CN112526606A - 一种基于异构多分类模型的震源类型预测方法和系统 - Google Patents
一种基于异构多分类模型的震源类型预测方法和系统 Download PDFInfo
- Publication number
- CN112526606A CN112526606A CN202110179143.3A CN202110179143A CN112526606A CN 112526606 A CN112526606 A CN 112526606A CN 202110179143 A CN202110179143 A CN 202110179143A CN 112526606 A CN112526606 A CN 112526606A
- Authority
- CN
- China
- Prior art keywords
- data
- event
- classification
- source type
- spectrogram
- 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 46
- 238000013145 classification model Methods 0.000 title claims abstract description 30
- 238000012549 training Methods 0.000 claims abstract description 30
- 238000012545 processing Methods 0.000 claims abstract description 17
- 238000013528 artificial neural network Methods 0.000 claims abstract description 9
- 238000013135 deep learning Methods 0.000 claims abstract description 7
- 238000010606 normalization Methods 0.000 claims description 16
- 238000010586 diagram Methods 0.000 claims description 15
- 238000012216 screening Methods 0.000 claims description 10
- 238000001914 filtration Methods 0.000 claims description 9
- 238000003062 neural network model Methods 0.000 claims description 9
- 238000005422 blasting Methods 0.000 claims description 5
- 238000007781 pre-processing Methods 0.000 claims description 5
- 238000005070 sampling Methods 0.000 claims description 5
- 230000010354 integration Effects 0.000 claims description 4
- 230000008569 process Effects 0.000 claims description 4
- 230000002159 abnormal effect Effects 0.000 claims description 3
- 238000013480 data collection Methods 0.000 claims description 3
- 238000002360 preparation method Methods 0.000 claims description 3
- 238000001228 spectrum Methods 0.000 claims description 3
- 230000002194 synthesizing effect Effects 0.000 claims description 3
- 230000009466 transformation Effects 0.000 claims description 2
- 238000000638 solvent extraction Methods 0.000 claims 1
- 230000000694 effects Effects 0.000 description 9
- 238000010801 machine learning Methods 0.000 description 5
- 238000012706 support-vector machine Methods 0.000 description 5
- 241000282414 Homo sapiens Species 0.000 description 2
- 238000013473 artificial intelligence Methods 0.000 description 2
