[发明专利]一种基于深度学习的非自然地震分类方法

说明书

本发明属于人工智能技术领域，具体涉及一种基于深度学习的非自然地震分类方法，包括下列步骤：数据读取；数据分段；数据标注：对不同类型的非自然地震进行标注，供之后网络训练使用；数据降噪：非自然地震往往包含大量的随机噪声，过多的噪声会极大的影响数据质量，导致模型识别效果差，因此需对数据进行降噪处理，提高数据信噪比；数据增强：扩充数据量以避免模型欠拟合导致的分类效果不佳；归一化；识别模型；模型训练。本发明使用人工智能方法，对非自然地震进行自动智能分类，分类准确率高、速度快，且全过程无需人工参与。本发明用于非自然地震的分类。

技术领域

本发明属于人工智能技术领域，具体涉及一种基于深度学习的非自然地震分类方法。

背景技术

自然地震与非自然地震的频率差别较大，二者的分辨较为容易，而不同类别的非自然地震之间频率相近，人工直接进行判别困难较大。

现有技术存在的问题或者缺陷：目前对非自然地震即爆破、塌方等引起的地震动的分类主要依靠人工识别，而人工分类对相关人员专业度要求较高，且人工分类效率低下。

发明内容

针对上述现有的地震分类主要依靠人工识别的技术问题，本发明提供了一种效率高、准确率高、速度快的基于深度学习的非自然地震分类方法。

为了解决上述技术问题，本发明采用的技术方案为：

一种基于深度学习的非自然地震分类方法，包括下列步骤：

S1、数据读取：原始地震为SEED格式数据，此格式数据无法进行直接使用，故先对原始数据进行格式转换，再对转换后的数据进行处理；

S2、数据分段：地震仪记录的数据为连续波形数据，此数据长度过长，且包含许多的地震信息，因此需对不同的地震进行截取；

S3、数据标注：对不同类型的非自然地震进行标注，供之后网络训练使用；

S4、数据降噪：非自然地震往往包含大量的随机噪声，过多的噪声会极大的影响数据质量，导致模型识别效果差，因此需对数据进行降噪处理，提高数据信噪比；

S5、数据增强：扩充数据量以避免模型欠拟合导致的分类效果不佳；

S6、归一化：对于非自然地震的分类只需要对其波形，频率特征进行学习，振幅特征的存在会影响分类效果，同时量级差距较大的数据会影响模型效率，因此对数据进行归一化处理；

S7、识别模型：模型采用CNN与RNN结合的方式进行，前2层CNN网络用于提取数据特征，缩短时间步，扩充数据维度，RNN层用于对数据时域特征进行分析提取，之后的CNN用于特征的进一步提取与特征降维，全连接层用于对提取到的特征进行分类；

S8、模型训练：将预处理完成得到的数据输入网络，对网络进行迭代训练，待到模型效果不再提升，保存模型。

所述S1中数据读取的方法为：将地震仪记录的非自然地震SEED格式数据使用SAC读取并转换为miniSEED格式并保存，然后使用obspy读取miniSEED格式数据，将其转换保存为npy形式。

所述S2中数据分段的方法为：将包含震相特征的数据以长度为30s的时窗进行截取，数据采样率为100Hz，即每段数据包含3000个时间步。

所述S3中数据标注的方法为：对分段完成的数据段通过标签进行标注，标注类别包括0-爆破、1-塌方、2-水库地震、3-矿震，所述标签采用One-hot形式。

所述S4中数据降噪的方法为：非自然地震信号数据中包含有大量的随机噪声，使用[0,10HZ]的带通滤波器对数据进行去噪，然后对数据进行去线性处理。