共查询到20条相似文献，搜索用时 31 毫秒
1.
《地震地质》2021,43(3)
为实现天然地震与爆破、塌陷事件类型的快速高效识别,文中应用深度学习技术中的卷积神经网络模型,设计了基于单个事件单个台站波形记录的深度学习训练模块和基于单个事件多个台站波形记录的实时测试模块。以每个事件P波到时最早的5个台站记录到的原始三分向波形为输入,分别采用目前主流的Alex Net、VGG16、VGG19、Goog Le Net 4种卷积神经网络结构进行学习训练,结果显示各类卷积神经网络结构对训练集与测试集的识别准确率均达93%以上,且各个网络在训练过程中的训练集与测试集的准确率及代价函数的走势曲线基本一致。其中,Alex Net网络结构的识别准确率最高,测试集为98.51%,且未发生过拟合现象; VGG16、VGG19网络结构的准确率次之;Goog Le Net网络结构的识别准确率相对较低。为检验深度学习卷积神经网络在数字地震台网实时运行过程中的事件判别效能,选取训练好的Alex Net卷积神经网络开展基于单个事件多个台站波形记录的事件类型判定检验。最终结果显示,在山东台网实时触发的110个M≥0.7事件中,共有89个事件的类型被准确识别,准确率约为80.9%。具体到各个类型事件中,天然地震的准确率约为74.6%;爆破的准确率约为90.9%;塌陷事件的准确率为100%。若删除其中由于波形失真而造成的类型识别错误事件,则天然地震的识别准确率将提高至91.4%,而所有事件的整体识别准确率也将由80.9%提高至91.7%,与目前地震台网日常工作中人工判定的识别准确率基本相当。这表明,深度学习技术可以快速高效地实现天然地震与爆破、塌陷的事件类型识别。 相似文献
2.
3.
本文首先从震源波形中提取梅尔频率倒谱系数(MFCC)图,然后采用卷积神经网络(CNN)进行地震波形信号的震源类型—天然地震和爆破事件—分类识别.事件为首都圈及其附近的72个天然地震和101个人工爆破事件,用于提取梅尔频率倒谱系数图的波形信号为各观测台站波形3分量中的垂直分量波形.在各个事件的所有观测台站的垂直分量波形中,通过滑动窗口按同一准则去除被噪声淹没的部分台站波形,只选择留下未被噪声淹没的台站波形.每一个事件有107个观测台站,故有107份垂直分量波形,而不同事件被留下未被噪声淹没的波形则有几份至几十份不等.然后提取被留下未被噪声淹没的波形的梅尔频率倒谱系数图,以梅尔频率倒谱系数图作为CNN的输入,CNN的输出则为波形的震源类型(天然地震事件或爆破事件).若以单份波形为识别单元,采用五折交叉验证法进行测试,得到的平均准确率为95.78%.使用训练集中单份波形为识别单元,提取梅尔频率倒谱系数图,采用CNN训练出了天然地震事件与爆破事件波形分类器,一个事件在测试集中的多份波形信号通常不会都被正确识别,很可能有些波形被识别为天然地震事件,另一些波形被识别为爆破事件;这时,若识别单元改为事件,一个事件各台站的有效垂直分量波形中,超过一半的波形被识别为某一事件类型,则这个事件被归类为该事件类型,得到的正确识别率为97.1%.实验结果表明:卷积神经网络在天然地震事件与爆破事件的识别方面表现出色.这说明MFCC与卷积神经网络可以用于识别天然地震和爆破事件,尤其是深度学习更值得在地震信号处理方面做进一步的研究. 相似文献
4.
简要介绍当前国内外关于天然地震与爆破、塌陷等非天然地震特征研究及事件类型识别的进展。对各类事件的定义及主要波形特征进行简要综述,重点介绍了事件类型判定的各类识别方法。与自然界天然地震不同,非天然地震由人工干预或人类活动间接引发。爆破是炸药在爆炸瞬间能量迅速释放,部分能量以地震波形式向外传播,引起地表振动而产生破坏效应的一种地震;塌陷是由于岩层崩塌陷落而形成的地震。虽然在地震台网记录到的天然地震与爆破、塌陷的波形存在一定的共性特征,但由于震源类型、波的传播路径、震源深度等不同,各类事件的波形记录在P波初动、P波与S波最大振幅比、持续时间、震相、短周期面波发育情况、发震时刻、空间位置分布以及频谱特征等方面差异明显。目前主要有两类方法来识别地震与爆破、塌陷等非天然事件。一类为直接基于波形在信号、数据方面的特征,通过定性分析来进行事件类型判定,如波形时频分析对比法、小波变换、相关系数等;另一类为统计学领域诸如模式识别等算法,利用统计算法综合考虑多个事件特征判据的定量判定阀值来实现地震与爆破、塌陷事件类型的识别,如最小距离法、改进的连续亨明方法、Fisher方法、逐步代价最小决策法、支持向量机、前馈神经网络等。两类方法本质上均为提取有效特征判据,即对数据进行降维使用,未将事件记录的全部信息用于事件判定。因此,有必要使用一种可从全部事件记录中自动提取各类信息并可组合底层特征的算法来对各类事件进行判断识别。 相似文献
5.