- 230000008901 benefit Effects 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 208000035126 Facies Diseases 0.000 description 1
- 230000005856 abnormality Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000007423 decrease Effects 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000001066 destructive effect Effects 0.000 description 1
- 238000004880 explosion Methods 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 239000002243 precursor Substances 0.000 description 1
- 238000007619 statistical method Methods 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
- 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
-
- 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
- G01V1/36—Effecting static or dynamic corrections on records, e.g. correcting spread; Correlating seismic signals; Eliminating effects of unwanted energy
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
-
- 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
-
- 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)
- Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Physics & Mathematics (AREA)
- Remote Sensing (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Geology (AREA)
- General Life Sciences & Earth Sciences (AREA)
- Evolutionary Computation (AREA)
- Environmental & Geological Engineering (AREA)
- Acoustics & Sound (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Geophysics (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Mathematical Physics (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Software Systems (AREA)
- General Health & Medical Sciences (AREA)
- Computing Systems (AREA)
- Molecular Biology (AREA)
- Evolutionary Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Geophysics And Detection Of Objects (AREA)
Abstract
本发明公开了一种基于异构多分类模型的震源类型预测方法和系统，包括获取不同地区的地震事件，对其事件类型进行确定，作为深度学习的震源类型事件分类的基础训练数据；分别从特征值、波形图和频谱图三个方面进行数据处理；使用三层隐藏层的神经网络和改进的SE‑ResNet模型分别对特征值和波形图、频谱图进行模型的训练，利用集成学习中的加权投票法对三种分类器的结果进行集成，赋予不同模型不同的权重；对待预测数据，经过数据处理后，带入保存好的模型预测事件类别。本发明能够快速、准确的分析出震源类型事件，并在此基础上能够提高预测类型的类别数，具有良好的泛化性能。
Description
技术领域
本发明属于震源分析技术领域，具体涉及一种基于异构多分类模型的震源类型预测方法和系统。
背景技术
地震事件是地球内部活动造成的，具有潜在的巨大性的破坏。同时，小当量的天然地震活动有可能是大当量破坏性强震的前兆。因此快速、准确的针对震源类型事件做出判断是非常有必要的。但是一些非天然地震如人工爆破、滑坡、地面塌陷，以及一些地面台站附近的大型人类活动，对震源类型事件的采集和分类造成一定的影响。如何通过采集到的地震事件类型信息进行正确的分类识别，是当前研究的关注重点。
对于地震事件类型的分类研究，最初采用统计学的方法来进行天然地震和非天然地震的研究。该方法利用人工爆破的时间和地点比较固定，而地震的则无明显的时间规律来进行分类，显然这种方法受数据干扰性较大。为
