CN115097526B - 地震采集资料质量评价方法 - Google Patents

地震采集资料质量评价方法 Download PDF

Info

Publication number
CN115097526B
CN115097526B CN202211002865.2A CN202211002865A CN115097526B CN 115097526 B CN115097526 B CN 115097526B CN 202211002865 A CN202211002865 A CN 202211002865A CN 115097526 B CN115097526 B CN 115097526B
Authority
CN
China
Prior art keywords
sequence
sequences
fluctuation
historical
similarity
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
Application number
CN202211002865.2A
Other languages
English (en)
Other versions
CN115097526A (zh
Inventor
叶菊香
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.)
Jiangsu Yijiesi Information Technology Co ltd
Original Assignee
Jiangsu Yijiesi Information Technology Co ltd
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 Jiangsu Yijiesi Information Technology Co ltd filed Critical Jiangsu Yijiesi Information Technology Co ltd
Priority to CN202211002865.2A priority Critical patent/CN115097526B/zh
Publication of CN115097526A publication Critical patent/CN115097526A/zh
Application granted granted Critical
Publication of CN115097526B publication Critical patent/CN115097526B/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. analysis, for interpretation, for correction
    • 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. analysis, for interpretation, for correction
    • G01V1/36—Effecting static or dynamic corrections on records, e.g. correcting spread; Correlating seismic signals; Eliminating effects of unwanted energy
    • G01V1/364—Seismic filtering
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
    • Y02A10/00—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE at coastal zones; at river basins
    • Y02A10/40—Controlling or monitoring, e.g. of flood or hurricane; Forecasting, e.g. risk assessment or mapping

Abstract

本发明涉及数据处理技术领域，具体涉及地震采集资料质量评价方法。该方法将实时波动序列输入波动序列特征预测网络得到预测序列可信度。波动序列特征预测网络的损失函数为以簇内序列可信度为权重的损失函数；簇内序列可信度的获取方法：由各检测区域之间的历史波动序列的相似性得到区域序列相似度之和，对检测区域进行分类得到多个类别；基于同一检测区域，由不同温度下的历史波动序列的相似度和不同时刻下的历史波动序列的相似度得到可靠度；由同一类别检测区域的区域序列相似度之和与可靠度得到簇内序列可信度。本发明实施例通过波动序列特征预测网络得到预测序列可靠度，反映了实时波动序列和真实地下活动情况的接近程度。

