CN111766625A - 一种基于深度学习的地震背景噪声频散曲线的提取方法 - Google Patents

一种基于深度学习的地震背景噪声频散曲线的提取方法 Download PDF

Info

Publication number
CN111766625A
CN111766625A CN202010640022.XA CN202010640022A CN111766625A CN 111766625 A CN111766625 A CN 111766625A CN 202010640022 A CN202010640022 A CN 202010640022A CN 111766625 A CN111766625 A CN 111766625A
Authority
CN
China
Prior art keywords
neural network
velocity
dispersion curve
dispersion
background noise
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
Application number
CN202010640022.XA
Other languages
English (en)
Other versions
CN111766625B (zh
Inventor
杨少博
张海江
古宁
高级
李俊伦
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
University of Science and Technology of China USTC
Original Assignee
University of Science and Technology of China USTC
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by University of Science and Technology of China USTC filed Critical University of Science and Technology of China USTC
Priority to CN202010640022.XA priority Critical patent/CN111766625B/zh
Publication of CN111766625A publication Critical patent/CN111766625A/zh
Application granted granted Critical
Publication of CN111766625B publication Critical patent/CN111766625B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • G01V1/30—Analysis
    • 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
    • G06N3/048—Activation functions
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Remote Sensing (AREA)
  • Biophysics (AREA)
  • Mathematical Physics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Biomedical Technology (AREA)
  • Computational Linguistics (AREA)
  • Software Systems (AREA)
  • Artificial Intelligence (AREA)
  • Health & Medical Sciences (AREA)
  • Acoustics & Sound (AREA)
  • Environmental & Geological Engineering (AREA)
  • Geology (AREA)
  • General Life Sciences & Earth Sciences (AREA)
  • Geophysics (AREA)
  • Geophysics And Detection Of Objects (AREA)

Abstract

本发明公开了一种基于深度学习的地震背景噪声频散曲线的提取方法，首先收集通过人工提取的频散曲线数据，将所收集的数据分为训练集、验证集和测试集；构建一个U‑Net简化的神经网络，并使用训练集数据训练该神经网络；将待提取的地震背景噪声中的群速度‑周期图与相速度‑周期图输入训练好的神经网络中，得到神经网络预测的群速度与相速度能量图；结合群速度‑周期图、相速度‑周期图与神经网络预测的群速度与相速度能量图初步提取出频散曲线；使用多个频散曲线的先验信息来约束所提取出的频散曲线。上述方法可以快速、准确地自动提取地震背景噪声群速度与相速度频散曲线，进而反演地下结构，节省大量人工时间成本。

