CN115436993A - 一种基于PPNet网络的地震信号P波检测方法 - Google Patents

Abstract

本发明提出一种基于PPNet网络的地震信号P波检测方法，属于地震信号处理技术领域；本发明网络可实现更高精度更低误差拾取地震P波；结合UNet++编码、解码器，融入特征过滤器设计了一种具有地震震相特征分析与融合能力的轻量级P波到时拾取网络PPNet（P‑wave Pyramid Network），编码器模块采用大卷积核低通道数的卷积层，对输入的地震信号进行深度特征提取，增强信号序列中震相到时权重的同时压制过滤其他的干扰信息，在解码器模块的特征还原的过程中加入特征融合机制，补全特征信息，实现地震信号序列中每个时间步的精确识别，仅对编码器后三个下采样模块添加了特征过滤器对输出的特征序列进行处理，细化P波到时特征，提升到时拾取精度；本发明应用于地震P波拾取。

Description

一种基于PPNet网络的地震信号P波检测方法

技术领域

本发明一种基于PPNet网络的地震信号P波检测方法，属于地震信号处理技术领域。

背景技术

震相分析是地震活动分析与评价、地震构造研究和地震预警工作的研究基础，在震相研究中地震P波是在地震活动中最早到达地表的波形，同时也是地震信号研究领域出现最频繁的波形，所以对P波到时拾取的研究是地震预警及监测工作中的关键一步。

目前对地震P波到时拾取由三种方式：人工拾取、传统方法拾取和深度学习方法拾取。人工拾取方法难在对微震震相的识别和到时挑取上，极易造成误检，导致拾取效率差，传统P波拾取方法的拾取效果很大程度上取决于信噪比和检测区间，拾取精度受设定阈值影响较大，泛化能力与鲁棒性都较差，导致拾取效率低。

除了运用传统方法对地震P波进行拾取，深度学习方法已成为处理地震信号领域的主流技术。目前已出现如CRED、EQTransformer、ConvNetQuake、PhaseNet等多种震相识别算法。PhaseNet参考了UNet模型的构建，通过对地震三分量数据进行识别，使用跳跃连接进行特征融合，通过输出与输入数据等长的概率序列，获取P波到时信息，由于其网络模型复杂度低，对信号的拟合度还有待提升；Unet-cea通过对PhaseNet进行优化，取得较优的拾取性能；李宇等提出的融合时空注意力机制的拾取网络，对数据进行多尺度特征提取与融合，进行权重重分配，达到很高的拾取率；蔡镇宇等构建的回归模型，无需对原始波形进行逐点扫描，实现地震余震P波初至到时的有效拾取。这些网络对震相识别与到时拾取的研究还是将深度神经网络用于自动提取复杂波形的抽象特征，在标签数据进行监督学习后，训练后的模型在与训练数据相似的测试数据集上的效果可超越传统方法。但其能否实用化的关键在于神经网络的是否具有更高的泛化性。

目前已有一些网络可以达到很高的泛化性，如Ross等提出利用深度学习进行P波到时拾取和初动极性判定的方法；Perol等提出了基于U型神经网络进行震相识别和到时拾取的方法；Lee 等提出了对于到时拾取的能量比值法。近些年人工智能技术飞速发展，随之衍生的深度学习算法也在很多领域得到广泛应用。利用深度学习算法在自然语言处理领域的优势，对震相识别和到时拾取已取得很好的效果。除上述拾取模型外，还有EarthquakeTransformer等都具有不错的P波拾取效果。但由于深度学习模型对数据特征的提取能力不足，常会忽略有效信息，导致到时拾取效率不高，所以，提高P波到时拾取精度是当前地震信号研究领域亟待解决的问题。

发明内容

本发明克服了现有技术的不足，提出一种基于PPNet网络的地震信号P波检测方法，针对现有地震P波到时拾取精度差、误差大等问题，提升模型的特征提取能力，挖掘地震信号的深层隐藏特征，实现较高精度较低误差检测拾取地震P波。

为达到上述目的，本发明是通过如下技术方案实现的：一种基于PPNet网络的地震信号P波检测方法，包括如下步骤：

步骤S1：使用人工标注的地震P波到时数据作为原始数据进行预处理，并将数据集划分为训练集和测试集；

步骤S2：构建具有地震震相特征分析与融合能力的轻量级P波到时拾取网络PPNet对地震信号数据集进行训练；

所述PPNet包括编码器模块、特征过滤器模块、解码器模块，所述编码器模块对输入的波形数据进行深度特征提取；所述特征过滤模块细化P波到时特征，进行特征信息补全；所述解码器模块对输出的特征序列进行处理，实现特征序列中P波到时的识别；

