共查询到20条相似文献，搜索用时 46 毫秒
1.
随着世界上多个国家和地区的地震预警系统投入运行，误报和漏报等问题逐渐突显，特别是将标定以及强干扰波形误识别为大震事件，快速、精确地区分地震与其他波形是一个难题。针对于此，该研究提出了基于卷积神经网络地震波形智能识别方法。首先收集并处理了2012—2017年中国境内福建以及周边邻省共683个地震和478个爆破事件，并对这些样本筛选、截取和基线校正等预处理，共得到了27 500条三通道波形。在此基础上，构建了3 s波形输入的卷积神经网络模型(SW-CNN)。结果表明：模型对地震、噪声、爆破和异常波形的识别率分别为97.9、99、99.2和99.3%。相比于人工手动分类识别，该模型更省时和更稳定，为地震预警目前所面临的问题提供了一个新的解决方法。 相似文献
2.
《国际地震动态》2016,(3)
地震事件有突发性、概率低、预测难、破坏大等特点。随着强震动台网的密度和实时传输能力的提高,以强震动观测为基础的地震预警成为重要的防震减灾手段,近年来,在全球发展迅速。本文开展了地震预警系统中的强震动数据处理技术研究,主要完成的研究工作有:(1)利用强震仪自噪声识别方法给出仪器自噪声指标,与在安静基岩上直接记录的自噪声对比,结果表明,在普通环境下用该方法可以得到可靠的强震仪自噪声,可用于判别仪器是否适合预警监测。基线偏置对地震预警系统有严重影响,可以通过基线平移消除。对基线平移后的测试数据分析,发现地表倾斜和迟滞损失是引起基线漂移的重要原因。(2)针对环境噪声易造成系统误触发的情况,研究了用于地震预警系统的单台站抗干扰误触发算法。提取强震动记录和干扰记录触发事件后3s内数据的多个特征值,用于建立地震与干扰两类数据的判别准则。提出使用决策树判别干扰事件的方法,即利用强震动记录和干扰记录的特征值对决策树进行训练,训练后的决策树可以较好地区分地震事件和干扰事件。针对高速铁路地震监测预警系统中的每个台站都配置了两个传感器的情况,提出了利用单台站内两测点相关性进一步剔除干扰方法。将本文方法布设到了高速铁路沿线长期运行,其误报率为0%,同时对地震事件很灵敏。(3)针对一个台站只有一个传感器的情况,对比IIR低通滤波法和小波分析法在本文中的降噪效果;针对高速铁路地震监测预警系统中观测数据的降噪问题,提出利用高速铁路强震观测台站的双传感器配置和独立成分分析法,消除高速铁路行车振动噪声,比滤波法的效果更好。(4)研究地震预警中的地震定位和震级估算方法。综合利用方位角、震相到时、断层位置和地震活动信息,提出合成权重地震定位方法。结果表明,此综合方法提高了地震预警系统的时效性和准确性,但是,计算量大,由此提出,利用多目标寻优方法提高地震定位计算效率。对比3种典型的多目标寻优算法,确定了DEMO算法在本文中具有最快的速度和准确性。采用较多参数的人工神经网络降低震级估计误差,并且使用了大量的KiK-net井下强震动记录统计估计误差,结果表明,误差较小且在已知震中距的情况下,震级估计误差更小,能满足地震预警的需求。(5)针对地震预警自身特点和实际应用条件,给出了预警系统的构架、系统开发流程和关键技术以及系统测试方法等。介绍了本文研究成果和实现技术在我国高速铁路地震监测预警试验系统建设中的应用。 相似文献
3.
《世界地震译丛》2020,(2)
地震震源位置和震源机制解的确定需要精确的P波到时和初动极性信息。由于这些参数的自动化算法的精度比人工识别的要低,因而在处理大数据时是存在一定问题的。本文通过训练卷积神经网络来获取P波到时和初动极性信息,该方法直接对波形记录进行学习,而不是特征提取。我们利用南加州地区1 820万条手动拾取的波形记录,来训练卷积神经网络。1 200万条无关联波形记录的交叉验证显示,自动与人工拾取之间的差异的标准差为0.023s。以人工识别的初动极性做参考,分类器拾取的精度为95%。同时,在不影响质量的前提下,与人工识别相比,分类器拾取的极性数量更多,从而获得的震源机制解数量几乎翻倍。经过训练的卷积神经网络具有很好的精度,这表明它们可以与地震专家一样好,甚至更好。 相似文献
4.