Description

一种基于深度学习的地震背景噪声频散曲线的提取方法
技术领域
本发明涉及图像处理技术领域，尤其涉及一种基于深度学习的地震背景噪声频散曲线的提取方法。
背景技术
地震背景噪声成像是近年来研究地下不同深部结构常用的方法之一，例如利用地震台站记录的连续波形数据，通过台站互相关和叠加过程可以提取出台站间的面波格林函数。通过总结地震背景噪声的数据处理流程，包括单台数据准备、背景噪声互相关、分段叠加、频散曲线提取及对频散数据的质量控制，并利用提取出的面波频散基于走时成像用于反演地下结构；基于图像分析技术计算互相关的速度-周期(c-T)图，进而从中提取出面波频散曲线的方法，该方法目前已被广泛应用于从背景噪声互相关函数中提取基阶面波频散；还可通过追踪c-T图中振幅极大值所连接成的曲线来自动提取频散曲线，但这个方法存在因双台法造成的相速度分支难以选择的问题。
现有技术中为了获得可靠的频散曲线，通常需要人工在c-T图中选择控制点，帮助程序追踪正确的频散曲线，而为了获得更加精细的地下结构，一个研究区需要布置的密集地震台站数量迅速增加，由于这种方法提取的是任意两个台站间的频散数据，这使得需要人工提取的频散曲线数量极大的增加，需要耗费大量的人力资源，因此迫使需要发展一种准确可靠并且不需任何人工交互的提取地震背景噪声频散曲线的新方法。
发明内容
本发明的目的是提供一种基于深度学习的地震背景噪声频散曲线的提取方法，该方法可以快速、准确地自动提取地震背景噪声群速度与相速度频散曲线，进而反演地下结构，节省大量人工时间成本，并降低人工提取的主观性。
本发明的目的是通过以下技术方案实现的：
一种基于深度学习的地震背景噪声频散曲线的提取方法，包括：
步骤1、首先收集通过人工提取的频散曲线数据，将所收集的数据分为训练集、验证集和测试集；
步骤2、构建一个U-Net简化的神经网络，并使用训练集数据训练该神经网络，使其学习到频散曲线的特征；
步骤3、将待提取的地震背景噪声中的群速度-周期图与相速度-周期图输入步骤2训练好的神经网络中，得到神经网络预测的群速度与相速度能量图；
步骤4、结合群速度-周期图、相速度-周期图与所述神经网络预测的群速度与相速度能量图初步提取出频散曲线；
步骤5、使用多个频散曲线的先验信息来约束步骤4所提取出的频散曲线，得到更可靠的频散曲线提取结果。
由上述本发明提供的技术方案可以看出，上述方法可以快速、准确地自动提取地震背景噪声群速度与相速度频散曲线，进而反演地下结构，节省大量人工时间成本，并降低人工提取的主观性。
附图说明
为了更清楚地说明本发明实施例的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域的普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他附图。
图1为本发明实施例提供的基于深度学习的地震背景噪声频散曲线的提取方法流程示意图；
图2为本发明实施例所述训练神经网络过程中损失函数值随训练轮数变化的示意图；
图3为本发明实施例所述训练神经网络的输入与输出图像；
图4为本发明所举实例巢湖区域地震台站(黑色三角形)的分布示意图；
图5为本发明所举实例自动和手动提取的全部巢湖频散曲线示意图。
具体实施方式
下面结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明的保护范围。
下面将结合附图对本发明实施例作进一步地详细描述，如图1所示为本发明实施例提供的基于深度学习的地震背景噪声频散曲线的提取方法流程示意图，所述方法包括：
步骤1、首先收集通过人工提取的频散曲线数据，将所收集的数据分为训练集、验证集和测试集；
举例来说，若收集了8301对(群速度和相速度为一对)速度-周期图以及对应的手动提取出的8301对频散曲线。一对c-T图为一个大小为2×2501×76的矩阵，对应着2个通道(群速度与相速度)，每个通道的高度为2501个元素(从0km/s到5km/s间隔为0.002km/s)，宽度为76个元素(从0.5s到8s间隔为0.1s)；一条频散曲线为一个包含76个元素的数组，同样从0.5s到8s间隔为0.1s。我们将每条频散曲线经过一个高斯函数转换为能量图，并使其大小与c-T图一致：
Figure BDA0002570648000000031
式中，v0为周期T时的群速度或相速度值；v是一个从0km/s到5km/s间隔为0.002的数组；r是高斯函数的半径，在这里取0.1km/s。
这个转换使能量图与c-T图之间的联系更加紧密，从而可以使得神经网络更容易学习到两者之间的关系。
再将所收集的数据分为训练集、验证集和测试集，具体来说，上述训练集包含7301对速度-周期图以及对应的频散曲线，用于训练神经网络，使其能学习到输入与输出之间的关系；所述验证集包含400对数据，用于调整网络结构、训练时用的超参数；所述测试集包含600对数据，用于测试训练好的神经网络效果。
步骤2、构建一个U-Net简化的神经网络，并使用训练集数据训练该神经网络，使其学习到频散曲线的特征；
在该步骤中，所构建的神经网络包括一个收缩路径(左半部分)来提取特征以及一个对称的扩张路径(右半部分)用以定位，其中：
所述收缩路径由卷积操作(卷积核大小为5×2，滑动步长为1×1，零填充)、ReLU激活函数、以及最大池化(又称下采样，池化区域大小为5×2，滑动步长为5×2，无填充)操作重复组成；
所述扩张路径由反卷积操作(又称上采样，卷积核大小为5×2，滑动步长为5×2，无填充)、ReLU激活函数、收缩路径与扩张路径对应层之间的连接操作(将收缩路径对应层复制到扩张路径中)以及卷积操作(卷积核大小为5×2，滑动步长为1×1，零填充)重复组成。
在神经网络的末端，一个Sigmoid函数将神经网络的输出归一化到0至1之间：
Figure BDA0002570648000000041
式中，u是最后一个卷积操作的输出；神经网络的输出S表示了c通道中周期为T速度为v的点是频散点的概率。
具体实现中，在使用训练集数据训练该神经网络的过程中，为了优化神经网络，定义以下损失函数：