Description

地震采集资料质量评价方法
技术领域
本发明涉及数据处理技术领域，具体涉及地震采集资料质量评价方法。
背景技术
地震是一种常见的自然灾害，地震带来的直接灾害有建筑物与构筑物的破坏、地面破坏、山体等自然物的破坏等，如房屋倒塌、桥梁断裂、铁轨变形、地面塌陷、山崩、海啸等灾害。除了直接灾害地震带来次生灾害有火灾，其主要由震后火源失控引起；水灾，其主要由水坝决口或者山崩导致河道堵塞引起等，因此对地下波动进行勘测进行地震预测是必要的，可以有相对足够的时间使人员进行疏散，尽量避免建筑物倒塌等对人员带来伤害。
目前，对地震进行预测通常是使用检波器检测地震波，但是对于检波器而言，在不同温度下所采集到的地震波波动序列会受到热噪声的影响，而导致地震波波动序列的准确性较低，使得地震预测准确度降低。
发明内容
为了解决上述技术问题，本发明的目的在于提供地震采集资料质量评价方法，所采用的技术方案具体如下：
采集地震波的实时波动序列；将所述实时波动序列输入波动序列特征预测网络得到预测序列可信度；
其中，所述波动序列特征预测网络的损失函数为以簇内序列可信度为权重的均方差损失函数；所述簇内序列可信度的获取方法为：
采集不同检测区域的地震波的历史波动序列，选取任意检测区域作为目标检测区域，计算所述目标检测区域的目标历史波动序列与各检测区域的历史波动序列之间的区域序列相似度之和；根据所述区域序列相似度之和对所述检测区域进行分类得到多个类别；基于同一检测区域，采集两个不同温度下的历史波动序列，计算对应的温度序列相似度；基于同一检测区域，采集两个不同时刻相同温度下的历史波动序列，计算对应的时刻序列相似度，所述温度序列相似度和所述时刻序列相似度的乘积为可靠度；各检测区域对应的区域序列相似度之和与所述可靠度相乘得到对应的可信度，属于同一类别的检测区域对应的可信度相加得到所述簇内序列可信度。
优选的，所述计算所述目标检测区域的目标历史波动序列与各检测区域的历史波动序列之间的区域序列相似度之和，包括：
计算所述目标历史波动序列和每个所述检测区域的历史波动序列的区域序列相似度；
所述目标历史波动序列对应的多个区域序列相似度的和为所述区域序列相似度之和。
优选的，所述计算所述目标历史波动序列和每个所述检测区域的历史波动序列的区域序列相似度，包括：
利用动态时间规整算法计算所述区域序列相似度；
所述区域序列相似度的计算公式为：
Figure 61276DEST_PATH_IMAGE001
其中，
Figure 40733DEST_PATH_IMAGE002
为目标历史波动序列
Figure 617208DEST_PATH_IMAGE003
和历史波动序列
Figure 74734DEST_PATH_IMAGE004
的所述区域序列相似度；
Figure 217002DEST_PATH_IMAGE003
为所述目标历史波动序列；
Figure 101782DEST_PATH_IMAGE004
为除目标检测区域外的任意检测区域对应的历史波动序列；
Figure 431132DEST_PATH_IMAGE005
为目标历史波动序列
Figure 695279DEST_PATH_IMAGE003
和历史波动序列
Figure 426474DEST_PATH_IMAGE004
的规整距离。
优选的，所述根据所述区域序列相似度之和对所述检测区域进行分类得到多个类别，包括：
利用DBSCAN算法对区域序列相似度之和进行聚类，属于同一类的区域序列相似度之和对应的所述检测区域属于同一类别，得到多个聚类类别，其中每个所述聚类类别包含至少一个检测区域。
优选的，所述计算对应的温度序列相似度之前，还包括：
利用高斯平滑滤波器对采集到的不同温度下的历史波动序列进行滤波，利用滤波后的不同温度下的历史波动序列计算对应的温度序列相似度。
优选的，所述采集两个不同温度下的历史波动序列，计算对应的温度序列相似度，包括：
利用动态时间规整算法计算不同温度下的滤波后的历史波动序列的温度序列相似度。
优选的，所述采集两个不同温度下的历史波动序列，包括：
采集室外中午时的历史波动序列，采集室内晚上时的历史波动序列。
优选的，所述计算对应的时刻序列相似度之前，还包括：
利用高斯平滑滤波器对采集到的不同时刻相同温度下的历史波动序列进行滤波，利用滤波后的不同时刻相同温度下的历史波动序列计算对应的时刻序列相似度。
优选的，所述采集两个不同时刻相同温度下的历史波动序列，计算对应的时刻序列相似度，包括：
利用动态时间规整算法计算两个不同时刻相同温度下的滤波后的历史波动序列的时刻序列相似度。