了解决这个问题，研究者把神经网络的方法用于爆破和地震信号的分析；BP神经网络和多层感知机先后应用到地震和爆破的识别分类中去，并且取到很好的效果。但是BP神经网络存在易陷入局部最优解，隐层节点数与训练样本数据密切相关而无法有效的预先确定。后来由于机器学习中的支持向量机（Support Vector Machine, 简称SVM）因其快速准确的分类效果，被用于地震事件识别分类中。对采集到的地震事件进行时域和频域上的特征提取，然后采用支持向量机的方法对其进行事件类型分类，也取得较好的分类效果。但是支持向量机也存在一定的缺点，对于大规模的训练样本难以实施，以及缺乏有效的方法来选取合适的核函数，从而不能扩展到多分类问题。
机器学习方法是用于计算机模拟人类的学习活动，研究如何通过计算机学习现有的知识，发现隐含的其他信息，并通过不断地完善，提升学习的效果。机器学习中包含大量的数据预处理和分类方法，与统计学、信息论、人工智能(Artificial Intelligence，AI)等学科有着一定的联系。其基本过程是通过从已有的经验中学习并构建学习机，进一步对未知样本进行分类和预测。
最近，深度学习成为一个火热的研究课题，其显著优点便是完成了自动提取特征，其目的是使得机器学习更接近人工智能的目标。深度学习可以被理解为具有多个非线性层的深度神经网络，提出了一种让计算机自动学习出模式特征的方法，并将特征学习融入到了建立模型的过程中，从而减少了人为设计特征造成的模型的不完备性。而目前以深度学习为核心的某些机器学习应用，在满足特定条件的应用场景下，已经达到了超越现有算法的识别或分类性能。
发明内容
本发明所要解决的技术问题是针对上述现有技术的不足，提供一种基于异构多分类模型的震源类型预测方法和系统。
为实现上述技术目的，本发明采取的技术方案为：
一种基于异构多分类模型的震源类型预测方法，包括：
步骤1：样本数据采集与制作：
采集已确定类型的地震事件，分别从特征值、波形图和频谱图三方面制作数据样本，作为异构多分类模型的训练样本；
步骤2：样本数据预处理，即进行数据归一化；
步骤3：样本数据筛选，去除异常数据；
步骤4：样本数据划分，均衡不同类别数据样本量；
步骤5：异构多分类模型搭建；
步骤6：异构多分类模型的训练与分类结果融合；
步骤7：待分类数据预测，确定出最终的事件类型。
为优化上述技术方案，采取的具体措施还包括：
上述的步骤1，采集已确定类型的地震事件，包括天然地震L、爆破事件LP、塌陷事件LC三种类型的震源类型事件；
分别从时域和频域上对三分量单通道上的P波前三个振幅均值、P波前3个振幅最大值、P波最大振幅、S波最大振幅、P波频谱包络线起伏程度、P波前半部分优势频率、P波后半部分优势频率、P波初至时间、S波初至时间这9维单通道特征值拼接为27维三通道特征值；
根据震源事件中提供的trace原始数据文件（数字地震波形数据文件和震相文件）解析绘制波形图和频谱图，其中波形图数据为统一截取P波前3s、P波后60s的图像；
在绘制波形图时，引入图片像素中RGB三通道的思想，将三分量波形绘制为三通道的形式，波形图的像素大小均固定为1024*512；
在绘制频谱图时，通过傅里叶变换将波形图分别转化为三分量BHE、BHN和BHZ频谱图，其中分辨率大小为1024*512。
上述的步骤2所述样本数据预处理，对特征值的数据采用标准归一化，即均值和方差，归一化时根据每个特征进行单独的归一化操作，将数据归一化到[0,1]之间；
波形图和频谱图采用三分量全局最大值归一化，保证图像绘制后具有统一的尺度。
上述的步骤3所述样本数据筛选：
数据采用带通滤波并设置固定的信噪比阈值以过滤数据，筛选出三分量最小信噪比高于3的图像。
上述的步骤4所述样本数据划分：
针对特征值的分类，在分层采样下使用SMOTE算法进行类别均衡，即对于少数类样本，人工合成新样本并添加到数据集中；
针对波形图和频谱图，采用小批次梯度下降训练模型，每个小批次均从各类别样本中随机抽取相同样本的数目，以保证数据的均衡性。
上述的步骤5所述异构多分类模型搭建：
针对特征值分类，采用三层隐藏层的神经网络模型作为分类器；
对于波形图和频谱图的分类，采用改进的SE-ResNet网络模型作为分类器。
上述的步骤6所述异构多分类模型的训练与分类结果融合：
分别使用三层隐藏层的神经网络模型和改进的SE-ResNet模型，对步骤4处理后的特征值数据和波形图、频谱图分别进行模型的训练和分类；
其中，特征值使用的是神经网络模型、波形图与频谱图使用的是SE-ResNet模型；
利用集成学习中的加权投票法对三种分类器的分类结果进行集成组合，集成时赋予不同模型不同的权重。
上述的步骤7所述待分类数据预测：
将待分类数据经过特征值、波形图和频谱图三方面数据处理后，分别带入三种保存性能最好的模型进行预测，利用加权投票法，确定出最终的事件类型。
一种基于异构多分类模型的震源类型预测系统，包括：
所述数据采集模块：获取不同地区的地震事件，对其事件类型进行确定，作为深度学习的震源类型事件分类的基础训练数据；
所述数据处理模块：分别从特征值、波形图和频谱图三个方面进行数据处理；
所述学习训练模块：使用三层隐藏层的神经网络和改进的SE-ResNet模型分别对特征值和波形图、频谱图进行模型的训练，利用集成学习中的加权投票法对三种分类器的结果进行集成，赋予不同模型不同的权重；
所述事件预测模块：对待预测数据，经过数据处理后，带入保存好的模型预测事件类别。
