利用深度自编码算法的地震脉冲信号检测方法
发布时间：2021-11-12 23:35
四川省汶川地震发生前,一些测震和形变台站记录到了低频脉冲信号。为了进一步分析和判别这类脉冲信号的真实性,提出了基于深度自编码算法的地震脉冲信号检测方法。以汶川地震为例,首先收集四川省49个台站震前9天的波形数据作为样本集,采用连续小波变换获得波形数据的时频谱,然后利用深度自编码神经网络对其进行训练,并应用于地震脉冲异常信号的自动识别。测试结果表明,所构建的深度自编码网络模型具备良好的稳定性,对新数据的识别准确度在93%以上。最后初步统计了汶川地震前1个月四川省出现的疑似脉冲异常的空间分布,从断层慢滑移运动的角度给出了一种可能解释。
【文章来源】：武汉大学学报(信息科学版). 2020,45(07)北大核心EICSCD
【文章页数】：9 页
【部分图文】：
不同地震台站记录的疑似脉冲异常信号
自动编码器的目的是使得每一层的输出可以进行重构而还原成其输入。这样可以最大程度地避免在降维过程中有效信息的丢失，并且一定程度上可以进行信息还原，在保证特征信息的前提下大大降低了信息的存储量。自动编码器是一个对信息的编解码过程，单层自动编码器实际上先对数据编码（如图2中将输入的2 500维数据压缩成100维），然后通过解码数据最大程度恢复信息（将编码后的100维数据解码还原为2 500维）。假设原始信息有n个样本（x1,x2…xn），对应的输出是（z1,z2…zn），输入层到中间层的连接矩阵是w，偏置是b，中间层到输出层的连接矩阵是w"，偏置是b"。那么误差函数是：
图3为连续小波变换示意图。可以看到时间域脉冲信号在时频域中都对应了比较高的能量团，其频率大致处于0.015～0.02 Hz范围内。因此，对时间域连续波形数据中脉冲信号的识别，经过小波变换转化成对时频域中高能量团汇聚的识别。由于目标脉冲信号周期大多数处于250 s以内，因此需要将其切割成时间长度为几分钟（略大于目标脉冲）的二维时频数据进行训练和识别。同时，为了减少连续小波变换过程中产生的边界效应，在处理数据时可将原始的、时长为1 h的原始地震数据拼接成一天的数据，然后进行连续小波变换，最后再切割成目标数据文件。根据实验，选取将数据切割成2 min，而且根据尺度的变化对大尺度数据进行间隔采样，最终切割成的训练数据如图4所示。
【参考文献】：
期刊论文
[1]Rotational motions of the Ms7.0 Jiuzhaigou earthquake with ground tilt data[J]. Cong ZHOU,Xiangzhi ZENG,Qingliang WANG,Wenyi LIU,Cuizhi WANG. Science China（Earth Sciences）. 2019(05)
[2]遥感大数据时代与智能信息提取[J]. 张兵. 武汉大学学报(信息科学版). 2018(12)
[3]中心损失与Softmax损失联合监督下的人脸识别[J]. 余成波,田桐,熊递恩,许琳英. 重庆大学学报. 2018(05)
[4]汶川地震前地震连续波形资料中的异常信号[J]. 路珍,周聪,郭泉,郭志,王庆良,张希. 大地测量与地球动力学. 2018(04)
[5]基于深度稀疏自动编码器的社区发现算法[J]. 尚敬文,王朝坤,辛欣,应翔. 软件学报. 2017(03)
[6]基于深度学习的人体行为识别[J]. 樊恒,徐俊,邓勇,向金海. 武汉大学学报(信息科学版). 2016(04)
[7]小波域相关算法在随钻地震信号处理中的应用[J]. 金朝娣,能昌信,刘玉强,董路. 煤炭学报. 2012(04)
[8]汶川地震前姑咱台观测的异常应变变化[J]. 邱泽华,张宝红,池顺良,唐磊,宋茉. 中国科学:地球科学. 2010(08)
[9]宽频带数字资料低频波在大震前的短临前兆信息研究[J]. 尹亮,杨立明. 西北地震学报. 2010(01)
[10]“国家数字测震台网数据备份中心”技术系统建设及其对汶川大地震研究的数据支撑[J]. 郑秀芬,欧阳飚,张东宁,姚志祥,梁建宏,郑洁. 地球物理学报. 2009(05)
