CN110082822A - 利用卷积神经网络进行地震检测的方法 - Google Patents
利用卷积神经网络进行地震检测的方法 Download PDFInfo
- Publication number
- CN110082822A CN110082822A CN201910282719.1A CN201910282719A CN110082822A CN 110082822 A CN110082822 A CN 110082822A CN 201910282719 A CN201910282719 A CN 201910282719A CN 110082822 A CN110082822 A CN 110082822A
- Authority
- CN
- China
- Prior art keywords
- earthquake
- earthquake detection
- multiple dimensioned
- detection
- homologous
- 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
Links
- 238000001514 detection method Methods 0.000 title claims abstract description 148
- 238000000034 method Methods 0.000 title claims abstract description 37
- 238000013527 convolutional neural network Methods 0.000 title claims abstract description 18
- 238000012549 training Methods 0.000 claims description 20
- 239000002131 composite material Substances 0.000 claims description 17
- 230000000694 effects Effects 0.000 claims description 10
- 238000005457 optimization Methods 0.000 claims description 9
- 238000007689 inspection Methods 0.000 claims description 6
- 230000006870 function Effects 0.000 claims description 4
- 238000012360 testing method Methods 0.000 claims description 4
- 235000013399 edible fruits Nutrition 0.000 claims description 2
- 238000004519 manufacturing process Methods 0.000 claims description 2
- 238000010606 normalization Methods 0.000 claims 1
- 238000007796 conventional method Methods 0.000 abstract description 3
- 238000013528 artificial neural network Methods 0.000 description 2
- 238000009826 distribution Methods 0.000 description 2
- 238000003860 storage Methods 0.000 description 2
- 241000208340 Araliaceae Species 0.000 description 1
- 235000005035 Panax pseudoginseng ssp. pseudoginseng Nutrition 0.000 description 1
- 235000003140 Panax quinquefolius Nutrition 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000034994 death Effects 0.000 description 1
- 231100000517 death Toxicity 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 235000008434 ginseng Nutrition 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000004304 visual acuity Effects 0.000 description 1
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
- G01V1/288—Event detection in seismic signals, e.g. microseismics
-
- 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