本发明具有以下有益效果：
在数据处理阶段，使用不同的归一化方法分别对处理后的三种数据形式进行数据归一化，同时采用带通滤波并设置固定的信噪比阈值以过滤、筛选三分量最小信噪比高于3的图像。
在训练阶段，由于类别的非均衡性，在分层采样下分别使用SMOTE算法和mini-batch均匀抽样算法对特征值和图像进行数据均衡处理，通过搭建不同的神经网络模型分别对其进行学习、识别和分类，最后使用加权投票法对三种分类效果最好的模型进行集成组合。
在事件预测阶段，利用单个模型预测和集成组合给出待测事件的类别。
本发明能够快速、准确的分析出震源类型事件，并在此基础上能够提高预测类型的类别数，具有良好的泛化性能。
附图说明
图1是本发明方法流程图。
图2是波形图和频谱图示意图。
图3是VGG19的网络模型结构图。
图4是改进的SE-ResNet的模型架构。
具体实施方式
以下结合附图对本发明的实施例作进一步详细描述。
参见图1，一种基于异构多分类模型的震源类型预测方法，包括：
步骤1：样本数据采集与制作：
采集已确定类型的地震事件，包括L（天然地震）、LP（爆破事件）、LC（塌陷事件）三种类型的震源类型事件。分别从特征值、波形图和频谱图三方面制作数据样本，作为异构多分类模型的训练样本；
第一、分别从时域和频域上对三分量单通道上的P波前三个振幅均值、P波前3个振幅最大值、P波最大振幅、S波最大振幅、P波频谱包络线起伏程度、P波前半部分优势频率、P波后半部分优势频率、P波初至时间、S波初至时间这9维特征值进行提取，进行数据拼接（即9维单通道特征值拼接为27维三通道特征值）。
第二、根据震源事件中提供的trace原始数据文件（数字地震波形数据文件和震相文件）解析绘制波形图和频谱图，其中波形图数据为统一截取P波前3s、P波后60s的图像。由于考虑到一条完整的地震数据是有三个方向（BHE、BHN和BHZ）数据共同构成的，所以在绘制波形图时，引入图片像素中RGB三通道的思想，将三分量波形绘制为三通道的形式，波形图的像素大小均固定为1024*512。如图2所示。
第三、频谱图的绘制和波形图的绘制的基本思路相同，转化为三分量（BHE、BHN和BHZ）频谱图，其中分辨率大小为1024*512。如图2所示。
步骤2：样本数据预处理：
为了消除数据间数量级的影响，避免数量级大的数据，所占的权重较大，对三种处理后的数据样本进行数据归一化。
由于数据样本的格式不同，采用不同方式的归一化。
对特征值的数据采用标准归一化（均值和方差），归一化时根据每个特征进行单独的归一化操作，将数据归一化到[0,1]之间。
波形图和频谱图采用三分量全局最大值归一化，保证图像绘制后具有统一的尺度。
三分量分为水平南北向、水平东西向、垂直分量。每个分量单独进行归一化操作。
步骤3：样本数据筛选：
考虑到数据采集时受到设备异常和噪声等外界因素的干扰，会产生一些异常数据，需要对数据进行一定的筛选和过滤。
为了保证训练图像的质量，数据采用带通滤波并设置固定的信噪比阈值以过滤数据，筛选出三分量最小信噪比高于3的图像。
其中，信噪比和带通滤波，都是针对特征值进行筛选，筛选之后的数据进行图像的绘制。
步骤4：样本数据划分：
在分类问题中，当训练数据不均衡—即不同类别数据样本量差异很大时，训练所得的模型可能会偏向于数目较多的分类，导致模型的泛化性能较差。
针对特征值的分类，在分层采样下使用SMOTE算法进行类别均衡，其思想是对于少数类样本，人工合成新样本并添加到数据集中去。
针对波形图和频谱图，为了保证类别均衡，采用小批次梯度下降（Mini-batchgradient descent）训练模型，每个小批次（Mini-batch）均从各类别样本中随机抽取相同样本的数目，以保证数据的均衡性。
步骤5：异构多分类模型搭建：
参见图3和图4，针对特征值分类，采用三层隐藏层的简单神经网络模型作为分类器，而对于波形图和频谱图的分类，使用的是改进的SE-ResNet网络模型作为分类器，即采用的是一种改进的SE-ResNet网络的分类器并与经典的VGG模型进行对比。
步骤6：异构多分类模型的训练与分类结果融合：
分别使用三隐层神经网络和改进的SE-ResNet模型（该模型结合残差模块与SE模块的优势），对处理后的特征值数据和波形图、频谱图分别进行模型的训练和分类；
其中，三隐层神经网路就是隐藏层为三层的神经网络，改进的SE-Resnet模型就是在Resnet的基础上添加了多个SE模块；
特征值使用的是神经网络模型、波形图与频谱图使用的是SE-ResNet模型；
利用集成学习中的加权投票法对三种分类器的分类结果进行集成组合，集成时赋予不同模型不同的权重。
步骤7：待分类数据预测：
将待分类数据经过特征值、波形图和频谱图三方面数据处理后，分别带入三种步骤6保存的性能最好的模型进行预测，利用加权投票法，集成综合出最终事件类型，确定出最终的事件类型，即可判断其属于天然地震、爆破事件还是塌陷事件。
一种基于异构多分类模型的震源类型预测系统，包括：
所述数据采集模块：获取不同地区的地震事件，对其事件类型进行确定，作为深度学习的震源类型事件分类的基础训练数据；
所述数据处理模块：分别从特征值、波形图和频谱图三个方面进行数据处理（数据归一化、波形图和频谱图的绘制、数据均衡化的处理、数据的过滤和筛选）；
所述学习训练模块：使用三层隐藏层的神经网络和改进的SE-ResNet模型分别对特征值和波形图、频谱图进行模型的训练，利用集成学习中的加权投票法对三种分类器的结果进行集成，赋予不同模型不同的权重；