高效的波至拾取在微震和地震数据处理及成像过程中起到重要作用。广泛使用的基于波至拾取算法的短期平均和长期平均比(STA/LTA),对中强度随机环境噪声的敏感程度较低。为了使最先进的波至拾取方法奏效,首先需要对微震数据进行预处理,例如,消除足量的噪声,再由波至拾取法进行分析。为了解决微震或地震事件波至拾取的噪声问题,利用机器学习技术帮助识别微震或地震数据中的地震波形。由于受监督机器学习算法对大量设计好的训练数据具有依赖性,本文利用无监督机器学习算法将时间样本分为两组,即波形点和非波形点。已证明模糊聚类算法可以运用于微震拾取。一组复杂程度不同的合成、真实微震和地震数据集表明,即使在中强背景噪声情况下,该方法在拾取微震事件方面比最先进的STA/LTA方法表现得更稳健。 相似文献
5.
深层超深层叠前地震子波的准确提取可有效提高全波形反演及叠前偏移成像等方法的准确性,对储层预测和油气分析具有重要意义.针对塔里木低信噪比叠前地震记录,本文提出一种基于生成对抗网络(GAN)的塔里木深层超深层叠前地震子波提取方法.结合柯东地区地质构造特点及噪声特性,采用有限差分法正演叠前地震记录,构建了塔里木柯东地区叠前地震记录及对应子波的训练样本集,利用地震子波、反射系数及噪声特征的区别训练生成对抗网络,实现了从叠前地震记录中有效分离地震子波.合成数据和实际地震资料处理结果表明,本文所提方法对塔里木深层超深层叠前地震子波提取具有有效性和较高的准确性,较传统方法更具优越性. 相似文献
6.
地震震相拾取是地震数据自动处理的首要环节,包括了信号检测、到时估计和震相识别等过程,震相拾取的准确性直接影响到后续事件关联处理的性能,影响观测报告的质量.为了提高震相拾取的准确性,进而提高观测报告质量,本文采用深度卷积神经网络方法来解决震相拾取问题,构建了多任务卷积神经网络模型,设计了分类和回归的联合损失函数,定义了基于加权的分类损失函数,以三分量地震台站的波形数据作为输入,同时实现对震相的检测识别和到时的精确估计.利用美国南加州地震台网的200万条震相和噪声数据对模型进行训练、验证和测试,对于测试集中直达波P、S震相识别的查全率达到98%以上,到时估计的标准偏差分别为0.067s,0.082s.利用迁移学习和数据增强,将模型用于对我国东北地区台网的6个台站13000条数据的训练、验证和测试中,对该数据集P、S震相查全率分别达到91.21%、85.65%.基于迁移训练后的模型,设计了用于连续数据的震相拾取方法,利用连续的地震数据对该算法进行了实际应用测试,并与国家数据中心和中国地震局的观测报告进行比对,该方法的震相检测识别率平均可达84.5%,验证了该方法在实际应用中的有效性.本文所提出的方法展示了深度神经网络在地震震相拾取中的优异性能,为地震震相和事件的检测识别提供了新的思路. 相似文献
7.
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
8.
在地震观测中，地震数据中普遍包含有噪声信号。由于噪声信号的干扰，地震分析的效率会受到不同程度的影响。传统的去噪方法通常需要噪声的先验知识，并且滤波时会造成部分有效信号丢失。针对这一问题，本文提出一种将自适应噪声完全集合经验模态分解（CEEMDAN）算法与Hurst指数相结合的地震数据去噪方法。首先通过CEEMDAN方法将信号分解为一系列本征模函数（IMF），然后利用Hurst指数对滤波后的IMF分量进行识别，最后对地震数据IMF分量进行重构，从而实现数据去噪。与传统方法的去噪效果对比表明，本文方法可将低信噪比波形的去噪效果提高32%，将高信噪比波形的去噪效果提高6倍。同时对地磁数据的去噪结果表明，本文方法能够较完整地将地铁噪声从地磁信号波形中滤除。 相似文献
9.
烈度是地震预警系统的关键产出.如何实现快速预测目标场址的地震烈度是地震预警方法技术研究中的核心问题.本文提出了一种基于长短时记忆神经网络(Long Short-Term Memory, LSTM)的单台仪器地震烈度的预测模型(LSTM-I).该模型以一个台站观测到地震动参数的时间序列特征为输入,实现动态预测该台站可能遭受的最大烈度.选取了日本K-NET台网记录的102次地震的5103条强震加速度记录训练了神经网络,利用89次地震的3781条数据检验了模型的泛化能力.利用准确率、漏报率以及误报率三个评价指标评价了LSTM-I模型的性能.结果表明,当采用P波触发后3 s的序列进行预测时,模型出现漏报的概率为46.78%,出现误报的概率为1.25%;当采用P波触发后10 s的序列进行预测时,模型出现漏报的概率大幅降低到17.6%,出现误报的概率降低到1.14%.结果表明LSTM-I模型很好把握住了时间序列中蕴含的特征.进一步基于LSTM-I模型评估了VI度下台站所能提供的预警时间.本文模型能够提供的预警时间与P-S波到时差接近,说明LSTM-I模型具有较高的时效性. 相似文献
10.