- 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
- 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
- G06F18/2413—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on distances to training or reference patterns
- G06F18/24147—Distances to closest patterns, e.g. nearest neighbour classification
-
- 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)
- Data Mining & Analysis (AREA)
- Remote Sensing (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Environmental & Geological Engineering (AREA)
- Bioinformatics & Computational Biology (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Acoustics & Sound (AREA)
- Evolutionary Computation (AREA)
- Geology (AREA)
- General Life Sciences & Earth Sciences (AREA)
- Geophysics (AREA)
- Business, Economics & Management (AREA)
- Emergency Management (AREA)
- Geophysics And Detection Of Objects (AREA)
Abstract
本发明公开了一种利用卷积神经网络进行地震检测的方法,使用多尺度描述的卷积神经网络结合多任务学习来进地震检测,相比于传统方法,能够利用已有数据的信息,波形的多尺度信息和不同台站之间的位置信息,因此在检测精度上有非常好的表现;本发明达到了目前最高的精度。
Description
技术领域
本发明涉及机器学习和地震学领域,尤其涉及一种利用卷积神经网络进行地震检测的方法。
背景技术
地震检测是地震预警和地震研究的基础问题,它的任务是分辨地震波和噪声。而当一个地震发生后,常常伴随着一系列的余震。余震会严重影响灾后救援工作并造成更加严重的伤亡,因此余震的检测是减小地震损失的重要任务。
在过去的40多年里,地震检测发展出了众多的方法,如基于能量的方法,模板匹配的方法和人工神经网络的方法。其中最为基础和广泛使用的方法是STA/LTA,这也是基于能量的方法中的典型方法。这种方法是基于长短时的比较,列举一些工作。这种方法总是很有效而且效率很高,但是其很容易收到噪声影响,难以平衡recall(召回率)和precision(精确率)。模板匹配的方法可以用于检测‘重复地震’,即震源机制相同的地震。这是一种十分有效,分辨力强的检测方法。但是其依赖于模板的规模,需要巨大的计算量和储存空间,并限制于检测‘重复地震’。
如今对于地震数据已经有非常庞大的数量并在不断增加。这是一个很适合机器学习解决的问题。人工神经网络的方法可以很好的抵抗噪声,具有很好的泛化性能和灵活性。但是其网络设计并未很好的考虑到地震数据的特点,因此在余震数据集上没有达到预期的效果。
发明内容
本发明的目的是提供一种利用卷积神经网络进行地震检测的方法,可以充分利用已有数据学习出地震波形的多尺度特征和不同台站之间的关系,用来检测当前波形是否是地震。
本发明的目的是通过以下技术方案实现的:
一种利用卷积神经网络进行地震检测的方法,包括:
构建多尺度描述网络与多任务学习框架,所述多尺度描述网络,包含多个依次连接的多尺度描述单元,通过多尺度描述网络使得输入的数据变为多尺度混合特征;所述多任务学习框架包含地震检测任务模块与同源地震检测任务模块,两个模块的输入均为多尺度混合特征,各自完成地震检测任务与同源地震检测任务,其中同源地震检测任务作为辅助任务用来提升地震检测任务的检测精度;
利用已知是否是地震的波形数据去训练多尺度描述网络与多任务学习框架中的参数;当训练完毕后,将待检测的波形数据输入多尺度描述网络,并经过地震检测任务模块,获得地震检测结果。
由上述本发明提供的技术方案可以看出,使用多尺度描述的卷积神经网络结合多任务学习来进地震检测,相比于传统方法,能够利用已有数据的信息,波形的多尺度信息和不同台站之间的位置信息,因此在检测精度上有非常好的表现;本发明达到了目前最高的精度。
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多尺度描述单元的示意图;
图2为本发明实施例提供的一种利用卷积神经网络进行地震检测的网络结构示意图;
图3为本发明实施例提供的地震检测网络结构示意图。
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。
本发明实施例提供一种利用卷积神经网络进行地震检测的方法,主要包括:
构建多尺度描述网络与多任务学习框架,所述多尺度描述网络,包含多个依次连接的多尺度描述单元,通过多尺度描述网络使得输入的数据变为多尺度混合特征;所述多任务学习框架包含地震检测任务模块与同源地震检测任务模块,两个模块的输入均为多尺度混合特征,各自完成地震检测任务与同源地震检测任务,其中同源地震检测任务作为辅助任务用来提升地震检测任务的检测精度;
