[发明专利]一种地震信号检测和震相提取的方法

权利要求书

1.一种地震信号检测和震相提取的方法，应用于基于边缘设备的地震检测系统，完成三个任务：识别地震信号、定位地震信号中纵波和横波的震相，其特征在于，所述方法包括如下步骤：

步骤1，监测获取具有三分量的地震波形数据；三分量分别对应东、北和垂直三个方向；

步骤2，构建轻量级深度学习模型LCANet；

所述的轻量级深度学习模型LCANet，包括基于逆向瓶颈残差块的编码器、上下文感知注意模块以及多尺度异构解码器；输入的三分量地震波形数据经基于逆向瓶颈残差块的编码器提取描述地震数据内在物理含义的特征向量序列，再经上下文感知注意模块获取分别针对三个任务下的关注时间序列上下文信息的特征向量序列；将上下文感知注意模块输出的三个特征向量序列对应输入多尺度异构解码器的三个分支中，每个分支将特征向量映射到对应任务的特征空间中，分别输出地震信号的概率、P震相到达位置概率、S震相到达位置概率；

所述的基于逆向瓶颈残差块的编码器包括深度可分离卷积层和逆向瓶颈残差块；深度可分离卷积层包含深度卷积和逐点卷积，深度可分离卷积层后添加有最大池化层；逆向瓶颈残差块由深度卷积和逐点卷积组成，其中又将逐点卷积分为扩张卷积和投影卷积；在一维深度卷积层之前使用扩张卷积以扩展输入特征向量的通道数，在逆向瓶颈残差块增加注意力模块，之后利用投影卷积缩小特征向量的通道数，还在逆向瓶颈残差块后添加最大池化层以缩小数据序列长度；

所述的上下文感知注意模块由轻量级非因果时序卷积网络和注意力机制模块组成；非因果时序卷积网络中用具有膨胀因子的一维深度可分离卷积层替换了标准卷积层；注意力机制模块为受启发的自注意机制结构，分为全局注意力机制模块和局部注意力机制模块两种，对于识别地震信号任务采用全局注意力机制模块提取特征，对于定位地震信号中纵波和横波的震相的任务采用局部注意力机制模块提取特征；

所述的多尺度异构解码器由异构注意力模块和多尺度优化模块组成；多尺度优化模块中执行上采样操作和一维深度可分离卷积操作；每个异构注意力模块对输入的特征向量进行两步处理，首先按照通道维度进行全局平均池化和一维卷积，得到具有全局感受野的特征向量，再利用sigmoid函数将每个元素映射到[0，1]的区间内，其中分数越高表示该点对应元素越重要；其次将输入的特征向量经过一维深度可分离卷积操作；最后将两步处理得到结果两者使用逐元素乘法，进行注意力加权；所述的多尺度异构解码器对应三个任务设置有三个分支；每个分支中包括三个多尺度优化模块，首先由异构注意力模块对上下文感知注意模块对应分支的输出向量处理后输入第一个多尺度优化模块，然后，利用异构注意力模块对所述编码器的中间层的输出向量特征进行处理后，再与第一个多尺度优化模块的输出向量相加后输入第二个多尺度优化模块，最后，再利用异构注意力模块对所述编码器的中间层的输出向量特征进行处理后，再与第二个多尺度优化模块的输出向量相加后输入第三个多尺度优化模块，输出高阶特征，根据高阶特征获得对应任务的概率；

步骤3，对步骤2建立的LCANet模型进行训练，将训练好的模型布置在边缘设备上，实时对设备端监测采集的地震波形数据进行识别，输出地震信号时间序列、纵波震相和横波震相。

2.根据权利要求1所述的方法，其特征在于，所述的步骤3中，边缘设备为具备JetsonNano芯片的设备。

3.根据权利要求1所述的方法，其特征在于，所述的步骤2中，所述的基于逆向瓶颈残差块的编码器包括依次连接的一个深度可分离卷积层和六个逆向瓶颈残差块，深度可分离卷积层后添加最大池化层，前四个逆向瓶颈残差块后添加有最大池化层。

4.根据权利要求1或3所述的方法，其特征在于，所述的步骤2中，所述的逆向瓶颈残差块包括扩张层、一维深度卷积层、注意力模块和投影层；其中扩张层为扩张卷积；扩张卷积和一维深度卷积操作后执行批归一化和计算非线性激活函数，所述的非线性激活函数选择hard_swish函数；注意力模块为Squeeze-Excitation模块，在逆向瓶颈残差块中的每一层增加注意力模块；投影层为投影卷积，用于将高维特征投影到低维子空间，投影层设置批归一化操作，未设置计算非线性激活函数操作。