使用基于伴随方法的反演策略,研制出了南加州地壳的三维地震模型。该模型涉及到16次层析成像迭代,需要6800次波场模拟和总计80万个中心处理单位小时。与南加州地震中心给出的最初三维模型比较,该新的地壳模型揭示了更强的非均匀性,包括±30%的局部变化。模型说明了诸如沉积盆地和横跨断层的构造反差的浅部特征。也揭示了深部的地壳特征,从而帮助重建诸如俯冲捕获洋壳碎块的南加州构造。新模型有助于对地震危险性做出更实际而准确的评估。 相似文献
11.
小波阈值方法中硬、软阈值方法是地震信号降噪常用方法，但容易造成信号中高频信息丢失导致地震误判和漏判情况发生。小波综合阈值方法继承和发展了硬、软阈值降噪方法的优点，对信号高频部分用硬阈值方法，以提高高频信号能量，对信号低频部分用软阈值方法，提高信号降噪能力的同时保证信号连续性和光滑性。利用噪声信号小波系数小和地震信号小波系数大的特征，进行雷克子波降噪仿真实验和实际地震信号降噪实验。仿真实验表明，小波综合阈值方法降噪后波形MSE值最小，且降噪后与原信号波形最近似，降噪后波形高频部分能量增强且抑制低频部分能量。最后，对实际采集的地震信号进行降噪处理，处理后信号中能量增强被压制，利用处理后的信号可得到地震的初至时间。 相似文献
12.
地震台站台基噪声功率谱概率密度函数Matlab实现 总被引：3，自引：3，他引：0
选取2015年四川数字测震台网中筠连和华蓥山地震台记录的垂直分向连续波形数据，利用Matlab软件，计算地震台站台基噪声功率谱概率密度函数，分析地震台站环境噪声特征。结果表明，台站环境噪声功率谱密度概率密度分布对地震事件波形（体波、面波）、人为噪声（台站周围人为活动、车辆及机器噪声等高频干扰）、系统瞬变（数据丢失、地震计小故障）以及仪器标定信号等反映较好。使用台基噪声功率谱概率密度函数方法，有利于监测地震台站数据记录，提高观测数据质量。 相似文献
13.
地震预警系统正在成为适用于实时地震风险管理的一个工具。事实上,由于地震预警系统是在短时间内减轻地震风险的有效方法,因此在全球许多国家已经实施或正在进行试验。地震预警系统是以利用震后地震信号初始部分测量的一些参数之间的关系为基础的。本文我们介绍了在西西里岛东部为实施地震预警系统的初步探索,该地区遭受了几次破坏性地震的袭击。使用意大利国家地球物理和火山研究所的宽频带台站记录的M_L≥2.8的地震数据,我们估算了P波和S波的初至波的峰值地动位移Pd,地面运动周期τ_c和峰值地动速度(PGV)。我们发现P_d与地震的大小有关,可以用来为该地区的地震预警系统估算震级。我们还推导了τ_c和ML之间以及P_d和PGV之间的关系,这些关系可以用于给定台站周围的现场预警,并评估潜在的破坏性影响,这些关系可能对未来在该地区实施地震预警系统有实际的参考意义。 相似文献
14.
本文以提高地震数据的成像质量为目标,提出一种智能的卷积神经网络降噪框架,从带有噪声的地震数据中自适应地学习地震信号。为了加速网络训练和避免训练时出现梯度消失现象,我们在网络中加入残差学习和批标准化的方法,并采用了ReLU激活函数和Adam优化算法优化网络。此外,Marmousi和F3数据集被用来对网络进行训练和测试,经过充分训练的网络不仅能在学习中保留地震数据特征,而且能去除随机噪声。首先充分地训练网络,从中提取出随机噪声,并保留学习到的地震数据特征,之后通过重建地震数据估算测试集中的波形特征。合成记录和实际数据的处理结果显示了深度卷积神经网络在随机噪声压制任务中的潜力,并通过实验验证表明了深度卷积神经网络框架有很好的去噪效果。 相似文献
15.
BP神经网络和支持向量机(SVM)是两种主流的分类识别方法,用于天然地震和人工爆炸事件波形信号分类识别时取得了较好的效果。但BP神经网络存在易陷入局部最优及隐层数和隐层节点数与训练样本数据密切相关而无法有效预先确定;而支持向量机(SVM)方法则缺乏有效手段来选取合适的核函数,从中不能很好地扩展到多分类。针对天然地震和人工爆炸事件波形信号的分类识别问题,文中将上述两种方法和集成学习——BP-Adaboost方法进行了对比实验研究。据对所选用的地震、爆炸事件波形信号数据集的分类识别结果表明,BP-Adaboost方法得到了98%以上的正确识别率,并且具有较好的泛化能力。相较于BP神经网络和PCA-SVM方法,BP-Adaboost方法对于数据集的划分和识别结果具有更好的鲁棒性,应用于天然地震和人工爆炸事件波形信号分类识别时,可取得更好的识别效果。同时,结合Adaboost方法的原理,阐述了BP-Adaboost方法拥有更好分类结果和泛化能力的原因。 相似文献
16.