Figure BDA0002570648000000042
式中，P为所述神经网络的预测结果；L为标签(正确结果)；c表示通道，可以取0或1；v表示速度，其范围为m km/s至n km/s；T表示周期，其范围为m s至n s共k个周期点；
所述损失函数用于衡量神经网络的预测结果P与标签L之间的差距，它的值越小表示所述神经网络的预测结果越准确。
另外，由于采用的训练集太大，很难在整个数据集上最小化损失函数，因此可以采用批处理的随机梯度下降算法来最小化损失函数，批次大小为16，优化算法为Adam，以0.0001的学习速率进行优化，经过70轮(在整个训练集上训练一次为一轮)后，损失函数值几乎不再变化，此时停止训练，如图2所示为本发明实施例所述训练神经网络过程中损失函数值随训练轮数变化的示意图，在训练过程中，上述损失函数的值大幅降低，收敛到了较低的水平，在训练轮数70时停止训练，表示神经网络能够较好地拟合输入与输出之前的关系。
步骤3、将待提取的地震背景噪声中的群速度-周期图与相速度-周期图输入步骤2训练好的神经网络中，得到神经网络预测的群速度与相速度能量图；
如图3所示为本发明实施例所述训练神经网络的输入与输出图像。
步骤4、结合群速度-周期图、相速度-周期图与所述神经网络预测的群速度与相速度能量图初步提取出频散曲线；
在该步骤中，对于群速度，提取步骤3所得到的群速度能量图中的最大值点，在所述群速度-周期图中的相应位置附近搜索极大值点，最终所有极大值点组成群速度曲线；
对于相速度，由于相速度-周期图中存在许多条极大值曲线，判断哪条极大值曲线是正确的相速度曲线要相对困难，首先搜索所述相速度-周期图某一周期下的极大值点，将这些极大值点作为控制点，追踪对应的极大值曲线，再采用下式计算追踪的极大值曲线在步骤3所得到的相速度能量图中的能量：
Figure BDA0002570648000000051
式中，P为所述神经网络的预测结果(即相速度能量图)；l为追踪的极大值曲线，其周期范围为b到e，共n个周期点；
取最大的El所对应的极大值曲线为相速度频散曲线。
步骤5、使用多个频散曲线的先验信息来约束步骤4所提取出的频散曲线，得到更可靠的频散曲线提取结果。
在该步骤中，所述频散曲线的先验信息包括：
(1)用如下公式计算群速度与相速度频散曲线的平均能量，仅保留平均能量大于预设阈值(例如0.5)的频散曲线；
Figure BDA0002570648000000052
式中，P为所述神经网络的预测结果；l为追踪的极大值曲线，其周期范围为b到e，共n个周期点；
(2)为满足远场近似条件，以台间距大于1.5倍波长为标准对步骤4提取的频散曲线进行截取，具体采用如下公式：
Figure BDA0002570648000000053
式中，d为两台站之间的距离；T为周期；v为周期T下的速度。
(3)由于实际的频散不会剧烈震荡，仅保留其稳定的部分，例如相差0.1s的两个周期点之间的速度差小于0.1km/s。
下面以具体的实例对上述方法进行验证，在本实例中将分别采用测试集数据和巢湖背景噪声数据进行验证，具体过程为：
1、对于测试集数据
这里准备了600对c-T图以及对应的频散曲线用于神经网络测试，这些测试数据未参与神经网络的训练及调参数过程，将600对c-T图输入神经网络得到预测的群速度与相速度能量图。
使用上述损失函数公式3计算神经网络的预测和标签之间的偏差，这些标签是从频散曲线生成的能量图，这600个测试数据的平均损失为11.03，与训练的损失值和验证损失值处于同一水平，这意味着训练好的神经网络模型表现很好，未出现过拟合现象。
再基于神经网络的预测进行频散曲线自动提取，将手动提取的频散曲线作为准确结果，在同时存在自动和手动提取结果的周期点上计算准确率(正确数量比总数)。当某一周期下的提取误差在准确率1％以内时认为是准确的，以此标准：从26673个群速度周期点中准确地提取了26473个，准确率为99.25％；从22631个相速度周期点中准确地提取了22092个，准确率为97.62％；神经网络提取的相速度精度要略低于群速度。
2、针对巢湖背景噪声数据的频散曲线提取
这里为了研究巢湖附近郯庐断裂的浅层结构，本实例于2019.10.21-2019.11.24期间在安徽省合肥市巢湖北岸布置了45台短周期地震仪，如图4所示为本发明所举实例巢湖区域地震台站(黑色三角形)的分布示意图，其中灰色虚线为郯庐断裂带的位置，经过相应的背景噪声数据处理流程，共得到1980对c-T图并从中手动提取出345个相速度和311个群速度频散曲线。
然后使用本发明实施例构建且训练好的神经网络对上述巢湖数据进行频散曲线提取，如图5所示为本发明所举实例自动和手动提取的全部巢湖频散曲线示意图，图5(a)为手动提取的群速度频散曲线；(b)为手动提取的相速度频散曲线；(c)为自动提取的群速度频散曲线；(d)为自动提取的相速度频散曲线。从a与c，b与d的对比可以看出两个结果具有极好的相似性。
为了进一步评价提取效果，提取巢湖区域频散曲线的损失函数值为39.42，要高于上述测试集数据的损失函数值11.03。从14922个群速度周期点中提取了14558个，准确率为97.57％；从12430个相速度周期点中提取了12037个，准确率为96.84％。
同时，本发明实施例还引入了频散曲线的先验信息来校正、约束神经网络的预测，使得本方法提取的频散曲线具有较高的准确率，以及广泛的适用性。
综上所述，从上述两个实例中可以看到，本发明实施例所提出的方法稳定性高，不需额外训练便能直接用于相同频率段的不同区域，并且具有较高的准确率，能够代替人工提取频散曲线，极大地节约了时间成本，并降低人工提取的主观性。
值得注意的是，本发明实施例中未作详细描述的内容属于本领域专业技术人员公知的现有技术。
以上所述，仅为本发明较佳的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明披露的技术范围内，可轻易想到的变化或替换，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应该以权利要求书的保护范围为准。