山西运城振动事件S变换时频分析 总被引：1，自引：1，他引：0
基于S变换,对2005年以来山西南部运城及其附近地区的振动事件波形进行时频分析,并与山西南部地区的天然地震、爆破和塌陷地震波谱特征进行对比分析。结果表明：天然地震一般S波携带能量较大,衰减较慢,震相高低频成分呈现均匀分布;一般近台记录的人工爆破P波比S波发育,能量衰减较快,震相急促短暂;塌陷地震波列能量随时间和频率的展布相对集中,一般分布在频率较低区域;振动事件震相简单,被不同台站记录的波形能量优势分布及频率分布范围差异较大,衰减特征不明显。据此,基本可以排除山西南部及附近区域的振动事件为天然地震、爆破和塌陷事件的可能。 相似文献
6.
为加强对地震台网记录的天然地震与人工爆破事件进行准确的性质识别,本文基于深度学习技术中的残差网络模型,提出了一种新的爆破识别方法,并根据北京数字遥测地震台网及国家数字测震台网中心记录的波形数据及其发布的包含事件性质的地震报告,选取河北三河采石场的93次爆破事件和54次周边地震事件的波形功率谱,分别采用不同的训练样本比例进行了100次和1 000次独立的随机抽样子试验以及 “留一交叉验证法” 试验,对人工爆破与天然地震进行了识别研究。试验结果表明,深度学习残差网络模型在天然地震与爆破事件的性质识别中具有很高的识别率且效果稳定,具有较好的应用前景。 相似文献
7.
山西数字地震台网记录波形特征分析 总被引：1，自引：0，他引：1
《山西地震》2015,(4)
整理山西测震台网记录到的波形资料,对天然地震、爆破和塌陷3类事件的记录波形进行对比分析,找出各类波形的特征,为今后快速、准确分析地震事件提供参考依据。 相似文献
8.
《地震学报》2010,(3)
研究了如何从天然地震和人工爆破事件的波形记录中提取出有效、适用的波形特征,以用于对爆破事件的识别.首先对波形记录进行了4层小波包变换;然后对变换得到的最后一层小波包系数提取3种波形特征:能量比特征、香农熵特征及对数能量熵特征;最后利用v-SVC支持向量分类机对这3种特征的分类能力进行了外推检验.通过选用不同地区、不同台站、不同震级的天然地震与人工爆破的波形记录,力求提取的特征量能尽可能地反映天然地震与人工爆破波形的本质区别,尽量弱化震中距、震级等因素对识别效果的影响.结果表明,上述3种特征中以香农熵特征的识别效果最好,能反映天然地震与人工爆破的本质区别,可作为识别天然地震与人工爆破的一个有效判据. 相似文献
9.
利用天然地震震源和人工爆破震源之间信号能量分布的差异,结合RBF神经网络技术,对2类事件进行分类,具体步骤如下:使用8个带通滤波器对事件波形进行滤波,并划分为4个波形段:P波、P波尾波、S波和S波尾波,分别计算每个滤波器信道和波形段的能量特征值,以所得32个特征参数作为输入向量,利用RBF神经网络,对地震和爆破事件进行分类识别。结果表明,基于RBF神经网络的地震事件识别方法,识别率为88.1%,具有较高的准确性,可作为地震与爆破事件识别的一个重要依据。 相似文献
10.
地震台网记录的人工爆破事件波形特征与天然地震有相似之处,如果不能及时的予以识别和筛选,会混淆依此记录所建立的地震目录,影响日后地震学的研究工作.因此连续地震信号中的天然地震和人工爆破的识别分离有助于破坏性构造地震的监测预警.同时,随着地震仪的大规模部署以及建设行业活动的持续增强,记录的爆破事件增多,增大了识别的难度和工作强度.为了解决人工识别天然地震与爆破存在的问题,本研究基于卷积神经网络,设计了一个具有13层深度的网络模型(CNN-Epq13),选用福建数字地震台网历史地震记录和人工爆破记录,利用TensorFlow深度学习框架,采用TFrecord文件形式作为训练集,训练得出事件类别识别模型.此模型在训练中识别准确率为98.438％,损失为0.0646.用新的数据进行测试,模型能准确识别事件类别,区分天然地震和人工爆破,可以进一步在日常工作中进行应用. 相似文献
11.
12.