《应用地球物理》2016,(1)
地震数据中的面波是严重降低地震资料信噪比的干扰波,它的存在影响了后续地震资料的处理与解释。本文根据地震记录中面波与反射波信号形态结构的差异,采用基于二维字典形态成分分析方法对面波噪声与反射波进行分离。根据面波信号的低频、低视速度和频散的特性,选择二维非抽样离散小波变换作为面波的稀疏表示字典,根据反射波局部相关性较强的特点,选择二维局部离散余弦变换作为反射波的稀疏表示字典,构建地震记录在联合二维字典下的稀疏表示模型并采用块协调松弛算法进行求解,将地震记录分解为反射波部分和面波部分。对合成地震信号以及实际地震资料的处理结果表明本文方法不仅能有效压制强能量的面波干扰,而且还能很好保护反射波信号的波形。 相似文献
17.
为了快速、高效地从地震数据中识别地震事件和拾取震相，本文利用基于样本增强的卷积神经网络自动震相拾取方法，将西藏林芝地区L0230台站3个月数据作为训练集，该区内另外6个台站连续1个月的波形数据作为测试集，采用高斯噪声、随机噪声拼接、随机挑选噪声、随机截取地震事件等4种样本增强的方法扩增训练集，以提高自动震相拾取技术的准确率。结果显示:样本增强前模型在测试集上的地震事件识别准确率为80%，样本增强后提升至97%，表明样本增强有效地提高了模型的泛化性能和抗干扰能力；在0.5 s误差范围内，震相自动拾取准确率高于81%，在1.0 s误差范围内，准确率高于95%；利用基于样本增强的卷积神经网络震相拾取方法能够检测出人工拾取震相中误标和漏检的震相。 相似文献
18.
宁夏回族自治区数字化测震台网由14个数字化测震台站构成,其中宁夏灵武和宁夏陶乐为井下式数字化测震台站。宁夏陶乐数字化观测井此前使用JDF-2型号地震计,但由于仪器老化导致记录波形失真,经研究决定,于2018年12月底将宁夏陶乐观测井的地震计及数据采集器更换为井下短周期GL-S2B型号地震计、EDAS-24GN型号数采。在北京港震仪器设备有限公司技术人员的配合下,宁夏测震台网工作人员对更换后的井下短周期GL-S2B型号地震计、EDAS-24GN型号数据采集器进行了方位角校正、阶跃标定、正弦标定、台基噪声功率谱密度测试等参数测定,各项测定结果均符合井下地震计及数采的安装规范,且记录波形良好。 相似文献
19.
近期的研究结果表明,利用地震P波最初几秒数据测量得到的平均"优势周期"τp,提供了对震级的快速近似估计,该方法能用于地震早期预警系统。尽管以往的研究说明了这种方法的经验价值,本文中我们仍将检测优势周期估计值的理论特性。我们指出,这种估计值是频谱振幅和周期的非线性函数,对大振幅和高频成分赋予了更大的权重。我们的结果还显示,通过递推关系计算得到的、与时间相关的τp最大值估计,在每次单独的测量中都存在固有的误差。在震级的优势周期估计中,尽管一些观测到的变化似乎是缘于局部场地效应,但本文结果表明,估计值的非理想特性也增加了结果的噪声。针对地震早期预警系统潜在的重要性,我们建议应对震级测定所依赖的初始P波数据的频谱特性进行更详细的分析,例如利用多锥形谱或小波方法,有助于设计更好的方法以实现系统性能的进一步优化。 相似文献
20.
通过研究，旨在提出一种迁移学习方法，以应对机器学习在缺乏历史滑坡点数据的大区域很难取得良好的评估效果的挑战。首先，通过结合10个影响因子利用随机森林算法对2013年芦山7.0级地震极震区进行预训练，得到高精度的预训练模型。随后，采用直推式迁移学习方法进行初始迁移，并利用“半监督”评估方式补充青藏高原东北缘地区的标签数值点。最后，利用归纳式迁移学习进一步训练预训练模型，得到在青藏高原东北缘地区评估更准确的地震诱发滑坡易发性评估图。此外，使用Kullback-Leibler散度计算迁移前后区域影响因子数据的相似性，并对2022年泸定6.8级地震极震区进行评估应用，验证基于迁移学习的青藏高原东北缘地震诱发滑坡易发性评估模型的准确性。研究结果可为该区域地震诱发滑坡灾害预防提供一定的参考。 相似文献