Claims (6)

1.一种基于深度学习的地震背景噪声频散曲线的提取方法，其特征在于，包括：
步骤1、首先收集通过人工提取的频散曲线数据，将所收集的数据分为训练集、验证集和测试集；
步骤2、构建一个U-Net简化的神经网络，并使用训练集数据训练该神经网络，使其学习到频散曲线的特征；
步骤3、将待提取的地震背景噪声中的群速度-周期图与相速度-周期图输入步骤2训练好的神经网络中，得到神经网络预测的群速度与相速度能量图；
步骤4、结合群速度-周期图、相速度-周期图与所述神经网络预测的群速度与相速度能量图初步提取出频散曲线；
步骤5、使用多个频散曲线的先验信息来约束步骤4所提取出的频散曲线，得到更可靠的频散曲线提取结果。
2.根据权利要求1所述基于深度学习的地震背景噪声频散曲线的提取方法，其特征在于，在步骤1中，所述训练集用于训练神经网络，使其能学习到输入与输出之间的关系；所述验证集用于调整网络结构、训练时用的超参数；所述测试集用于测试训练好的神经网络效果。
3.根据权利要求1所述基于深度学习的地震背景噪声频散曲线的提取方法，其特征在于，在步骤2中，所构建的神经网络包括一个收缩路径来提取特征以及一个对称的扩张路径用以定位，其中：
所述收缩路径由卷积操作、ReLU激活函数、以及最大池化操作重复组成；
所述扩张路径由反卷积操作、ReLU激活函数、收缩路径与扩张路径对应层之间的连接操作以及卷积操作重复组成。
4.根据权利要求1所述基于深度学习的地震背景噪声频散曲线的提取方法，其特征在于，在步骤2使用训练集数据训练该神经网络的过程中，为了优化神经网络，定义以下损失函数：
Figure FDA0002570647990000011
式中，P为所述神经网络的预测结果；L为标签；c表示通道；v表示速度；T表示周期；
所述损失函数用于衡量神经网络的预测结果P与标签L之间的差距，它的值越小表示所述神经网络的预测结果越准确。
5.根据权利要求1所述基于深度学习的地震背景噪声频散曲线的提取方法，其特征在于，所述步骤4的过程具体为：
对于群速度，提取步骤3所得到的群速度能量图中的最大值点，在所述群速度-周期图中的相应位置附近搜索极大值点作为群速度，最终所有极大值点组成群速度曲线；
对于相速度，首先搜索所述相速度-周期图某一周期下的极大值点，将这些极大值点作为控制点，追踪对应的极大值曲线，再采用下式计算追踪的极大值曲线在步骤3所得到的相速度能量图中的能量：
Figure FDA0002570647990000021
式中，P为所述神经网络的预测结果；l为追踪的极大值曲线，其周期范围为b到e，共n个周期点；
取最大的El所对应的极大值曲线为相速度频散曲线。
6.根据权利要求1所述基于深度学习的地震背景噪声频散曲线的提取方法，其特征在于，在步骤5中，所述频散曲线的先验信息包括：
(1)用如下公式计算群速度与相速度频散曲线的平均能量，仅保留平均能量大于预设阈值的频散曲线；
Figure FDA0002570647990000022
式中，P为所述神经网络的预测结果；l为追踪的极大值曲线，其周期范围为b到e，共n个周期点；
(2)为满足远场近似条件，以台间距大于1.5倍波长为标准对步骤4提取的频散曲线进行截取，具体采用如下公式：
Figure FDA0002570647990000023
式中，d为两台站之间的距离；T为周期；v为周期T下的速度；
(3)由于实际的频散不会剧烈震荡，仅保留其稳定的部分，具体限定为：相差0.1s的两个周期点之间的速度差小于0.1km/s。
CN202010640022.XA 2020-07-06 2020-07-06 一种基于深度学习的地震背景噪声频散曲线的提取方法 Active CN111766625B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010640022.XA CN111766625B (zh) 2020-07-06 2020-07-06 一种基于深度学习的地震背景噪声频散曲线的提取方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010640022.XA CN111766625B (zh) 2020-07-06 2020-07-06 一种基于深度学习的地震背景噪声频散曲线的提取方法