步骤S3：通过PPNet网络对地震P波进行拾取：对网络输出的多层卷积特征进行共享参数，通过共享权重信息对网络输出的特征序列进行逐点识别并输出，精确拾取震相到时信息。

所述编码器模块由1个初始卷积模块和4个下采样模块构成，其中初始卷积模块由2个步长为1、通道数为8的卷积层构成，下采样模块均由2层卷积层构成，第一卷积层步长为4，通道数与输入特征的通道数一致，第二卷积层步长为1，通道数大于第一卷积层，对输入网络的地震信号进行深度特征提取。

所述特征过滤器模块仅对编码器模块的后三个下采样模块输出的特征序列进行处理，未处理编码器浅层的初始卷积及第一个下采样模块的输出特征，避免因反卷积造成的特征丢失的同时增加了特征的多样性。

所述解码器模块包括4个上采样模块、3个特征融合模块和1个时间步全连接模块，上采样模块由步长为4的上采样层与Cropping层构成，Cropping层裁剪上采样层输出的特征序列；

特征融合模块首先将解码器特征与其对应特征融合器特征以Concate方式进行融合，之后采用尺度为1的卷积层进行降维，并使用ReLU函数激活；

时间步全连接模块作为网络的输出层，对每个时间步中的所有通道进行全连接运算，输出长度特征序列，运算完成后，使用激活函数将特征序列映射到0与1之间，最终输出P波到时概率序列。

步骤S3所述的共享参数是时间步全连接模块对网络输出的多层卷积特征进行共享参数，通过共享权重信息对网络输出的特征序列进行逐点识别并输出，精确拾取震相到时信息。

本发明相对于现有技术具备的有益效果为：本发明结合UNet++编码、解码器，融入特征过滤器设计了一种轻量级P波到时拾取网络PPNet（P-wave Pyramid Network），本网络在编码器模块采用大卷积核低通道数的卷积层，对输入的波形数据进行深度特征提取，有效提取地震P波到时特征的同时抑制过滤掉干扰信息，有效控制模型参数量；解码器模块在特征还原的过程中加入特征融合机制，补全特征信息，防止特征细节缺失而导致的网络性能差的问题，实现地震信号序列中每个时间步的精确识别；为避免引入大量计算参数，影响计算效率，本发明仅对编码器后三个下采样模块添加了特征融合器对输出的特征序列进行处理，未处理编码器浅层的初始卷积及第一个下采样模块的输出特征，细化P波到时特征，提升到时拾取精度，加快模型识别效率。本发明方法提高了拾取地震P波的拾取率，降低了拾取误差，本发明网络模型具有较强的泛化性和鲁棒性，具有更优秀的综合性能。

附图说明

下面结合附图对本发明做进一步说明。

图1为本发明基于PPNet的地震P波拾取方法的流程图。

图2为本发明PPNet的网络结构图。

图3为本发明实施例中进行数据处理各阶段的处理结果示意图。

具体实施方式

如图1至图3所示，针对现有地震P波到时拾取网络精度低、误差大等问题，本发明结合UNet++编码、解码器，融入特征过滤器设计了一种具有地震震相特征分析与融合能力的轻量级P波到时拾取网络PPNet（P-wave Pyramid Network），实现对地震P波的高精度、低误差拾取。本网络在编码器模块采用大卷积核低通道数的卷积层，对输入的地震信号进行深度特征提取，增强信号序列中震相到时权重的同时压制过滤其他的干扰信息，在解码器模块的特征还原的过程中加入特征融合机制，补全特征信息，实现地震信号序列中每个时间步的精确识别，仅对编码器后三个下采样模块添加了特征过滤器对输出的特征序列进行处理，未处理编码器浅层的初始卷积及第一个下采样模块的输出特征，细化P波到时特征，提升到时拾取精度。