利用已知是否是地震的波形数据去训练多尺度描述网络与多任务学习框架中的参数;当训练完毕后,将待检测的波形数据输入多尺度描述网络,并经过地震检测任务模块,获得地震检测结果。
上述方案使用多尺度描述的卷积神经网络结合多任务学习来进地震检测,相比于传统方法,能够利用已有数据的信息,波形的多尺度信息和不同台站之间的位置信息,因此在检测精度上有非常好的表现;上述方案达到了目前最高的精度。
为了便于理解,下面针对多尺度描述网络与多任务学习框架的结构、数据预处理的方式、以及训练过程做详细说明。
一、多尺度描述网络。
本发明实施例中,多尺度描述网络主要包括:入口处的卷积层,以及其后端堆叠的一系列多尺度描述单元(MSD-cell)。
入口处的卷积层其输入为预处理后的波形数据,输出的特征作为第一个多尺度描述单元的两个输入:S1与F1
如图1所示,每一所述多尺度描述单元具有两个输入:记忆状态Si和特征状态Fi,Si用来储存多尺度描述的混合特征,Fi用来代表当前尺度的特征,下标i表示多尺度描述单元的序号;
当输入Fi后,先经过一个卷积层(例如,32x1x3,其中1x3是指卷积核大小,32是指通道数),得到更高尺度的特征,记为Fi c;
之后,Fi c会经过一个最大池化层(例如,1x2,stride=2)输出Fi+1,作为下一个多尺度描述单元的一个输入;
同时,Fi c会与Si直接拼接起来为不同尺度描述的比较和混合做准备;Si与Fi c的通道数相同均为N,拼接过后,记为J,通道数转化为2N,再经过一个卷积层(例如,32x1x1),其作用是使用多种方案对J的各个通道乘以一个系数进行加和,从而实现多层级特征Si和当前层级特征Fi c的比较和混合,使通道数降回N,并经过一个最大池化层(例如,1x2,stride=2)输出多尺度混合特征Si+1,作为下一个多尺度描述单元的另一个输入;
通过上述方式即完成了一个多尺度描述单元的输入输出。对于(32x1x1)的卷积层,其作用是使用多种方案对输入J的各个通道乘以一个系数进行加和,因为J中一半通道是包含了所有低尺度信息的多尺度比较混合特征Si,另一半是当前尺度特征Fi c;所以在经过了(32x1x1)的卷积层后,两者会进行比较混合,而系数则是在训练过程中学到的比较方式。这样就将不同尺度的特征关联了起来,得到了包含了新尺度描述的多尺度混合特征Si+1。
二、多任务学习框架。
多任务学习框架包含地震检测任务模块与同源地震检测任务模块,前文介绍的多尺度描述网络作为地震检测任务模块与同源地震检测任务模块共享部分(sharedpart),实现整个方案的网络结构如图2所示。
1)所述地震检测任务模块(即图2中的detection part)包含两个全连接层,输入的多尺度混合特征依次经过两个全连接层(fc),后一个全连接层的输出经过第一softmax分类器输出地震检测的分类结果,即,地震(earthquake)或者噪声(noise)。
2)所述同源地震检测任务模块(即图2中的auxiliary part)包含一个相减操作层和两层全连接层;所述相减操作层的输入为波形数据对各自对应的多尺度混合特征,且每一个都与地震检测任务模块的输入相同;通过相减操作层将两个多尺度混合特征相减后送入全连接层,后一个全连接层的输出经过第二softmax分类器输出同源地震检测的分类结果,即出同源地震(homology)或者非出同源地震(non-homology)。
需要说明的是,图2中给出的全连接层(fc)的输出128、2均为举例,并非构成限制。
为了便于理解,可以将基于多尺度描述网络的地震检测任务模块看作地震检测网络(即主任务网络),将基于多尺度描述网络的同源地震检测任务模块看作辅助任务网络。
如图3所示,为地震检测网络的主要结构,作为地震检测任务,其输入数据(即图3中的earthquake detection input)是由数据预处理得到的具有三个通道的时间序列窗口,对应垂直方向,南北方向,东西方向。当窗口的大小是候选检测点前10s,后40s时,输入数据的结构为(1x5000x3),这里的5000代表了检测窗口的长度,实验中使用的数据采样频率为100/s,因此窗口长度为50s。网络结构的开始是一层(32x1x3)的卷积层(conv),为数据进行初始化,为输入MSD-cell做准备。然后将卷积层的输出作为第一层特征同时放入MSD-cell的两个输入,其输出再输入下一个MSD-cell,每经过一个MSD-cell,特征的大小减少一半。总共有10个MSD-cell(该数量是可以调节的),最后一层MSD-cell的输出S10,F10的结构均为1x5x32。取用包含所有尺度特征的混合输出S10,将其展开为大小160的特征表示(feature)。然后将其输入到两层全连接层,第一层的输出为128,第二层的输出为2,最后经过softmax分类器得到地震检测的分类结果y。需要说明的是,图3以及本段文字部分所涉及的具体数值均为举例,并非构成限制。