Publications (2)

Publication Number Publication Date
CN111766625A true CN111766625A (zh) 2020-10-13
CN111766625B CN111766625B (zh) 2021-12-14

Family

ID=72723806

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010640022.XA Active CN111766625B (zh) 2020-07-06 2020-07-06 一种基于深度学习的地震背景噪声频散曲线的提取方法

Country Status (1)

Country Link
CN (1) CN111766625B (zh)

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112861721A (zh) * 2021-02-09 2021-05-28 南方科技大学 一种自动提取背景噪声频散曲线的方法及装置
CN113011276A (zh) * 2021-02-25 2021-06-22 中国科学院声学研究所 一种基于机会船只辐射噪声的伪格林函数被动提取方法
CN114779324A (zh) * 2022-03-11 2022-07-22 西南交通大学 一种基于深度学习的瑞雷波频散曲线反演方法及应用
CN115235391A (zh) * 2022-06-30 2022-10-25 哈尔滨工程大学 一种基于a0模态频散曲线的测量冰厚方法
WO2024099422A1 (zh) * 2022-11-11 2024-05-16 电子科技大学长三角研究院(湖州) 一种基于UNet的面波频散质量快速评估方法

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104678435A (zh) * 2014-10-27 2015-06-03 李欣欣 一种提取Rayleigh面波频散曲线的方法
CN105785440A (zh) * 2016-02-29 2016-07-20 河南理工大学 一种矿井槽波双分量地震信号频散曲线提取方法
CN106646615A (zh) * 2016-12-29 2017-05-10 中国石油天然气集团公司 一种面波频散曲线的数据处理方法及装置

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104678435A (zh) * 2014-10-27 2015-06-03 李欣欣 一种提取Rayleigh面波频散曲线的方法
CN105785440A (zh) * 2016-02-29 2016-07-20 河南理工大学 一种矿井槽波双分量地震信号频散曲线提取方法
CN106646615A (zh) * 2016-12-29 2017-05-10 中国石油天然气集团公司 一种面波频散曲线的数据处理方法及装置

Non-Patent Citations (4)

