[发明专利]基于机器学习的地震波震动性质识别方法

说明书

本发明提供一种基于机器学习的地震波震动性质识别方法，涉及机器学习技术领域。本发明分为地震波形处理，提取特征值，训练模型，模型应用四个阶段进行。计算震源与台站之间的距离，对震中距进行筛选，读取筛选后震中距的三分量地震波形数据，使用长短时窗算法STA/LTA及AIC方法准确找到地震波初动的位置，进一步对地震数据长度进行截取。分别对地震波形进行时、频域分析，提取三个特征波形复杂度、谱比值和波形复杂度/谱比值作为人工神经网络模型的输入。训练一个识别二分类问题的具有两个隐藏层的人工神经网络模型，输出为波形所属类别的概率。本发明训练的模型可以准确高效的判断地震波形所属类别。

技术领域

本发明涉及机器学习技术领域，尤其涉及一种基于机器学习的地震波震动性质识别方法。

背景技术

地震可按其震动性质分为天然地震和非天然地震两大类，天然地震为地球板块与板块之间相互挤压碰撞，造成板块边沿及板块内部产生错动和破裂。非天然地震又称诱发地震，指人类活动引起的局部地区异常地震活动，如人工核爆试验或塌陷等。观察地震台网中心各台站记录的天然地震与非天然地震的地震波信号时发现，二者的波形极为相似，若不对其进行区分筛选，天然地震波形与人工地震波形掺杂将会给研究地震的学者带来误导，影响地震学的研究工作。

机器学习理论和应用研究始于1986年，随着人工智能的突飞猛进，其在图像识别、信号处理、预测评估、组合优化及知识工程等领域有着广泛的应用。近年来机器学习方法开始被用来对地震波形数据进行分析和处理，如何把日新月异的计算机前沿技术应用于地震事件分类中，从而提高识别的准确率、稳定性仍是当前需要研究的课题之一。国内有专家学者在识别天然地震与非天然地震时将遗传算法(GA)与BP神经网络相结合，建立了遗传BP网络(GA—BP网络)，利用遗传算法对神经网络进行全局寻优，然后利用BP反向传播算法对神经网络进行精确训练。Dowla等人利用多层感知机(MLP)神经网络识别天然地震与地下爆炸。21世纪初，有学者提出利用经验模态分解方法对原始数据波形进行处理，从中提取出特征值，对原始波形数据预处理后再利用支持向量机(SVM)完成地震波形分类识别任务，使模型具有更高的识别率。同时有专家从物理学角度提出利用小波变换方法对天然地震和人工地震提取到的震源尺度、震源深度等特征进行分类识别任务。毕明霞、黄汉明等人利用希尔伯特黄变换(HHT)提取波形特征，利用SVM进行识别分类；边银菊等利用小波变换提取地震波形特征进行研究；一些国外学者尝试使用P波、S波的信号到时识别分类地震波。

发明内容

针对现有技术存在的问题，本发明提供一种基于机器学习的地震波震动性质识别方法，本发明根据波形数据对波形进行分类，从而识别天然地震与非天然地震。其中主要使用Python程序设计语言对波形数据进行处理，并运用机器学习方法——人工神经网络进行分类识别地震波。本发明采用监督学习方式获得地震性质分类器，即用已知类别的数据训练人工神经网络模型。模型的输入是一个特征向量，包括可以反映地震性质的特征。本发明提取特征时分别从时域和频域两方面考虑保证获得波形的综合特征。

为解决上述技术问题，本发明所采取的技术方案是：基于机器学习的地震波震动性质识别方法；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；

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；