如图2所示为本发明PPNet的网络结构图，由编码器模块、解码器模块和特征过滤器模块组成。其中的编码器模块通过借鉴PhaseNet构建，采用大卷积核和低通道数的卷积层，其中包括初始卷积模块和下采样模块，这样可以有效地提取震相到时特征同时可以抑制过滤大量干扰信息，且低通道数可有效控制模型的参数量；解码器模块由上采样模块和时间步全连接模块构成，反卷积层用于还原特征尺度，Cropping层用来控制上采样造成的尺度变化，时间步全连接层对网络输出的多层卷积特征进行共享参数，通过共享权重信息对网络输出的特征序列进行逐点识别并输出，精确拾取震相到时信息；特征过滤器模块进一步提取根据特征粒度对编码器不同阶段的输出特征，并与相应的解码器进行特征融合，避免了因反卷积造成的特征丢失，同时增加了特征的多样性。网络模块结构及其参数、输入输出尺度如表1所示：

表1 PPNet网络各模块参数、输入输出尺度。

下面依次介绍本发明的三个模块。

编码器模块：

编码器模块可以对输入网络的地震信号进行深度特征提取，增强信号序列中震相到时权重，同时压制过滤其他的干扰信息。

本发明的编码器模块由1个初始卷积模块和4个下采样模块构成，所有卷积层的卷积核大小均为7，激活函数为ReLU函数。大尺度卷积核的编码器在每次的卷积运算中感受野较大，利于进行全面的全局特征分析，使模型对信号序列的分析能力大幅提升，可有效提取震相到时特征，增强到时附近的权重特征，同时抑制波形峰值等干扰特征。

初始卷积模块由2个步长为1、通道数为8的卷积层构成，该模块对输入的地震信号波形数据进行初步特征提取，同时提升数据通道数，丰富特征细节。

下采样模块均由2层卷积层构成，第一卷积层步长为4，通道数与输入特征的通道数一致，第二卷积层步长为1，通道数较第一卷积层有所提升。随着编码器网络深度增加，特征经过各卷积层的过滤与池化层的非线性拟合，震相到时特征得到极大增强，特征维度提升，数据的隐藏特征被深度挖掘并表达。

特征过滤器模块：

特征过滤器模块有两方面的作用。一：对上述编码器提取到的特征进一步细化提取，得到更精确的到时信息，提升网络的识别精度；二：对解码器的特征序列进行特征信息补全，防止因上采样导致的特征序列细节表征能力不足。

本发明特征过滤器模块采用小卷积核的卷积层处理编码器各个下采样模块输出的特征序列，细化处理震相到时特征，提升到时拾取精度。编码器模块对地震信号数据进行了序列分析与震相到时特征提取，大致确定了震相到时范围，而特征过滤器的计算粒度更小，可对特征序列细化分析，得到更精确的到时信息。

根据下采样模块在编码器中所处位置不同，对应特征过滤器的卷积层数与卷积核大小也不同，下采样模块在编码器中所处位置越深，特征凝练度就越高，使用的特征过滤器卷积层数越少，卷积核也越小。位置浅时，得到的浅层特征表征能力弱，则需要更深层、更大尺度的特征过滤器对输出特征进行特征过滤与序列分析。而编码器初期由于过滤程度有限，非线性拟合程度不足，输出的特征序列噪声较多且震相信息不足，需构建深层的特征过滤器对其进行处理，这将引入大量参数，计算效率会受到很大影响，因此，本发明仅对编码器后三个下采样模块添加了特征过滤器对输出的特征序列进行处理，未处理编码器浅层的初始卷积及最后一个下采样模块的输出特征。这样可在保证网络识别性能的前提下，有效减少网络参数量，提升模型识别效率。在地震波形信号数据中，到时特征比波峰特征表现微弱，若将其直接与解码器特征融合，会对已完成深度过滤的特征造成干扰，影响拾取性能。因此，本发明在进行编码解码特征融合过程中，首先采用特征过滤器对编码器特征进行深度发掘与提取，并有效过滤了冗余及噪声信息，得到的特征序列到时特征鲜明且细节特征丰富，将此序列与解码器上采样所得到的特征进行融合后，有效补充序列的细节特征，避免无效特征对后期特征序列造成的污染问题，提升网络识别性能。

解码器模块：

解码器模块可以将特征序列还原成与输入数据相同的长度，识别每个时间步，实现特征序列中P波到时的识别。本发明在特征还原的过程中加入特征融合机制，补全特征信息，同时防止了特征细节缺失而导致的网络性能差的问题。