硕士论文
[1]基于机器学习算法的脉冲型地震动识别[D]. 丁昊青.哈尔滨工业大学 2017
[2]基于深度学习的说话人识别方法的研究[D]. 吕亮.东南大学 2016
本文编号：3491861
【文章来源】：武汉大学学报(信息科学版). 2020,45(07)北大核心EICSCD
【文章页数】：9 页
【部分图文】：
不同地震台站记录的疑似脉冲异常信号
自动编码器的目的是使得每一层的输出可以进行重构而还原成其输入。这样可以最大程度地避免在降维过程中有效信息的丢失，并且一定程度上可以进行信息还原，在保证特征信息的前提下大大降低了信息的存储量。自动编码器是一个对信息的编解码过程，单层自动编码器实际上先对数据编码（如图2中将输入的2 500维数据压缩成100维），然后通过解码数据最大程度恢复信息（将编码后的100维数据解码还原为2 500维）。假设原始信息有n个样本（x1,x2…xn），对应的输出是（z1,z2…zn），输入层到中间层的连接矩阵是w，偏置是b，中间层到输出层的连接矩阵是w"，偏置是b"。那么误差函数是：
图3为连续小波变换示意图。可以看到时间域脉冲信号在时频域中都对应了比较高的能量团，其频率大致处于0.015～0.02 Hz范围内。因此，对时间域连续波形数据中脉冲信号的识别，经过小波变换转化成对时频域中高能量团汇聚的识别。由于目标脉冲信号周期大多数处于250 s以内，因此需要将其切割成时间长度为几分钟（略大于目标脉冲）的二维时频数据进行训练和识别。同时，为了减少连续小波变换过程中产生的边界效应，在处理数据时可将原始的、时长为1 h的原始地震数据拼接成一天的数据，然后进行连续小波变换，最后再切割成目标数据文件。根据实验，选取将数据切割成2 min，而且根据尺度的变化对大尺度数据进行间隔采样，最终切割成的训练数据如图4所示。
【参考文献】：
期刊论文
[1]Rotational motions of the Ms7.0 Jiuzhaigou earthquake with ground tilt data[J]. Cong ZHOU,Xiangzhi ZENG,Qingliang WANG,Wenyi LIU,Cuizhi WANG. Science China（Earth Sciences）. 2019(05)
[2]遥感大数据时代与智能信息提取[J]. 张兵. 武汉大学学报(信息科学版). 2018(12)
[3]中心损失与Softmax损失联合监督下的人脸识别[J]. 余成波,田桐,熊递恩,许琳英. 重庆大学学报. 2018(05)
[4]汶川地震前地震连续波形资料中的异常信号[J]. 路珍,周聪,郭泉,郭志,王庆良,张希. 大地测量与地球动力学. 2018(04)
[5]基于深度稀疏自动编码器的社区发现算法[J]. 尚敬文,王朝坤,辛欣,应翔. 软件学报. 2017(03)
[6]基于深度学习的人体行为识别[J]. 樊恒,徐俊,邓勇,向金海. 武汉大学学报(信息科学版). 2016(04)
[7]小波域相关算法在随钻地震信号处理中的应用[J]. 金朝娣,能昌信,刘玉强,董路. 煤炭学报. 2012(04)
[8]汶川地震前姑咱台观测的异常应变变化[J]. 邱泽华,张宝红,池顺良,唐磊,宋茉. 中国科学:地球科学. 2010(08)
[9]宽频带数字资料低频波在大震前的短临前兆信息研究[J]. 尹亮,杨立明. 西北地震学报. 2010(01)
[10]“国家数字测震台网数据备份中心”技术系统建设及其对汶川大地震研究的数据支撑[J]. 郑秀芬,欧阳飚,张东宁,姚志祥,梁建宏,郑洁. 地球物理学报. 2009(05)
硕士论文
[1]基于机器学习算法的脉冲型地震动识别[D]. 丁昊青.哈尔滨工业大学 2017
[2]基于深度学习的说话人识别方法的研究[D]. 吕亮.东南大学 2016
本文编号：3491861
本文链接：https://www.wllwen.com/kejilunwen/diqiudizhi/3491861.html