所述事件预测模块：对待预测数据，经过数据处理后，带入保存好的模型预测事件类别。
以上仅是本发明的优选实施方式，本发明的保护范围并不仅局限于上述实施例，凡属于本发明思路下的技术方案均属于本发明的保护范围。应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理前提下的若干改进和润饰，应视为本发明的保护范围。
Claims (9)
1.一种基于异构多分类模型的震源类型预测方法，其特征在于，包括：
步骤1：样本数据采集与制作：
采集已确定类型的地震事件，分别从特征值、波形图和频谱图三方面制作数据样本，作为异构多分类模型的训练样本；
步骤2：样本数据预处理，即进行数据归一化；
步骤3：样本数据筛选，去除异常数据；
步骤4：样本数据划分，均衡不同类别数据样本量；
步骤5：异构多分类模型搭建；
步骤6：异构多分类模型的训练与分类结果融合；
步骤7：待分类数据预测，确定出最终的事件类型。
2.根据权利要求1所述的一种基于异构多分类模型的震源类型预测方法，其特征在于，所述步骤1，采集已确定类型的地震事件，包括天然地震L、爆破事件LP、塌陷事件LC三种类型的震源类型事件；
分别从时域和频域上对三分量单通道上的P波前三个振幅均值、P波前3个振幅最大值、P波最大振幅、S波最大振幅、P波频谱包络线起伏程度、P波前半部分优势频率、P波后半部分优势频率、P波初至时间、S波初至时间这9维特征值进行提取，进行数据拼接，即9维单通道特征值拼接为27维三通道特征值；
根据震源事件中提供的trace原始数据文件解析绘制波形图和频谱图，其中波形图数据为统一截取P波前3s、P波后60s的图像；
在绘制波形图时，引入图片像素中RGB三通道的思想，将三分量波形绘制为三通道的形式，波形图的像素大小均固定为1024*512；
在绘制频谱图时，通过傅里叶变换将波形图分别转化为三分量BHE、BHN和BHZ频谱图，其中分辨率大小为1024*512。
3.根据权利要求1所述的一种基于异构多分类模型的震源类型预测方法，其特征在于，步骤2所述样本数据预处理，对特征值的数据采用标准归一化，即均值和方差，归一化时根据每个特征进行单独的归一化操作，将数据归一化到[0,1]之间；
波形图和频谱图采用三分量全局最大值归一化，保证图像绘制后具有统一的尺度。
4.根据权利要求1所述的一种基于异构多分类模型的震源类型预测方法，其特征在于，
步骤3所述样本数据筛选：
数据采用带通滤波并设置固定的信噪比阈值以过滤数据，筛选出三分量最小信噪比高于3的图像。
5.根据权利要求1所述的一种基于异构多分类模型的震源类型预测方法，其特征在于，步骤4所述样本数据划分：
针对特征值的分类，在分层采样下使用SMOTE算法进行类别均衡，即对于少数类样本，人工合成新样本并添加到数据集中；
针对波形图和频谱图，采用小批次梯度下降训练模型，每个小批次均从各类别样本中随机抽取相同样本的数目，以保证数据的均衡性。
6.根据权利要求1所述的一种基于异构多分类模型的震源类型预测方法，其特征在于，步骤5所述异构多分类模型搭建：
针对特征值分类，采用三层隐藏层的神经网络模型作为分类器；
对于波形图和频谱图的分类，采用改进的SE-ResNet网络模型作为分类器。
7.根据权利要求1所述的一种基于异构多分类模型的震源类型预测方法，其特征在于，
步骤6所述异构多分类模型的训练与分类结果融合：
分别使用三层隐藏层的神经网络模型和改进的SE-ResNet模型，对步骤4处理后的特征值数据和波形图、频谱图分别进行模型的训练和分类；
其中，特征值使用的是神经网络模型、波形图与频谱图使用的是SE-ResNet模型；
利用集成学习中的加权投票法对三种分类器的分类结果进行集成组合，集成时赋予不同模型不同的权重。
8.根据权利要求1所述的一种基于异构多分类模型的震源类型预测方法，其特征在于，
步骤7所述待分类数据预测：
将待分类数据经过特征值、波形图和频谱图三方面数据处理后，分别带入三种保存的性能最好的模型进行预测，利用加权投票法，确定出最终的事件类型。
9.根据权利要求1-8任一所述的一种基于异构多分类模型的震源类型预测方法的震源类型预测系统，其特征在于，包括：
所述数据采集模块：获取不同地区的地震事件，对其事件类型进行确定，作为深度学习的震源类型事件分类的基础训练数据；
所述数据处理模块：分别从特征值、波形图和频谱图三个方面进行数据处理；
所述学习训练模块：使用三层隐藏层的神经网络和改进的SE-ResNet模型分别对特征值和波形图、频谱图进行模型的训练，利用集成学习中的加权投票法对三种分类器的结果进行集成，赋予不同模型不同的权重；
所述事件预测模块：对待预测数据，经过数据处理后，带入保存好的模型预测事件类别。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110179143.3A CN112526606A (zh) | 2021-02-08 | 2021-02-08 | 一种基于异构多分类模型的震源类型预测方法和系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110179143.3A CN112526606A (zh) | 2021-02-08 | 2021-02-08 | 一种基于异构多分类模型的震源类型预测方法和系统 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN112526606A true CN112526606A (zh) | 2021-03-19 |