为了提升地震检测网络的检测效果,本发明实施例中还设置了辅助任务网络。地震数据有一个特点,通常一个地震会被复数个台站检测到,这些被检测出的波形为同源地震波,具有相同的震源机制。通过构造一个同源地震检测的辅助任务来将多台站的信息引入模型。辅助任务的目标是判断输入的两个波形是否是同源地震。因此辅助任务的网络输入为两个波形组,这两个波形组每一个都与地震检测网络的输入相同。因此可以将辅助任务的两个波形组并行输入到地震检测网络中,分别计算出其特征表示(feature)。希望如果两个波形为同源地震,则其特征表示相似,如果两个地震中有一个不是地震,则其特征表示有较大的差异,这样特征表示对于是否是地震就具有更强的分辨性。于是将辅助任务得到的两个特征表示相减,然后将输出送入两层全连接层,第一层的输出为128,第二层的输出为2,再经过softmax分类器从而得到是否为同源地震的二分类结果。
三、数据预处理。
网络训练之前,还需要对已知是否是地震的波形数据进行预处理,其包括:
首先,进行波形数据的预处理:对地震传感器得到的原始数据,首先使用常规检测方法检测出候选检测点,然后根据候选检测点截取周围的波形窗口,获得一系列波形窗口,作为地震检测网络的输入。
具体而言,窗口的大小可以是候选检测点前10s,后40s,也可以是候选检测点前2s,后8s;窗口的大小可以由用户根据经验或者需求自行设定。
本领域技术人员可以理解,常规检测方法可以是低阈值的STA/LTA或其他传统检测方法。
前文处理获得的数据可以作为地震检测网络的输入,用于地震检测任务;对于同源地震检测任务,还需要对数据进行进一步的处理,作为辅助任务网络的输入(auxiliaryinput)。即需要制作地震波对的数据集,用于同源地震检测任务模块的训练;同源地震检测任务,即检测不同台站检测到的两个波形是否是同一个地震所引发;需要利用地震目录与每个台站中的候选检测点进行对比,判断候选检测点是否是地震初震时间,并将属于同一个地震的候选检测点分为一个组;之后制作用于同源检测的地震波对:将一个地震的波形窗口记为q,根据候选检测点的时间t和所处台站的位置s,计算位置S处的台站可能同时检测到的时间范围;若地震波的最小传播速度为v,则时间范围为:
dist表示计算两个位置之间的距离;位置S处的台站在此时间范围内的候选检测点视为候选同源地震,相应候选检测点所属的波形窗口与q组成地震波对。若其中两个地震波的检测点在一个组内,则将这个地震波对视为同源对,反之亦然。这样对每个地震波形窗口进行配对就得到了地震波对的数据集,可以用于同源地震检测任务训练时的输入数据。
如图2所示,顶部左右两个部分所示的波形数据即为预处理后的一对数据,这一对数据通过共享部分(即多尺度描述网络)后,提取到各自的特征,左侧数据的特征可直接用于地震检测任务,同时左侧数据的特征还输入至同源地震检测任务模块与右侧数据的特征相减后,用于同源地震检测任务。
四、网络训练。
由于本发明的网络较深,为了提高训练的效率和效果,防止过拟合,减轻反向传播中梯度消失的问题,训练时,对地震检测网络中的每一层卷积层与全连接层后都加入了批归一化,并在优化目标中加入了参数正则化,则地震检测任务的优化目标为:
其中,n是训练时输入至地震检测任务模块的数据批次的大小;第一部分是描述地震检测任务效果的损失函数,li∈{0,1}是输入波形是否是地震的标签,yi∈[0,1]是地震检测任务模块输出的地震检测结果,1代表是地震,0代表不是地震;第二部分中w代表地震检测网络中的待优化参数,这一部分即为参数正则化项,λ是调整参数正则化项效果强弱的系数。
同源地震检测任务模块的训练过程中是利用任务间的联系辅助优化地震检测任务模块的参数结构,则多任务学习框架的优化目标为:
其中,第一部分Lmain是地震检测任务的优化目标,第二部分是描述同源地震检测任务效果的损失函数,m是训练时输入至同源地震检测任务模块的数据批次的大小,是输入波形数据对是否是同源地震的标签,是同源地震检测任务模块输出的检测结果;第三部分是参数正则化项,其中的wh代表辅助任务网络的待优化参数;
在训练的过程中,使用小批量随机梯度下降算法来优化Lmulti和Lmain,使用动量优化器(momentum optimizer)反向传播优化参数。下面示例性的给出一些具体的训练参数:小批量的数值为8,学习率设置为0.02,每10000个小批量衰减为94%,参数正则化系数为0.001,卷积层参数初始化为(0,0.1)的正态分布,全连接层参数初始化为(0,0.01)的正态分布,在输出大小为128的全连接层设置丢弃率为0.6,避免过拟合。
训练完毕后,可以直接进行地震检测任务,此时不再需要同源地震检测任务(辅助任务),将待检测的波形数据预处理为波形窗口(可以按照前文介绍的方式进行预处理),从而通过训练好的多尺度描述网络与地震检测任务模块得到相应的地震检测结果。
通过以上的实施方式的描述,本领域的技术人员可以清楚地了解到上述实施例可以通过软件实现,也可以借助软件加必要的通用硬件平台的方式来实现。基于这样的理解,上述实施例的技术方案可以以软件产品的形式体现出来,该软件产品可以存储在一个非易失性存储介质(可以是CD-ROM,U盘,移动硬盘等)中,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行本发明各个实施例所述的方法。
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 (7)
1.一种利用卷积神经网络进行地震检测的方法,其特征在于,包括:
构建多尺度描述网络与多任务学习框架,所述多尺度描述网络,包含多个依次连接的多尺度描述单元,通过多尺度描述网络使得输入的数据变为多尺度混合特征;所述多任务学习框架包含地震检测任务模块与同源地震检测任务模块,两个模块的输入均为多尺度混合特征,各自完成地震检测任务与同源地震检测任务,其中同源地震检测任务作为辅助任务用来提升地震检测任务的检测精度;
