[发明专利]基于机器学习的地震波震动性质识别方法在审
申请号: | 201910752213.2 | 申请日: | 2019-08-15 |
公开(公告)号: | CN110488351A | 公开(公告)日: | 2019-11-22 |
发明(设计)人: | 刘昕靓;任涛;王柳婷;杨丹丹;商冰冰 | 申请(专利权)人: | 东北大学 |
主分类号: | G01V1/30 | 分类号: | G01V1/30;G01V1/28;G06K9/62;G06N3/04;G06N20/00 |
代理公司: | 21109 沈阳东大知识产权代理有限公司 | 代理人: | 李在川<国际申请>=<国际公布>=<进入 |
地址: | 110819 辽宁*** | 国省代码: | 辽宁;21 |
权利要求书: | 查看更多 | 说明书: | 查看更多 |
摘要: | |||
搜索关键词: | 地震波形 人工神经网络模型 地震波 复杂度 震中距 读取 筛选 机器学习技术 地震数据 基于机器 模型应用 频域分析 特征波形 性质识别 训练模型 震源 二分类 三分量 隐藏层 截取 时窗 算法 台站 震动 输出 概率 学习 | ||
1.一种基于机器学习的地震波震动性质识别方法,其特征在于:包括以下步骤:
步骤1:对原始地震波形数据进行读取,确定需要进行分类识别的地震波形的震中距;
步骤2:分别对天然地震和非天然地震波形进行时频域分析,时域分析得到波形复杂度特征,频域分析得到谱比值特征,将所述两个特征值进行计算得到时频域综合特征值波形复杂度/谱比值;
所述波形复杂度和谱比值特征分别为时域层面和频域层面可以表征波形走向的特征量;
步骤3:使用人工神经网络训练模型,模型输入是地震波形实例的特征向量,即步骤2中得到的三个特征值组成的特征向量,经过两个隐藏层的计算得到输出结果,输出结果为“1”表示波形所属类别为天然地震,输出结果为“0”表示波形所属类别为非天然地震;
步骤4:将地震波形数据分为训练集和测试集两个不相交的数据集,使用反向传播算法更新模型参数,不断拟合训练数据,降低损失函数的值;模型训练过程中须使用测试集数据评估模型的效果,经过指定迭代次数的训练或模型的测试准确率达到一定标准后,意味着模型训练完成;
步骤5:保存模型,对后续的地震波形分类问题可直接调用该保存模型输出结果,无需再进行繁琐训练。
2.根据权利要求1所述的基于机器学习的地震波震动性质识别方法,其特征在于:所述步骤1的具体步骤为:
步骤1.1:使用Anaconda中针对地震领域的Python库obspy读取原始地震波形数据,依据震源与台站间的球面距离选取地震波形;
步骤1.2:利用长短时窗比STA/LTA的算法找出包含地震起点的区间,使用AIC算法精确定位地震波P波初至的时刻;
步骤1.3:确定P波初至后将地震波形截取为统一长度便于提取波形特征进行后续分析处理。
该专利技术资料仅供研究查看技术是否侵权等信息,商用须获得专利权人授权。该专利全部权利属于东北大学,未经东北大学许可,擅自商用是侵权行为。如果您想购买此专利、获得商业授权和技术合作,请联系【客服】
本文链接:http://www.vipzhuanli.com/pat/books/201910752213.2/1.html,转载请声明来源钻瓜专利网。