本发明实施例至少具有如下有益效果：
本发明实施例利用数据处理技术，将采集到的实时波动序列输入波动序列特征预测网络得到预测序列可信度。该波动序列特征预测网络的损失函数为以簇内序列可信度为权重的均方差损失函数。其中，簇内序列可信度的获取方法为：采集不同检测区域的地震波的历史波动序列，根据各检测区域之间的历史波动序列的相似性得到区域序列相似度之和，对检测区域进行分类，得到多个类别；将工作环境相似的检测区域划分到一个类别，将同一类别的数据一起训练，有益于简化后续的训练损失函数的过程。基于同一检测区域，采集不同温度下的历史波动序列，计算温度序列相似度；获取热噪声较小和较大时的历史波动序列，计算温度差异很大的两个历史波动序列的温度序列相似度，以此调节高斯平滑滤波器的参数，以尽可能的削弱热噪声的影响。采集不同时刻相同温度下的历史波动序列，计算时刻序列相似度，温度序列相似度和时刻序列相似度的乘积为可靠度，由各检测区域对应的区域序列相似度之和与可靠度得到各检测区域的可信度，属于同一类别的检测区域对应的可信度相加得到簇内序列可信度。根据各检测区域的检波器得到的历史波动序列在不同工作环境下的序列相似度得到能够反映出真实的地震波的检波器。利用训练好的波动序列特征预测网络，将实时采集到的实时波动序列输入波动序列特征预测网络得到对应的预测序列可信度，该可信度反映了当前的实时波动序列的真实程度，可靠性越高，则该实时波动序列越接近于真实的地震波活动情况，避免了因温度或者地形等环境的影响导致的实时波动序列与真实地震波活动情况存在偏差的问题。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案和优点，下面将对实施例或现有技术描述中所需要使用的附图作简单的介绍，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它附图。
图1为本发明一个实施例所提供的地震采集资料质量评价方法的方法流程图。
具体实施方式
为了更进一步阐述本发明为达成预定发明目的所采取的技术手段及功效，以下结合附图及较佳实施例，对依据本发明提出的地震采集资料质量评价方法，其具体实施方式、结构、特征及其功效，详细说明如下。在下述说明中，不同的“一个实施例”或“另一个实施例”指的不一定是同一实施例。此外，一或多个实施例中的特定特征、结构、或特点可由任何合适形式组合。
除非另有定义，本文所使用的所有的技术和科学术语与属于本发明的技术领域的技术人员通常理解的含义相同。
本发明实施例提供了地震采集资料质量评价方法的具体实施方法，该方法适用于地震资料分析场景。对于同一个地区，将该地区划分成多个检测区域，每个检测区域至少部署一个检波器，同时在每个检波器旁部署一个温度传感器，实时检测环境温度。通过检波器可以检测地下的活动情况，活动情况反映在波动序列中。为了解决热噪声或者地形环境对波动序列产生影响导致地震波波动序列的准确性较低的问题，本发明实施例训练波动序列特征预测网络，使得将实时获取到的实时波动序列输入波形序列特征预测网络即可得到预测序列可信度，达到对采集到的实时波动序列的可靠性进行预测的目的，通过该预测序列可靠度可以得到对应的实时波动序列与真实地下活动的接近程度。
下面结合附图具体的说明本发明所提供的地震采集资料质量评价方法的具体方案。
首先，采集地震波的实时波动序列。将实时信波动序列输入波动序列特征预测网络得到预测序列可信度。在本发明实施例中波动序列特征预测网络为时间卷积网络（TCN）。
其中，波动序列特征预测网络的损失函数为以簇内序列可信度为权重的均方差损失函数。以地震波的历史波动序列作为波动序列特征预测网络训练集中的训练数据样本。
将获取到的实时波动序列作为特征序列的前一部分，输入到TCN网络中，并将下一个值作为标签，使得TCN网络能够学习到当前序列模式下的下一个预测值，该预测值即为预测序列可信度。
将TCN网络预测到的预测序列可信度与实测出来的簇内序列可信度比较，差值在3%以上进行剔除，并选取该点实测的簇内序列可信度及对应的波动序列，作为新的训练序列，进行TCN继续训练，使得TCN模型预测更完善。
其波动序列特征预测网络的损失函数
Figure 685417DEST_PATH_IMAGE006
为：
Figure 298801DEST_PATH_IMAGE007
其中，
Figure 98130DEST_PATH_IMAGE008
为训练集中第
Figure 683832DEST_PATH_IMAGE009
个训练数据样本的归一化处理后的簇内序列可信度；