本发明的解码器模块包括4个上采样模块、3个特征融合模块和1个时间步全连接模块。上采样模块由步长为4的上采样层与Cropping层构成，上采样层将特征序列的长度还原，Cropping层裁剪上采样输出的特征序列，解决因下采样特征序列向上取整而引起的长度变化问题；特征融合模块首先将解码器特征与其对应特征融合器特征以Concate方式进行融合，之后采用尺度为1的卷积层进行降维，并使用ReLU函数激活；时间步全连接作为网络的输出层，对每个时间步中的所有通道进行全连接运算，输出长度为t维度为1的特征序列，运算完成后，使用Sigmoid函数将特征序列映射到0与1之间，最终输出P波到时概率序列。时间步全连接通过逐点预测，实现地震信号序列中每个时间步的精准识别。

本发明方法可实现高精度低误差拾取P波到时，数据特征提取与拟合能力较强，网络模型具有较强的泛化性和鲁棒性。

关于本发明具体结构需要说明的是，本发明采用的各部件模块相互之间的连接关系是确定的、可实现的，除实施例中特殊说明的以外，其特定的连接关系可以带来相应的技术效果，并基于不依赖相应软件程序执行的前提下，解决本发明提出的技术问题，本发明中出现的部件、模块、具体元器件的型号、相互间连接方式以及，由上述技术特征带来的常规使用方法、可预期技术效果，除具体说明的以外，均属于本领域技术人员在申请日前可以获取到的专利、期刊论文、技术手册、技术词典、教科书中已公开内容，或属于本领域常规技术、公知常识等现有技术，无需赘述，使得本案提供的技术方案是清楚、完整、可实现的，并能根据该技术手段重现或获得相应的实体产品。

最后应说明的是：以上各实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述各实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分或者全部技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的范围。

Claims (5)

1.一种基于PPNet网络的地震信号P波检测方法，其特征在于：包括如下步骤：

步骤S1：使用人工标注的地震P波到时数据作为原始数据进行预处理，并将数据集划分为训练集和测试集；

步骤S2：构建具有地震震相特征分析与融合能力的轻量级P波到时拾取网络PPNet（P-wave Pyramid Network）对地震信号数据集进行训练；

所述PPNet网络包括编码器模块、特征过滤器模块、解码器模块，所述编码器模块对输入的波形数据进行深度特征提取；所述特征过滤模块细化P波到时特征，进行特征信息补全；所述解码器模块对输出的特征序列进行处理，实现特征序列中P波到时的识别；

步骤S3：通过PPNet网络对地震P波进行拾取：解码器模块中的时间步全连接模块对网络输出的多层卷积特征进行共享参数，通过共享权重信息对网络输出的特征序列进行逐点识别并输出，精确拾取震相到时信息。

2.根据权利要求1所述的一种基于PPNet网络的地震信号P波检测方法，其特征在于：所述编码器模块由1个初始卷积模块和4个下采样模块构成，其中初始卷积模块由2个步长为1、通道数为8的卷积层构成，下采样模块均由2层卷积层构成，第一卷积层步长为4，通道数与输入特征的通道数一致，第二卷积层步长为1，通道数大于第一卷积层，对输入网络的地震信号进行深度特征提取。

3.根据权利要求1所述的一种基于PPNet网络的地震信号P波检测方法，其特征在于：所述特征过滤器模块仅对编码器模块的后三个下采样模块输出的特征序列进行处理，未处理编码器浅层的初始卷积及第一个下采样模块的输出特征。

4.根据权利要求1所述的一种基于PPNet网络的地震信号P波检测方法，其特征在于：所述解码器模块包括4个上采样模块、3个特征融合模块和1个时间步全连接模块，上采样模块由上采样层构成，上采样层包括反卷积层与Cropping层，反卷积层还原特征尺度，Cropping层裁剪上采样输出的特征序列；

特征融合模块首先将解码器特征与其对应特征融合器特征以Concate方式进行融合，之后采用尺度为1的卷积层进行降维，并使用ReLU函数激活；

时间步全连接模块作为网络的输出层，对每个时间步中的所有通道进行全连接运算，输出长度特征序列，运算完成后，使用激活函数将特征序列映射到0与1之间，最终输出P波到时概率序列。

5.根据权利要求4所述的一种基于PPNet网络的地震信号P波检测方法，其特征在于：步骤S3所述的共享参数是时间步全连接模块对网络输出的多层卷积特征进行共享参数，通过共享权重信息对网络输出的特征序列进行逐点识别并输出，精确拾取震相到时信息。

Images