显的降低。
表1
| 模型 | AUC | Acc | ErrorRate |
| ConvNetQuake | 0.99955 | 0.99292 | 0.00708 |
| SSNet | 0.99966 | 0.99514 | 0.00486 |
以下通过AUC以及准确率衡量震相到时识别问题中的效果，表2为本发明方法与现有的经典方法(包括传统方法和神经网络方法)的效果比较，从中可以看出本发明方法相对其在识别方面有明显的降低。
表2
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 (5)
1.一种基于SSNet模型的地震事件到时识别方法，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波和S波到达台站的时间；
(2)根据步骤(1)所收集的数据构建训练所需的样本，包括大量对应地震事件的正样本以及大量对应非地震事件的负样本；
(3)利用正样本和负样本训练SSNet模型，得到用于地震事件检测的识别模型，进而向该模型输入地面震动波形数据即可输出判断是否为地震事件；
所述SSNet模型从输入到输出由尺度选择卷积块SSBlock1、平均池化层P1、尺度选择卷积块SSBlock2、平均池化层P2、尺度选择卷积块SSBlock3、平均池化层P3、尺度选择卷积块SSBlock4、平均池化层P4以及全连接层依次连接组成；
所述尺度选择卷积块SSBlock1～SSBlock4结构相同均由三个尺度选择卷积单元SSCell1～SSCell3级联构成，每个尺度选择卷积单元包含普通卷积层和空洞卷积层，普通卷积层采用大小为3的卷积核对卷积单元的输入以步长为1进行卷积操作并经激活函数Relu处理后输出；空洞卷积层采用大小为3的卷积核对普通卷积层的输出以步长为1进行卷积操作，其输出分成两路分别经激活函数tanh和sigmoid处理后进行点乘，得到的结果与普通卷积层的输出相加并经批归一化处理后作为卷积单元的输出；SSCell1中空洞卷积层的空洞大小为1，SSCell2中空洞卷积层的空洞大小为2，SSCell3中空洞卷积层的空洞大小为4；
所述尺度选择卷积块SSBlock1中普通卷积层和空洞卷积层所采用的卷积核数量均为32，尺度选择卷积块SSBlock2中普通卷积层和空洞卷积层所采用的卷积核数量均为64，尺度选择卷积块SSBlock3中普通卷积层和空洞卷积层所采用的卷积核数量均为128，尺度选择卷积块SSBlock4中普通卷积层和空洞卷积层所采用的卷积核数量均为256；
所述平均池化层P1～P4结构相同均采用大小为4的池化窗口，步长为4，padding模式为same，即在窗口长度不足4时亦计算得到输出；
所述全连接层采用三层神经网络结构，从输入至输出各层的神经元数量分别为256、64、16且均采用激活函数Relu处理；
(4)利用正样本训练SSNet模型，得到用于地震震相到时的预测模型，进而向该模型输入地面震动波形数据即可输出得到P波和S波到达台站的时间。
2.根据权利要求1所述的地震事件到时识别方法，其特征在于：所述正样本包含地面震动波形数据以及对应实际监测到的一次地震事件中P波和S波到达台站的时间，负样本只包含地面震动波形数据；正样本的地面震动波形数据长度为30s，即从P波到达台站之前的5～15s截取起点，从P波到达台站之后的15～25s截取终点；负样本的地面震动波形数据长度也为30s，即从不涉及任何地震事件的连续地面震动波形记录中随机选取确定起点，截取30s长度的地面震动波形数据。
3.根据权利要求1所述的地震事件到时识别方法，其特征在于：所述步骤(2)中保证正样本和负样本的数量相同。
4.根据权利要求1所述的地震事件到时识别方法，其特征在于：所述步骤(3)中对SSNet模型进行训练的具体过程如下：
3.1构建SSNet模型，并初始化该模型参数，包括每一层的权值矩阵、学习率、优化方法以及最大迭代次数；
3.2将所有样本中的地面震动波形数据逐一输入至SSNet模型中进行训练，计算SSNet模型输出的识别结果与对应样本的真值之间的误差函数，其中模型输出的识别结果为样本属于地震事件的概率值，正样本的真值为1，负样本的真值为0；进而通过反向传播对整个SSNet模型的参数不断进行调整更新，直至误差函数收敛或达到最大迭代次数，从而完成训练得到用于地震事件检测的识别模型。
5.根据权利要求1所述的地震事件到时识别方法，其特征在于：所述步骤(4)中对SSNet模型进行训练的具体过程如下：
4.1构建SSNet模型，并初始化该模型参数，包括每一层的权值矩阵、学习率、优化方法以及最大迭代次数；
4.2将正样本中的地面震动波形数据逐一输入至SSNet模型中进行训练，计算SSNet模型输出的预测结果与对应样本的真值之间的误差函数，其中模型输出的预测结果为P波和S波到达台站的时间，样本的真值为实际监测到的一次地震事件中P波和S波到达台站的时间；进而通过反向传播对整个SSNet模型的参数不断进行调整更新，直至误差函数收敛或达到最大迭代次数，从而完成训练得到用于地震震相到时的预测模型。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010401638.1A CN111580151B (zh) | 2020-05-13 | 2020-05-13 | 一种基于SSNet模型的地震事件到时识别方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010401638.1A CN111580151B (zh) | 2020-05-13 | 2020-05-13 | 一种基于SSNet模型的地震事件到时识别方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN111580151A CN111580151A (zh) | 2020-08-25 |
| CN111580151B true CN111580151B (zh) | 2021-04-20 |
Family
ID=72112664
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010401638.1A Active CN111580151B (zh) | 2020-05-13 | 2020-05-13 | 一种基于SSNet模型的地震事件到时识别方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111580151B (zh) |
Families Citing this family (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110631792B (zh) * | 2019-10-11 | 2021-01-05 | 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 |
| 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 |
| 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 |
| CN113568043B (zh) * | 2021-07-23 | 2022-05-24 | 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 |