利用已知是否是地震的波形数据去训练多尺度描述网络与多任务学习框架中的参数;当训练完毕后,将待检测的波形数据输入多尺度描述网络,并经过地震检测任务模块,获得地震检测结果。
2.根据权利要求1所述的一种利用卷积神经网络进行地震检测的方法,其特征在于,每一所述多尺度描述单元具有两个输入:记忆状态Si和特征状态Fi,Si用来储存多尺度描述的混合特征,Fi用来代表当前尺度的特征,下标i表示多尺度描述单元的序号;
当输入Fi后,先经过一个卷积层,得到更高尺度的特征,记为Fi c;
之后,Fi c会经过一个最大池化层输出Fi+1,作为下一个多尺度描述单元的一个输入;
同时,Fi c会与Si直接拼接起来为不同尺度描述的比较和混合做准备;Si与Fi c的通道数相同均为N,拼接过后,记为J,通道数转化为2N,再经过一个卷积层,其作用是使用多种方案对J的各个通道乘以一个系数进行加和,从而实现多层级特征Si和当前层级特征Fi c的比较和混合,使通道数降回N,并经过一个最大池化层输出多尺度混合特征Si+1,作为下一个多尺度描述单元的另一个输入;
所述多尺度描述网络入口处还设有一个卷积层,其输入为预处理后的波形数据,输出的特征作为第一个多尺度描述单元的两个输入:S1与F1。
3.根据权利要求1所述的一种利用卷积神经网络进行地震检测的方法,其特征在于,所述地震检测任务模块包含两个全连接层,输入的多尺度混合特征依次经过两个全连接层,后一个全连接层的输出经过第一softmax分类器输出地震检测的分类结果。
4.根据权利要求1所述的一种利用卷积神经网络进行地震检测的方法,其特征在于,所述同源地震检测任务模块包含一个相减操作层和两层全连接层;所述相减操作层的输入为波形数据对各自对应的多尺度混合特征,且每一个都与地震检测任务模块的输入相同;通过相减操作层将两个多尺度混合特征相减后送入全连接层,后一个全连接层的输出经过第二softmax分类器输出同源地震检测的分类结果。
5.根据权利要求2-4任一项所述的一种利用卷积神经网络进行地震检测的方法,其特征在于,该方法还包括:对已知是否是地震的波形数据进行预处理,其包括:
首先,进行波形数据的预处理:对地震传感器得到的原始数据,首先使用常规检测方法检测出候选检测点,然后根据候选检测点截取周围的波形窗口,获得一系列波形窗口,用于地震检测任务模块的训练;
同时,需要制作地震波对的数据集,用于同源地震检测任务模块的训练;同源地震检测任务,即检测不同台站检测到的两个波形是否是同一个地震所引发;需要利用地震目录与每个台站中的候选检测点进行对比,判断候选检测点是否是地震初震时间,并将属于同一个地震的候选检测点分为一个组;之后制作用于同源检测的地震波对:将一个地震的波形窗口记为q,根据候选检测点的时间t和所处台站的位置s,计算位置S处的台站可能同时检测到的时间范围;若地震波的最小传播速度为v,则时间范围为:
dist表示计算两个位置之间的距离;位置S处的台站在此时间范围内的候选检测点视为候选同源地震,相应候选检测点所属的波形窗口与q组成地震波对。
6.根据权利要求5所述的一种利用卷积神经网络进行地震检测的方法,其特征在于,
将基于多尺度描述网络的地震检测任务模块看作地震检测网络,将基于多尺度描述网络的同源地震检测任务模块看作辅助任务网络;
训练时,对地震检测网络中的每一层卷积层与全连接层后都加入了批归一化,并在优化目标中加入了参数正则化,则地震检测任务的优化目标为:
其中,n是训练时输入至地震检测任务模块的数据批次的大小;第一部分是描述地震检测任务效果的损失函数,li∈{0,1}是输入波形是否是地震的标签,yi∈[0,1]是地震检测任务模块输出的地震检测结果,1代表是地震,0代表不是地震;第二部分中w代表地震检测网络中的待优化参数,这一部分即为参数正则化项,λ是调整参数正则化项效果强弱的系数;
同源地震检测任务模块的训练过程中是利用任务间的联系辅助优化地震检测任务模块的参数结构,则多任务学习框架的优化目标为:
其中,第一部分Lmain是地震检测任务的优化目标,第二部分是描述同源地震检测任务效果的损失函数,m是训练时输入至同源地震检测任务模块的数据批次的大小,是输入波形数据对是否是同源地震的标签,是同源地震检测任务模块输出的检测结果;第三部分是参数正则化项,其中的wh代表辅助任务网络的待优化参数;
在训练的过程中,使用小批量随机梯度下降算法来优化Lmulti和Lmain,使用动量优化器反向传播优化参数。
7.根据权利要求5所述的一种利用卷积神经网络进行地震检测的方法,其特征在于,在训练完毕后,将待检测的波形数据预处理为波形窗口,从而通过训练好的多尺度描述网络与地震检测任务模块得到相应的地震检测结果。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910282719.1A CN110082822B (zh) | 2019-04-09 | 2019-04-09 | 利用卷积神经网络进行地震检测的方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910282719.1A CN110082822B (zh) | 2019-04-09 | 2019-04-09 | 利用卷积神经网络进行地震检测的方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110082822A true CN110082822A (zh) | 2019-08-02 |