Family
ID=74975579
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110179143.3A Pending CN112526606A (zh) | 2021-02-08 | 2021-02-08 | 一种基于异构多分类模型的震源类型预测方法和系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112526606A (zh) |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113902098A (zh) * | 2021-09-30 | 2022-01-07 | 云天弈(广州)智能科技有限公司 | 多类型数据并行学习方法、装置、计算机设备及介质 |
| CN115983255B (zh) * | 2023-03-21 | 2023-06-02 | 深圳市万物云科技有限公司 | 一种突发事件管理方法、装置、计算机设备及存储介质 |
| CN116626753A (zh) * | 2023-07-25 | 2023-08-22 | 东北石油大学三亚海洋油气研究院 | 一种基于多模态神经网络的微地震事件识别方法及系统 |
Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103064106A (zh) * | 2011-10-19 | 2013-04-24 | 地球物理维里达斯集团公司 | 用于确定可控海上震源的驱动信号的方法和装置 |
| DE102010011186B4 (de) * | 2010-03-12 | 2014-09-04 | Deutsches Zentrum für Luft- und Raumfahrt e.V. | Verfahren und Vorrichtung zur Visualisierung von räumlich verteilten Informationen in einem Frühwarnsystem |
| CN108376245A (zh) * | 2018-02-02 | 2018-08-07 | 广西师范大学 | 基于ud通道的时空序列图像震源识别方法 |
| WO2019036144A1 (en) * | 2017-08-18 | 2019-02-21 | Landmark Graphics Corporation | DETECTION OF FAILURES BASED ON THE INTERPRETATION OF SEISMIC DATA |
| CN110308485A (zh) * | 2019-07-05 | 2019-10-08 | 中南大学 | 基于深度学习的微震信号分类方法、装置及存储介质 |
| US20200219229A1 (en) * | 2020-03-18 | 2020-07-09 | Intel Corporation | Edge-Aware Upscaling for Improved Screen Content Quality |
| 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 |
-
2021
- 2021-02-08 CN CN202110179143.3A patent/CN112526606A/zh active Pending
Patent Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| DE102010011186B4 (de) * | 2010-03-12 | 2014-09-04 | Deutsches Zentrum für Luft- und Raumfahrt e.V. | Verfahren und Vorrichtung zur Visualisierung von räumlich verteilten Informationen in einem Frühwarnsystem |
| CN103064106A (zh) * | 2011-10-19 | 2013-04-24 | 地球物理维里达斯集团公司 | 用于确定可控海上震源的驱动信号的方法和装置 |
| WO2019036144A1 (en) * | 2017-08-18 | 2019-02-21 | Landmark Graphics Corporation | DETECTION OF FAILURES BASED ON THE INTERPRETATION OF SEISMIC DATA |
| CN108376245A (zh) * | 2018-02-02 | 2018-08-07 | 广西师范大学 | 基于ud通道的时空序列图像震源识别方法 |
| CN110308485A (zh) * | 2019-07-05 | 2019-10-08 | 中南大学 | 基于深度学习的微震信号分类方法、装置及存储介质 |