研究了如何从天然地震和人工爆破事件的波形记录中提取出有效、适用的波形特征,以用于对爆破事件的识别．首先对波形记录进行了4层小波包变换;然后对变换得到的最后一层小波包系数提取3种波形特征:能量比特征、香农熵特征及对数能量熵特征;最后利用upsilon;-SVC支持向量分类机对这3种特征的分类能力进行了外推检验．通过选用不同地区、不同台站、不同震级的天然地震与人工爆破的波形记录,力求提取的特征量能尽可能地反映天然地震与人工爆破波形的本质区别,尽量弱化震中距、震级等因素对识别效果的影响．结果表明,上述３种特征中以香农熵特征的识别效果最好,能反映天然地震与人工爆破的本质区别,可作为识别天然地震与人工爆破的一个有效判据． 相似文献
13.
地震信号分类——即信号震源类型的分类,尤其是天然地震和人工爆破的分类对于地震目录的清洗和强震实时预警等具有重要意义.本文首先对原始波形信号进行必要的预处理,然后对预处理后的信号进行分帧加窗,对窗内信号采用短时傅里叶变换,将原始波形信号从时域转换成时频域信号,生成时频谱图,每条波形生成一个时频图像;经过反复多次试验比较,将原尺寸时频谱图统一缩放为32×32像素大小的灰度图像,该灰度图像作为卷积神经网络(CNN)的输入,此时的分类效果和计算效率最优.采用以上方法对2010年至2016年发生在河北三河和北京通州等地区,震级为1.5 ～2.8级之间的54个天然地震事件的1674条波形和63个人工爆破事件的1509条波形,采用五折交叉验证法进行分类,得到的平均准确率为97.39％,与传统的支持向量机(SVM)方法和多层感知器(MLP)方法对比,分类准确率有大幅提升,与使用梅尔倒谱系数(MFCC)构建的CNN分类器方法对比,本文方法信噪比更低,分类准确率提高约1.5％.实验结果表明,采用短时傅里叶变换提取地震信号时频域特征,生成时频谱图,使用卷积神经网络对地震信号进行分类具有良好的分类效果. 相似文献
14.
王军 《地震地磁观测与研究》2018,39(3):181-188
为研究天然地震事件和爆破事件识别算法,对上海测震台网记录的上海周边区域天然构造地震和爆破事件记录进行小波包分解,并提取特征向量,提出用支持向量机（SVM）识别天然构造地震和人工爆破的算法。结果表明,基于SVM算法的向量识别分类方法,在天然地震和爆破识别中是可用的,准确率预计达85%以上。 相似文献
15.
16.
山西地区爆破、塌陷(矿震)特殊地震动特征识别 总被引：4，自引：4，他引：0
对2004—2012年山西地震台网记录的山西地区ML≥2.5爆破、塌陷以及天然地震波形进行对比分析,结果显示:与天然地震相比,爆破、塌陷具有相对独特的震相特征,尤其是近距离的爆破、塌陷易于识别;远距离的则难以区分。在此基础上,对3种地震动波形进行频谱分析,结果显示:塌陷的优势频率较低,集中在1—3 Hz;爆破的优势频率较高,集中在1—6 Hz;地震的优势频率较宽,集中在0—20 Hz,为进一步甄别爆破、塌陷、天然地震提供了新的识别方法。 相似文献
17.
基于经验模态分解的地震波特征提取的研究 总被引：2，自引：0，他引：2
本文原始数据为35个天然地震和27个人工爆破事件的离震中最近的5个台站的垂直分量波形数据.从原始波形数据分别提取最大振幅对应的周期、倒谱的方差、自相关函数的最大值3个特征.依据希尔伯特黄变换原理,用经验模态分解方法把原始波形信号分解为10个左右的本征模态函数分量后,再从每个分量中分别提取这3个特征.接着对所获取的特征样本集合采用随机划分法分为学习样本集与检验样本集,然后再通过支持向量机进行分类识别,如此反复进行多次样本划分和分类识别.结果表明经验模态分解后的分量信号提取的这3个特征具有更高的识别率,说明了经验模态分解有利于识别天然地震和人工爆破事件,值得进一步深入研究. 相似文献
18.
选取甘肃省测震台网测定的甘肃平凉地区塌陷地震、甘东南地区天然地震各50个,同地区的30个地震事件为待测事件。采用近年来计算机领域里较先进的图像识别方法——卷积神经网络识别两种地震事件类型,设定波形通道总数的80%为地震事件分类阈值,超过分类阈值的设定为“0”或“1”,即可判定该待测事件为对应的事件类型。将地震事件作为原始图像,提取图像中最具代表性特征点;接着提取图像特征进入池化层,池化层会对该图像特征点进行归类压缩,提取最具代表性的图像特征,最后输出识别图像。结果表明:塌陷地震最终分类准确识别率为86.7%,天然地震准确识别率为93.3%,总识别率为90%,为今后平凉地区塌陷地震事件类别识别工作提供了可靠的参考价值。 相似文献
19.
20.
舟山地震台周围海域常进行人工爆破试验,其波形与天然地震(以下简称地震)相似,不易区别,给分析带来困难。经台站一年多的记录,积累了不少资料,通过对这些资料的整理、分析,初步认为海上爆破记录有如下特征。 相似文献