Figure 910414DEST_PATH_IMAGE010
为训练集中第
Figure 11094DEST_PATH_IMAGE009
个训练数据样本的对应的均方差损失函数。
将采集到的历史波动序列作为TCN网络的训练数据样本，对TCN网络继续训练，不断减小预测误差，损失函数Loss收敛时TCN网络训练完成。
波动序列特征预测网络训练完成后，将任意检波器采集到的地震波的实时波动序列输入波动序列特征预测网络中，由波动序列特征预测网络对输入的实时波动序列输出一个预测序列可信度，该预测序列可信度可以反映出实时波动序列的真实程度，预测序列可信度也可以作为某些事件发生的概率。需要说明的是，某些事件指的是，例如当地下有地铁经过，势必会采集到一些波动序列，其特征被TCN网络学习到，能够判断当前事件的发生。而本发明实施例中具体的事件，指的是某一检测区域地下发生震动，TCN网络可以根据地震发生前一部分的实时波动序列，评价地震发生概率，其他实施例中实施者可根据实际情况根据不同的地下活动来采集样本，训练TCN网络，使之能够识别其他事件。
请参阅图1，簇内序列可信度的获取方法，具体的：
步骤S100，采集不同检测区域的地震波的历史波动序列，选取任意检测区域作为目标检测区域，计算目标检测区域的目标历史波动序列与各检测区域的历史波动序列之间的区域序列相似度之和；根据区域序列相似度之和对检测区域进行分类得到多个类别。
对于一个地区，按照网格状将该地区划分为多个矩形区域，每个矩形区域即为一个检测区域，每个检测区域内至少部署一个检波器，以检测地下活动情况。需要说明的是，按照网格状划分多个检测区域是因为对于同一个地区来说由于人文、地形相似，所以地下活动变化和检波器数据是有规律可循的，而通过网格状划分周期区域能够减少因某些不明原因造成的数据偏差。其中，人文指的是工厂、住宅、园区和公园等。
使用检波器对地下活动进行检测，持续采集地下活动数据，也即持续采集历史波动序列。同时，在检波器旁边部署温度传感器，实时检测环境温度，根据当前的环境温度对检波器状况分析。
为了模拟一个确知的地下活动，可以在一个确定位置放置一个井炮，如在郊外设计一个井炮，作为一个固定的地下活动产生。为了减少对正常生活的打扰，历史波动序列的获取时均可使用一个或者两个井炮来实施获取。
需要说明的是，以井炮来模拟地下活动仅仅是为了满足本发明实施例在训练波动序列特征预测网络时获取训练集的情况，以使能够更好地探究检波器的工作状态，实施者在实施本发明实施例时以具体的地下活动为主。
虽然各地区的地形存在一定的差异，但是位于同一地区的多个检测区域的地形差异往往较小，检波器获取历史波动序列是和地形有着很大的相关性的，分析每个检测区域的检波器采集的历史波动序列的相似性，用历史波动序列的相似性来分析相同地形下不同检测区域的检波器采集到的历史波动序列的变化是否一致。如果同一地区某一检测区域部署的检波器受到了其他因素的影响，则该检波器采集到的历史波动序列的变化趋势和同一地区其他检测区域的检波器采集到的历史波动序列的变化趋势差异较大。故通过历史波动序列对同一地区的不同检测区域的检波器的采集情况进行相似度分析，也可以说是对检波器的工作环境进行相似度分析。
采集不同检测区域的地震波的历史波动序列，从井炮引爆前一小时开始记录历史波动序列数据，每个检测区域的检波器均能得到对应的历史波动序列，该历史波动序列随时间的变化而变化。在本发明实施例中以使用3小时的时间窗口采集历史波动序列。
选取任意检测区域作为目标检测区域，计算目标历史波动序列和每个检测区域的历史波动序列的区域序列相似度。
利用动态时间规整算法（DTW）计算目标历史波动序列和其他每个检测区域的历史波动序列的区域序列相似度。
目标历史波动序列
Figure 345605DEST_PATH_IMAGE003
和历史波动序列
Figure 51393DEST_PATH_IMAGE004
的区域序列相似度的计算公式为：
Figure 448876DEST_PATH_IMAGE001
其中，
Figure 974535DEST_PATH_IMAGE003
为目标历史波动序列；
Figure 115667DEST_PATH_IMAGE004
为除目标检测区域外的任意检测区域对应的历史波动序列；
Figure 675961DEST_PATH_IMAGE005
为目标历史波动序列
Figure 775504DEST_PATH_IMAGE003
和历史波动序列
Figure 522880DEST_PATH_IMAGE004
的规整距离。