| CN115267883B (zh) * | 2022-06-23 | 2023-08-29 | 华南理工大学 | 地震响应预测模型训练及预测方法、系统、设备及介质 |
Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2003114281A (ja) * | 2001-10-04 | 2003-04-18 | National Research Institute For Earth Science & Disaster Provention | 震源位置の決定法 |
| JP2006170739A (ja) * | 2004-12-15 | 2006-06-29 | Kajima Corp | 緊急地震速報を用いた地震防災システム |
| CN108197606A (zh) * | 2018-01-31 | 2018-06-22 | 浙江大学 | 一种基于多尺度膨胀卷积的病理切片中异常细胞的识别方法 |
| CN109145769A (zh) * | 2018-08-01 | 2019-01-04 | 辽宁工业大学 | 融合图像分割特征的目标检测网络设计方法 |
| CN109410185A (zh) * | 2018-10-10 | 2019-03-01 | 腾讯科技（深圳）有限公司 | 一种图像分割方法、装置和存储介质 |
| CN109784190A (zh) * | 2018-12-19 | 2019-05-21 | 华东理工大学 | 一种基于深度学习的自动驾驶场景关键目标检测提取方法 |
| CN110163187A (zh) * | 2019-06-02 | 2019-08-23 | 东北石油大学 | 基于f-rcnn的远距离交通标志检测识别方法 |
-
2020
- 2020-05-13 CN CN202010401638.1A patent/CN111580151B/zh active Active
Patent Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2003114281A (ja) * | 2001-10-04 | 2003-04-18 | National Research Institute For Earth Science & Disaster Provention | 震源位置の決定法 |
| JP2006170739A (ja) * | 2004-12-15 | 2006-06-29 | Kajima Corp | 緊急地震速報を用いた地震防災システム |
| CN108197606A (zh) * | 2018-01-31 | 2018-06-22 | 浙江大学 | 一种基于多尺度膨胀卷积的病理切片中异常细胞的识别方法 |
| CN109145769A (zh) * | 2018-08-01 | 2019-01-04 | 辽宁工业大学 | 融合图像分割特征的目标检测网络设计方法 |
| CN109410185A (zh) * | 2018-10-10 | 2019-03-01 | 腾讯科技（深圳）有限公司 | 一种图像分割方法、装置和存储介质 |
| CN109784190A (zh) * | 2018-12-19 | 2019-05-21 | 华东理工大学 | 一种基于深度学习的自动驾驶场景关键目标检测提取方法 |
| CN110163187A (zh) * | 2019-06-02 | 2019-08-23 | 东北石油大学 | 基于f-rcnn的远距离交通标志检测识别方法 |
Non-Patent Citations (2)
| Title |
|---|
| 全卷积神经网络研究综述;章琳等;《计算机工程与应用》;20191108;第56卷(第1期);第25-37页 * |
| 深度学习及其在计算机视觉领域中的应用;李国和等;《计算机应用研究》;20191231;第36卷(第12期);第3521-3529、3564页 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN111580151A (zh) | 2020-08-25 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111580151B (zh) | 一种基于SSNet模型的地震事件到时识别方法 | |
| CN111538076B (zh) | 基于深度学习特征融合的地震震级快速估算方法 | |
| CN108805269B (zh) | 一种基于lstm循环神经网络拾取震相到时的方法 | |
| CN110991690B (zh) | 一种基于深度卷积神经网络的多时次风速预测方法 | |
| 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 | |
| CN109165660A (zh) | 一种基于卷积神经网络的显著物体检测方法 | |
| CN112101085B (zh) | 一种基于重要性加权域对抗自适应的智能故障诊断方法 | |
| CN111126471A (zh) | 微地震事件检测方法及系统 | |
| 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 | |
| CN112799128B (zh) | 一种地震信号检测和震相提取的方法 | |
| CN110516735B (zh) | 一种基于LSTM网络和Adam算法的天然气管道事件分类方法 | |
| CN110632662A (zh) | 一种利用DCNN-Inception网络自动识别微地震信号的算法 | |
| CN113687433B (zh) | 一种基于Bi-LSTM的大地电磁信号去噪方法及系统 | |
| CN111595541A (zh) | 一种海量振动传递率数据卷积神经网络处理的多维结构损伤识别方法 | |
| CN106950475A (zh) | 一种基于小波变换的局部放电信号提取方法及装置 | |
| CN113534240A (zh) | 微地震事件检测与定位方法及系统 | |
| Zhang et al. | Automatic microseismic detection and location via the deep-convolutional neural network | |
| CN113568043A (zh) | 基于深度卷积神经网络的三阶段震相拾取方法 | |
| CN105044775A (zh) | 一种地震流体反演识别方法和装置 | |
| CN113792685A (zh) | 一种基于多尺度卷积神经网络的微地震事件检测方法 | |
| Li et al. | An improved AIC onset-time picking method based on regression convolutional neural network | |
| 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 | |
| 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 | |
| CN117292148B (zh) | 一种基于定向钻探及测试数据的隧道围岩级别评估方法 | |
| CN117451055A (zh) | 一种基于基追踪降噪的水下传感器定位方法和系统 |
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 |