CN110082822B CN110082822B (zh) | 2020-07-28 |
Family
ID=67414564
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910282719.1A Active CN110082822B (zh) | 2019-04-09 | 2019-04-09 | 利用卷积神经网络进行地震检测的方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110082822B (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110488351A (zh) * | 2019-08-15 | 2019-11-22 | 东北大学 | 基于机器学习的地震波震动性质识别方法 |
CN111562611A (zh) * | 2020-04-08 | 2020-08-21 | 山东大学 | 基于波动方程驱动的半监督深度学习地震数据反演方法 |
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 |
CN118052993A (zh) * | 2024-04-12 | 2024-05-17 | 山东省地震工程研究院 | 基于扫描电镜确定地震断层滑动面特征方法、***和设备 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101699317A (zh) * | 2009-11-09 | 2010-04-28 | 东南大学 | 利用地震参量进行短期地震预测的神经网络方法 |
CN106019359A (zh) * | 2016-05-17 | 2016-10-12 | 浪潮集团有限公司 | 一种基于神经网络的地震预测*** |
CN106154308A (zh) * | 2016-06-28 | 2016-11-23 | 合肥酷睿网络科技有限公司 | 一种基于网络的地震12月内短期预测方法 |
KR101919098B1 (ko) * | 2017-05-18 | 2018-11-16 | 전남대학교산학협력단 | 지진 감지 시스템 및 방법 |
CN109063687A (zh) * | 2018-08-29 | 2018-12-21 | 长江大学 | 一种基于深度卷积神经网络的微地震p波识别方法及*** |
CN109508654A (zh) * | 2018-10-26 | 2019-03-22 | 中国地质大学(武汉) | 融合多任务和多尺度卷积神经网络的人脸分析方法及*** |
-
2019
- 2019-04-09 CN CN201910282719.1A patent/CN110082822B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101699317A (zh) * | 2009-11-09 | 2010-04-28 | 东南大学 | 利用地震参量进行短期地震预测的神经网络方法 |
CN106019359A (zh) * | 2016-05-17 | 2016-10-12 | 浪潮集团有限公司 | 一种基于神经网络的地震预测*** |
CN106154308A (zh) * | 2016-06-28 | 2016-11-23 | 合肥酷睿网络科技有限公司 | 一种基于网络的地震12月内短期预测方法 |
KR101919098B1 (ko) * | 2017-05-18 | 2018-11-16 | 전남대학교산학협력단 | 지진 감지 시스템 및 방법 |
CN109063687A (zh) * | 2018-08-29 | 2018-12-21 | 长江大学 | 一种基于深度卷积神经网络的微地震p波识别方法及*** |
CN109508654A (zh) * | 2018-10-26 | 2019-03-22 | 中国地质大学(武汉) | 融合多任务和多尺度卷积神经网络的人脸分析方法及*** |
Non-Patent Citations (3)
Title |
---|
JIAHUI CHEN 等: "CONVOLUTIONAL NEURAL NETWORK USING MULTI-SCALE INFORMATION FOR STEREO MATCHING COST COMPUTATION", 《2016 IEEE INTERPRETATIONAL CONFERENCE ON IMAGE PROCESSING(ICIP2016)》 * |
VAN QUAN NGUYEN 等: "Real-time Earthquake Detection using Convolutional Neural Network and Social Data", 《2017 IEEE THIRD INTERNATIONAL CONFERENCE ON MULTIMEDIA BIG DATA》 * |
于子叶 等: "深度神经网络拾取地震P和S波到时", 《地球物理学报》 * |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110488351A (zh) * | 2019-08-15 | 2019-11-22 | 东北大学 | 基于机器学习的地震波震动性质识别方法 |