利用DTW算法计算出来的规整距离反映两个检测区域内检波器检测的相似度，两个历史波动序列越相似，规整距离
Figure 470632DEST_PATH_IMAGE005
越小，则两个历史波动序列对应的区域序列相似度越大。两个历史波动序列的区域序列相似度越大，对应的两个检测区域的地下活动越接近，其检波器的工作环境越相似，故用两个历史波动序列的区域序列相似度来反映两个检测区域的相似性。
计算目标历史波动序列和除目标检测区域外的任意检测区域对应的历史波动序列的区域序列相似度，目标历史波动序列对应的多个区域序列相似度的和为区域序列相似度之和。该区域序列相似度之和能够反映当前检测区域和整个地区的检波器的工作环境，该区域序列相似度之和越大，则当前检测区域和整个地区的检波器的工作环境越相似。
利用DBSCAN算法对区域序列相似度之和进行密度聚类，属于同一类的区域序列相似度之和对应的检测区域属于同一类别，得到多个聚类类别，其中每个聚类类别包括至少一个检测区域。位于同一类别中的检测区域为该检测区域的检波器有着相似的工作环境，若出现离散的检测区域，则说明该检测区域中检波器的工作环境比较特殊，如地下的地形与其他检测区域不同，或者有其他的地下活动对检波器的工作环境其造成了干扰。
将属于同一类别的区域序列相似度之和进行归一化处理，即每一类别中的区域序列相似度之和相加为1，将区域序列相似度之和更新为归一化后的区域序列相似度之和。
步骤S200，基于同一检测区域，采集两个不同温度下的历史波动序列，计算对应的温度序列相似度。
对同一检测区域的检波器的热噪声进行对比。由于在不同温度环境下，检波器的热噪声是不一样的，通过改变温度的大小，在一定程度上能够改变热噪声的影响。
可以通过采集同一检测区域内室外露天和室内两种不同的环境温度下的历史波动序列，室外露天和室内两种不同的环境所处的位置尽可能的接近，避免因距离过远或者地下地质不同而造成的除温度之外其他环境的对历史波动序列的影响。其中，室内的检波器的工作温度要明显差异与室外露天的检波器的工作温度，一般室内温度要高于室外温度，为了使室内和室外的工作温度差异更加明显，本发明实施例采集室外中午时和室内晚上时的温度作为两个不同的环境温度。
采集不同温度下的历史波动序列，在本发明实施例中为采集室外中午时的历史波动序列和室内晚上时的历史波动序列，且室内检波器和室外检波器的所处环境尽可能的相接近，以到达除了温度外其他环境对检波器的影响可以忽略不计的目的。为了实现训练集的多样化，实施者可以对室内温度做更多的调整，以充实训练样本数据，其中室内温度尽可能的低，以减小热噪声对检波器的影响。
利用高斯平滑滤波器对采集到的不同温度下的历史波动序列进行滤波。需要说明的是，滤波器的由已知的温度对应的热噪声特性来决定，选择与之对应的高斯平滑滤波器，其高斯平滑滤波器根据滤波结果不断进行更换，以达到更好的热噪声削弱的效果。
利用动态时间规整算法计算不同温度下的滤波后的历史波动序列的温度序列相似度。
不同温度下的滤波后的历史波动序列的温度序列相似度
Figure 885433DEST_PATH_IMAGE011
的计算公式为：
Figure 687036DEST_PATH_IMAGE012
其中，
Figure 921708DEST_PATH_IMAGE013
为滤波后的室外中午的历史波动序列；
Figure 732538DEST_PATH_IMAGE014
为滤波后的室内晚上的历史波动序列；
Figure 1845DEST_PATH_IMAGE015
为滤波后的室外中午的历史波动序列和滤波后的室内晚上的历史波动序列的规整距离。
其中，温度序列相似度公式的取值范围为[0,1]，规整距离
Figure 994857DEST_PATH_IMAGE015
越小，则对应的温度序列相似度越大。
通过不断调整室外的高斯滤波器，使得温度序列相似度尽可能的大，使有热噪声影响的室外中午时的历史波动序列和室内晚上时的历史波动序列尽可能的相似。
多次获取历史波动序列的温度序列相似度，找到各温度对应的合适的高斯平滑滤波器参数，对该温度下的检波器获取的历史波动序列进行修正，以减轻热噪声对历史波动序列的影响。
步骤S300，基于同一检测区域，采集两个不同时刻相同温度下的历史波动序列，计算对应的时刻序列相似度，温度序列相似度和时刻序列相似度的乘积为可靠度。
采集不同时刻相同温度下的历史波动序列，除了时刻不同，其他的环境条件均相同的情况下，计算历史波动序列的时刻序列相似度，用时刻序列相似度来反映检测区域内的检波器的可靠性。
利用高斯平滑滤波器对采集到的不同时刻相同温度下的历史波动序列进行滤波。
