[发明专利]基于卷积神经网络的地震波识别算法

说明书

本发明公开一种基于卷积神经网络的图像识别和特征提取方法，主要包括如下步骤：挑选足够数量能够支持网络训练的地震与非地震的数据；对数据进行去噪、起点处截取等相关预处理确保数据的可用性；根据需求搭建卷积神经网络，在调试以及测试的过程中再根据需要和效果不断调整层数和一些重要参数；采取dropout，Batch Normalization等一些防止过拟合的手段；将地震数据以三分量三通道的形式传送到网络中，进行不断的训练与调试，进行多番训练后用网络模型进行测试，根据结果调整训练数据的组成比例、迭代次数以及数据量的大小；通过此方法我们可以达到97.17％的准确率对地震波进行识别。

技术领域

本发明属于深度学习领域。针对自然地震与非自然地震区分以及识别问题，提出了一种基于卷积神经网络的模型，通过不断优化网络，使该模型能够达到精确区分自然和非自然地震的效果，能广泛应用于地震的识别。

背景技术

地震是破坏性最大的自然灾害之一，它具有突发性和毁灭性的特点，并会产生严重的次生灾害，给人们的生命财产造成巨大的损失。中国是地震多发的国家，地震多发于台湾省、西南地区、西北地区、华北地区、东南沿海地区等五个地区以及23条地震带上。

天然地震会给人们带来严重的人身财产的危害，但在地震识别中，自然地震与非自然地震(如：人工爆破、矿震)是地震识别领域有着举足轻重的地位，及时，方便，快速的识别出自然地震事件和非自然地震事件对于防震减灾事业和国家安全都具有重要意义。

对于目前的地震识别领域中出现的地震识别方法基本为以下几种：

1.利用多个特征值来进行自然地震和非自然地震的识别；

自然地震的真元为非对称的剪切源，真元一般位于地底深处，能亮衰减较慢，频率成分复杂。非自然地震，例如人工爆破，地下核爆破实验等此类地震的震源是对称的膨胀源，发生在地表浅层处，持续时间短，能量衰减快。爆破波的高频成分一般多于地震波，他们振动频率有较大差异。目前国内外对自然地震和非自然地震的识别进行了大量研究，提出了很多特征来识别自然地震和非自然地震，常见的有：能量比，振幅比，小波变换特征参数，瞬态谱，LPCC特征参数等。

对于这种识别方法，存在特征值提取难度大，算法时间复杂度高，在特征不够的情况下还会引起识别精度低等缺点。

2.基于运筹学的矩阵决策算法的自然地震和非自然地震的识别；

利用运筹学中的统计型决策中的矩阵法，设计矩阵决策算法，利用自然地震和非自然地震的某些特征上的差异，对地震事件进行决策分析，最后判定为自然地震事件和非自然地震事件对于这种识别方法，存在算法精度低，实时性不高的缺点。

3.基于欧氏距离算法的KNN算法；

knn是较快捷的一种分类判别方法，通过对数据建立标签，到达一个新数据时，对新数据进行欧氏距离算法，把他归到靠近的类别中。

这种算法对于数据量与精度的要求过高，数据不准确和数据量过小的情况都会对算法的识别精度有影响。而且限于算法，识别精度存在上限，精度不够高。

深度学习的概念源于人工神经网络的研究，其核心是特征学习，旨在通过分层网络获取分层次的特征信息，从而解决以往需要人工设计特征的重要难题。深度学习是一个框架，包含多个重要算法，我们选择使用的Convolutional Neural Networks(CNN)卷积神经网络就是其中之一。卷积神经网络是一种多层神经网络，通过一系列方法，成功将数据量庞大的识别问题不断降维，最终使其能够被训练。

一个最典型的卷积网络，由卷积层、池化层、全连接层组成。其中卷积层与池化层配合，组成多个卷积组，逐层提取特征，最终通过若干个全连接层完成分类。卷积是CNN的核心，