CN111562611A (zh) * | 2020-04-08 | 2020-08-21 | 山东大学 | 基于波动方程驱动的半监督深度学习地震数据反演方法 |
CN111562611B (zh) * | 2020-04-08 | 2021-07-06 | 山东大学 | 基于波动方程驱动的半监督深度学习地震数据反演方法 |
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 |
CN112230275B (zh) * | 2020-09-14 | 2024-01-26 | 河南省地震局 | 地震波形的识别方法、装置及电子设备 |
CN118052993A (zh) * | 2024-04-12 | 2024-05-17 | 山东省地震工程研究院 | 基于扫描电镜确定地震断层滑动面特征方法、***和设备 |
CN118052993B (zh) * | 2024-04-12 | 2024-06-18 | 山东省地震工程研究院 | 基于扫描电镜确定地震断层滑动面特征方法、***和设备 |
Also Published As
Publication number | Publication date |
---|---|
CN110082822B (zh) | 2020-07-28 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110082822A (zh) | 利用卷积神经网络进行地震检测的方法 | |
Ross et al. | P wave arrival picking and first‐motion polarity determination with deep learning | |
Schäfer et al. | Detection of gravitational-wave signals from binary neutron star mergers using machine learning | |
CN106372402B (zh) | 一种大数据环境下模糊区域卷积神经网络的并行化方法 | |
Beheshtipour et al. | Deep learning for clustering of continuous gravitational wave candidates | |
CN109858509A (zh) | 基于多层随机神经网络单分类器异常检测方法 | |
Zhu et al. | An end‐to‐end earthquake detection method for joint phase picking and association using deep learning | |
CN103544544B (zh) | 一种能源消耗预测方法及装置 | |
CN109242041A (zh) | 一种电能表异常数据检测方法、装置、设备及存储介质 | |
CN110473592A (zh) | 基于图卷积网络的有监督的多视角人类协同致死基因预测方法 | |
CN109975273A (zh) | 一种基于激光诱导击穿光谱的岩石分类方法 | |
CN104881689A (zh) | 一种多标签主动学习分类方法及*** | |
CN109872311A (zh) | 一种岩体完整性判识方法 | |
CN109376763A (zh) | 基于多样本推理神经网络的样本分类方法、***及介质 | |
CN113359212B (zh) | 一种基于深度学习的储层特征预测方法及模型 | |
CN116665067B (zh) | 基于图神经网络的找矿靶区优选***及其方法 | |
CN109376787A (zh) | 流形学习网络及基于其的计算机视觉图像集分类方法 | |
CN109492022A (zh) | 基于语义的改进的k-means算法的搜索方法 | |
Gulzar et al. | Human activity analysis using machine learning classification techniques | |
CN109408574A (zh) | 基于文本挖掘技术的投诉责任认定*** | |
CN107316050A (zh) | 基于柯西损失函数的子空间自表达模型聚类方法 | |
Iess et al. | LSTM and CNN application for core-collapse supernova search in gravitational wave real data | |
McIsaac et al. | Using machine learning to autotune chi-squared tests for gravitational wave searches | |
Li et al. | Automatic arrival-time picking of P-and S-waves of microseismic events based on object detection and CNN | |
Zhang et al. | Aftershock detection with multi-scale description based 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 |