利用动态时间规整算法计算两个不同时刻相同温度下的滤波后的历史波动序列的时刻序列相似度。
该时刻序列相似度
Figure 716826DEST_PATH_IMAGE016
的计算公式为：
Figure 800188DEST_PATH_IMAGE017
其中，
Figure 924002DEST_PATH_IMAGE018
为任意时刻的滤波后的历史波动序列；
Figure 270670DEST_PATH_IMAGE019
为与历史波动序列
Figure 479934DEST_PATH_IMAGE018
温度相同的除历史波动序列
Figure 366987DEST_PATH_IMAGE018
对应的时刻外任意时刻的滤波后的历史波动序列；
Figure 676134DEST_PATH_IMAGE020
为滤波后的历史波形序列
Figure 459282DEST_PATH_IMAGE018
和滤波后的历史波动序列
Figure 421422DEST_PATH_IMAGE019
的规整距离。
其中，时刻序列相似度的取值范围为[0,1]，规整距离
Figure 49849DEST_PATH_IMAGE020
越小，则对应的时刻序列相似度越大，时刻序列相似度越大说明由该检测区域的检波器在相同工作环境下检测的历史波动序列更稳定。
温度序列相似度和时刻序列相似度的乘积为可靠度，通过时刻序列相似度和温度序列相似度共同决定历史波动序列的可靠度，可靠度越高则该检波器检测得到的历史波动序列更可靠。
步骤S400，各检测区域对应的区域序列相似度之和与可靠度相乘得到对应的可信度，属于同一类别的检测区域对应的可信度相加得到簇内序列可信度。
每个检测区域均有各自对应的可靠度和区域序列相似度之和。
各检测区域的区域序列相似度之和与可靠度相乘得到对应的可信度，可信度越高则对应的检波器检测得到的历史波动序列更值得信任，更能反映出实际的真实地震波的活动情况，也即地下活动情况。
步骤S100中对各检测区域进行了聚类，属于同一类的检测区域的工作情况更加接近，所以将属于同一类别的检测区域对应的可信度作为该类别的损失函数的权重，对损失函数进行训练。具体的，属于同一类别的检测区域对应的可信度相加得到簇内序列可信度，每个簇内可信度即为对应的类别的损失函数的权重，对损失函数进行训练。
每个类别的检测区域均有该类别对应的簇内序列可信度。簇内序列可信度反映了类别内所有检测区域的检波器所得到的历史波动序列的可信度，簇内序列可信度越大，则说明该类别内的检波器检测得到的历史波动序列越能反映出实际的真实地震波的活动情况。
综上所述，本发明实施例利用数据处理技术，将采集到的实时波动序列输入波动序列特征预测网络得到预测序列可信度。该波动序列特征预测网络的损失函数为以簇内序列可信度为权重的均方差损失函数。其中，簇内序列可信度的获取方法为：采集不同检测区域的地震波的历史波动序列，根据各检测区域之间的历史波动序列的相似性得到区域序列相似度之和，对检测区域进行分类，得到多个类别。基于同一检测区域，采集不同温度下的历史波动序列，计算温度序列相似度；采集不同时刻相同温度下的历史波动序列，计算时刻序列相似度，温度序列相似度和时刻序列相似度的乘积为可靠度，由各检测区域对应的区域序列相似度之和与可靠度得到各检测区域的可信度，属于同一类别的检测区域对应的可信度相加得到簇内序列可信度。利用训练好的波动序列特征预测网络，将实时采集到的实时波动序列输入波动序列特征预测网络得到对应的预测序列可信度，该可信度反映了当前的实时波动序列的真实程度，可靠性越高，则该实时波动序列越接近于真实的地震波活动情况，避免了因温度或者地形等环境的影响导致的实时波动序列与真实地震波活动情况存在偏差的问题。
需要说明的是：上述本发明实施例先后顺序仅仅为了描述，不代表实施例的优劣。且上述对本说明书特定实施例进行了描述。其它实施例在所附权利要求书的范围内。在一些情况下，在权利要求书中记载的动作或步骤可以按照不同于实施例中的顺序来执行并且仍然可以实现期望的结果。另外，在附图中描绘的过程不一定要求示出的特定顺序或者连续顺序才能实现期望的结果。在某些实施方式中，多任务处理和并行处理也是可以的或者可能是有利的。
本说明书中的各个实施例均采用递进的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。
以上所述仅为本发明的较佳实施例，并不用以限制本发明，凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (6)