* Cited by examiner, † Cited by third party
Title
JING HU 等: "Using Deep Learning to Derive Shear-Wave Velocity Models from Surface-Wave Dispersion Data", 《SEISMOLOGICAL RESEARCH LETTERS》 *
XIAOTIAN ZHANG 等: "Extracting dispersion curves from ambient noise correlations using deep learning", 《IEEE TRANSACTIONS ON GEOSCIENCE AND REMOTE SENSING》 *
凌媛 等: "利用噪声层析成像研究华北克拉通中-西部南段及邻区祁连造山带地壳S波各向异性速度结构", 《中国科学：地球科学》 *
闫英伟 等: "面波基模式频散曲线提取解精度对比研究", 《世界地质》 *

Cited By (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112861721A (zh) * 2021-02-09 2021-05-28 南方科技大学 一种自动提取背景噪声频散曲线的方法及装置
CN112861721B (zh) * 2021-02-09 2024-05-07 南方科技大学 一种自动提取背景噪声频散曲线的方法及装置
CN113011276A (zh) * 2021-02-25 2021-06-22 中国科学院声学研究所 一种基于机会船只辐射噪声的伪格林函数被动提取方法
CN113011276B (zh) * 2021-02-25 2021-11-09 中国科学院声学研究所 一种基于机会船只辐射噪声的伪格林函数被动提取方法
CN114779324A (zh) * 2022-03-11 2022-07-22 西南交通大学 一种基于深度学习的瑞雷波频散曲线反演方法及应用
CN114779324B (zh) * 2022-03-11 2023-07-25 西南交通大学 一种基于深度学习的瑞雷波频散曲线反演方法
CN115235391A (zh) * 2022-06-30 2022-10-25 哈尔滨工程大学 一种基于a0模态频散曲线的测量冰厚方法
CN115235391B (zh) * 2022-06-30 2022-12-30 哈尔滨工程大学 一种基于a0模态频散曲线的测量冰厚方法
WO2024099422A1 (zh) * 2022-11-11 2024-05-16 电子科技大学长三角研究院(湖州) 一种基于UNet的面波频散质量快速评估方法

Also Published As

Publication number Publication date
CN111766625B (zh) 2021-12-14

Similar Documents

Publication Publication Date Title
CN111766625B (zh) 一种基于深度学习的地震背景噪声频散曲线的提取方法
CN110210551A (zh) 一种基于自适应主体敏感的视觉目标跟踪方法
CN110163187B (zh) 基于f-rcnn的远距离交通标志检测识别方法
CN110298404B (zh) 一种基于三重孪生哈希网络学习的目标跟踪方法
CN106228185B (zh) 一种基于神经网络的通用图像分类识别系统及方法
CN111209883B (zh) 一种基于多源运动特征融合的时序自适应视频分类方法
CN108764006B (zh) 一种基于深度强化学习的sar图像目标检测方法
CN104197945B (zh) 一种基于低采样率浮动车数据的全局投票地图匹配方法
CN105629198B (zh) 基于密度的快速搜索聚类算法的室内多目标追踪方法
CN106355151A (zh) 一种基于深度置信网络的三维sar图像目标识别方法
CN110213003B (zh) 一种无线信道大尺度衰落建模方法及装置
Zhang et al. Automatic velocity picking based on deep learning
CN111767810A (zh) 一种基于D-LinkNet的遥感图像道路提取方法
CN104156984A (zh) 一种不均匀杂波环境下多目标跟踪的概率假设密度方法
CN111462230A (zh) 一种基于深度强化学习的台风中心定位方法
CN110348447A (zh) 一种具有丰富空间信息的多模型集成目标检测方法
CN102169581A (zh) 一种基于特征向量的快速高精度鲁棒性匹配方法
CN113901927B (zh) 一种基于流场压力时程的水下物体外形识别方法
CN109058771A (zh) 基于样本生成和间隔Markov特征的管道异常检测方法
CN112818777B (zh) 一种基于密集连接与特征增强的遥感图像目标检测方法
CN104112062A (zh) 基于插值方法的风资源分布的获取方法
CN117853955A (zh) 一种基于改进YOLOv5的无人机小目标检测方法
CN117241215A (zh) 一种基于图神经网络的无线传感器网络分布式节点协作定位方法
CN109034192A (zh) 一种基于深度学习的轨道-车体振动状态预测方法
Yang et al. Automatically extracting surface‐wave group and phase velocity dispersion curves from dispersion spectrograms using a convolutional neural network

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