| US20200219229A1 (en) * | 2020-03-18 | 2020-07-09 | Intel Corporation | Edge-Aware Upscaling for Improved Screen Content Quality |
| 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 |
Non-Patent Citations (2)
| Title |
|---|
| 吕恩辉: "基于卷积神经网络的图像分类研究", 《中国博士学位论文全文数据库 信息科技辑》 * |
| 高中强: "基于深度学习的震源类型识别方法研究", 《中国优秀硕士学位论文全文数据库 基础科学辑》 * |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113902098A (zh) * | 2021-09-30 | 2022-01-07 | 云天弈(广州)智能科技有限公司 | 多类型数据并行学习方法、装置、计算机设备及介质 |
| CN115983255B (zh) * | 2023-03-21 | 2023-06-02 | 深圳市万物云科技有限公司 | 一种突发事件管理方法、装置、计算机设备及存储介质 |
| CN116626753A (zh) * | 2023-07-25 | 2023-08-22 | 东北石油大学三亚海洋油气研究院 | 一种基于多模态神经网络的微地震事件识别方法及系统 |
| CN116626753B (zh) * | 2023-07-25 | 2023-10-13 | 东北石油大学三亚海洋油气研究院 | 一种基于多模态神经网络的微地震事件识别方法及系统 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN112526606A (zh) | 一种基于异构多分类模型的震源类型预测方法和系统 | |
| CN111181939B (zh) | 一种基于集成学习的网络入侵检测方法及装置 | |
| CN110488351A (zh) | 基于机器学习的地震波震动性质识别方法 | |
| CN109212597B (zh) | 基于深度信念网络和扫描叠加的微震源自动定位方法 | |
| CN108846426A (zh) | 基于深度双向lstm孪生网络的极化sar分类方法 | |
| CN112735473B (zh) | 基于声音识别无人机的方法及系统 | |
| CN110348357A (zh) | 一种基于深度卷积神经网络的快速目标检测方法 | |
| CN105989336A (zh) | 基于带权重的解卷积深度网络学习的场景识别方法 | |
| CN109410184A (zh) | 基于稠密对抗网络半监督学习的直播色情图像检测方法 | |
| Lara-Cueva et al. | On the use of multi-class support vector machines for classification of seismic signals at Cotopaxi volcano | |
| CN111814699A (zh) | 一种面向swarm电磁卫星数据的深度学习地震预测方法 | |
| CN115826042B (zh) | 一种边云端结合的分布式地震数据处理方法与装置 | |
| CN111505705A (zh) | 基于胶囊神经网络的微地震p波初至拾取方法及系统 | |
| CN112200123A (zh) | 联合稠密连接网络和样本分布的高光谱开放集分类方法 | |
| CN114581799A (zh) | 一种基于多尺度特征融合的无人机小目标检测方法 | |
| CN114093106B (zh) | 基于EfficientNET分类网络的入侵信号报警方法及系统 | |
| CN116668198A (zh) | 基于深度学习的流量回放测试方法、装置、设备及介质 | |
| CN107274912A (zh) | 一种手机录音的设备来源辨识方法 | |
| CN111025100A (zh) | 变压器特高频局部放电信号模式识别方法与装置 | |
| CN115035381A (zh) | 一种SN-YOLOv5的轻量化目标检测网络及农作物采摘检测方法 | |
| CN114596590A (zh) | 一种用于具有长尾分布特性的单猴视频动作分类方法 | |
| Zhang et al. | Learnable maximum amplitude structure for earthquake event classification | |
| CN113269134A (zh) | 一种异常广播识别模型及其构建方法和使用方法 | |
| CN113255789A (zh) | 基于对抗网络和多被试脑电信号的视频质量评价方法 | |
| CN110580915B (zh) | 基于可穿戴式设备的声源目标识别系统 |
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 | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20210319 |
|
| RJ01 | Rejection of invention patent application after publication |