1.地震采集资料质量评价方法，其特征在于，该方法包括以下步骤：
采集地震波的实时波动序列；将所述实时波动序列输入波动序列特征预测网络得到预测序列可信度；
其中，所述波动序列特征预测网络的损失函数为以簇内序列可信度为权重的均方差损失函数；所述簇内序列可信度的获取方法为：
采集不同检测区域的地震波的历史波动序列，选取任意检测区域作为目标检测区域，计算所述目标检测区域的目标历史波动序列与各检测区域的历史波动序列之间的区域序列相似度之和；根据所述区域序列相似度之和对所述检测区域进行分类得到多个类别；基于同一检测区域，采集两个不同温度下的历史波动序列，计算对应的温度序列相似度；基于同一检测区域，采集两个不同时刻相同温度下的历史波动序列，计算对应的时刻序列相似度，所述温度序列相似度和所述时刻序列相似度的乘积为可靠度；各检测区域对应的区域序列相似度之和与所述可靠度相乘得到对应的可信度，属于同一类别的检测区域对应的可信度相加得到所述簇内序列可信度；
其中，区域序列相似度的计算公式为：
Figure DEST_PATH_IMAGE002
其中，
Figure DEST_PATH_IMAGE004
为目标历史波动序列
Figure DEST_PATH_IMAGE006
和历史波动序列
Figure DEST_PATH_IMAGE008
的所述区域序列相似度；
Figure 130337DEST_PATH_IMAGE006
为所述目标历史波动序列；
Figure 109794DEST_PATH_IMAGE008
为除目标检测区域外的任意检测区域对应的历史波动序列；
Figure DEST_PATH_IMAGE010
为目标历史波动序列
Figure 171422DEST_PATH_IMAGE006
和历史波动序列
Figure 628948DEST_PATH_IMAGE008
的规整距离；
其中，不同温度下的滤波后的历史波动序列的温度序列相似度
Figure DEST_PATH_IMAGE012
的计算公式为：
Figure DEST_PATH_IMAGE014
其中，
Figure DEST_PATH_IMAGE016
为滤波后的室外中午的历史波动序列；
Figure DEST_PATH_IMAGE018
为滤波后的室内晚上的历史波动序列；
Figure DEST_PATH_IMAGE020
为滤波后的室外中午的历史波动序列和滤波后的室内晚上的历史波动序列的规整距离；
其中，时刻序列相似度
Figure DEST_PATH_IMAGE022
的计算公式为：
Figure DEST_PATH_IMAGE024
其中，
Figure DEST_PATH_IMAGE026
为任意时刻的滤波后的历史波动序列；
Figure DEST_PATH_IMAGE028
为与历史波动序列
Figure 237129DEST_PATH_IMAGE026
温度相同的除历史波动序列
Figure 387487DEST_PATH_IMAGE026
对应的时刻外任意时刻的滤波后的历史波动序列；
Figure DEST_PATH_IMAGE030
为滤波后的历史波形序列
Figure 529887DEST_PATH_IMAGE026
和滤波后的历史波动序列
Figure 538907DEST_PATH_IMAGE028
的规整距离。
2.根据权利要求1所述的地震采集资料质量评价方法，其特征在于，所述计算所述目标检测区域的目标历史波动序列与各检测区域的历史波动序列之间的区域序列相似度之和，包括：
计算所述目标历史波动序列和每个所述检测区域的历史波动序列的区域序列相似度；
所述目标历史波动序列对应的多个区域序列相似度的和为所述区域序列相似度之和。
3.根据权利要求1所述的地震采集资料质量评价方法，其特征在于，所述根据所述区域序列相似度之和对所述检测区域进行分类得到多个类别，包括：
利用DBSCAN算法对区域序列相似度之和进行聚类，属于同一类的区域序列相似度之和对应的所述检测区域属于同一类别，得到多个聚类类别，其中每个所述聚类类别包含至少一个检测区域。
4.根据权利要求1所述的地震采集资料质量评价方法，其特征在于，所述计算对应的温度序列相似度之前，还包括：
利用高斯平滑滤波器对采集到的不同温度下的历史波动序列进行滤波，利用滤波后的不同温度下的历史波动序列计算对应的温度序列相似度。
5.根据权利要求1所述的地震采集资料质量评价方法，其特征在于，所述采集两个不同温度下的历史波动序列，包括：
采集室外中午时的历史波动序列，采集室内晚上时的历史波动序列。
6.根据权利要求1所述的地震采集资料质量评价方法，其特征在于，所述计算对应的时刻序列相似度之前，还包括：
利用高斯平滑滤波器对采集到的不同时刻相同温度下的历史波动序列进行滤波，利用滤波后的不同时刻相同温度下的历史波动序列计算对应的时刻序列相似度。
CN202211002865.2A 2022-08-22 2022-08-22 地震采集资料质量评价方法 Active CN115097526B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202211002865.2A CN115097526B (zh) 2022-08-22 2022-08-22 地震采集资料质量评价方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202211002865.2A CN115097526B (zh) 2022-08-22 2022-08-22 地震采集资料质量评价方法

Publications (2)

Publication Number Publication Date
CN115097526A CN115097526A (zh) 2022-09-23
CN115097526B true CN115097526B (zh) 2022-11-11

Family

ID=83300909

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202211002865.2A Active CN115097526B (zh) 2022-08-22 2022-08-22 地震采集资料质量评价方法

Country Status (1)

Country Link
CN (1) CN115097526B (zh)

Families Citing this family (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115310880B (zh) * 2022-10-11 2022-12-20 南京中车浦镇工业物流有限公司 一种用于库存盘亏情况的ar交互方法及系统
CN116912202B (zh) * 2023-07-13 2024-01-30 中国中医科学院眼科医院 一种医用高值耗材管理方法和系统
CN116821713B (zh) * 2023-08-31 2023-11-24 山东大学 基于多变量动态时间规整算法的隔震效率评价方法及系统

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101282481A (zh) * 2008-05-09 2008-10-08 中国传媒大学 一种基于人工神经网络的视频质量评价方法
EP3279819A1 (en) * 2015-04-03 2018-02-07 Baidu Online Network Technology (Beijing) Co., Ltd. Method, system and computer device for capacity prediction based on kalman filter
EP3457723A1 (en) * 2012-01-08 2019-03-20 ImagiStar LLC System and method for item self-assessment as being extant or displaced
CN110011847A (zh) * 2019-03-29 2019-07-12 广州大学 一种传感云环境下的数据源质量评估方法
CN113570000A (zh) * 2021-09-08 2021-10-29 南开大学 一种基于多模型融合的海洋单要素观测质量控制方法

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103368811B (zh) * 2012-04-06 2016-08-10 华为终端有限公司 带宽分配方法和设备

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101282481A (zh) * 2008-05-09 2008-10-08 中国传媒大学 一种基于人工神经网络的视频质量评价方法
EP3457723A1 (en) * 2012-01-08 2019-03-20 ImagiStar LLC System and method for item self-assessment as being extant or displaced
EP3279819A1 (en) * 2015-04-03 2018-02-07 Baidu Online Network Technology (Beijing) Co., Ltd. Method, system and computer device for capacity prediction based on kalman filter
CN110011847A (zh) * 2019-03-29 2019-07-12 广州大学 一种传感云环境下的数据源质量评估方法
CN113570000A (zh) * 2021-09-08 2021-10-29 南开大学 一种基于多模型融合的海洋单要素观测质量控制方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
管网水质多指标动态关联异常检测方法;魏媛 等;《浙江大学学报(工学版)》;20160731;第50卷(第7期);第1402-1409页 *

Also Published As

Publication number Publication date
CN115097526A (zh) 2022-09-23

Similar Documents

Publication Publication Date Title
CN115097526B (zh) 地震采集资料质量评价方法
Scarpetta et al. Automatic classification of seismic signals at Mt. Vesuvius volcano, Italy, using neural networks
US7228235B2 (en) System and method for enhanced measure-correlate-predict for a wind farm location
CN104266894B (zh) 一种基于相关性分析的矿山微震信号初至波时刻提取方法
Wenner et al. Near real-time automated classification of seismic signals of slope failures with continuous random forests
Peng et al. Automatic classification of microseismic records in underground mining: a deep learning approach
CN109739905A (zh) 一种综合管廊火灾预警方法及系统
Zhu et al. Accurate identification of microseismic P-and S-phase arrivals using the multi-step AIC algorithm
CN115327616B (zh) 一种海量数据驱动的矿山微震震源自动定位方法
Chin et al. Learn to detect: Improving the accuracy of earthquake detection
CN112782762A (zh) 一种基于深度学习的地震震级判定方法
CN111814699A (zh) 一种面向swarm电磁卫星数据的深度学习地震预测方法
CN104483700A (zh) 地层裂缝监测与预警系统及方法
CN112001650A (zh) 煤矿区生态累积效应评价方法、装置、设备及存储介质
KR20150054146A (ko) 유사태풍분석 예측 시스템 및 이를 이용한 유사태풍분석 예측 방법
Baker et al. Monitoring the 2020 Magna, Utah, earthquake sequence with nodal seismometers and machine learning
CN113191642B (zh) 一种基于最优组合策略的区域滑坡敏感性分析方法
CN113189644B (zh) 一种微震震源定位方法及系统
CN107132515A (zh) 一种基于多维信息约束的点迹筛选方法
CN112230275B (zh) 地震波形的识别方法、装置及电子设备
CN117556197A (zh) 一种基于人工智能的台风涡旋初始化方法
Lan et al. Automatic first arrival time identification using fuzzy C-means and AIC
CN109034179A (zh) 一种基于马氏距离idtw的岩层分类方法
CN117009900A (zh) 一种基于图神经网络的物联网信号异常检测方法和系统
CN116383628A (zh) 一种落石灾害微震信号的检测分类方法及系统

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