长短时记忆神经网络在地电场数据处理中的应用

发布时间：2021-03-06 21:47

　　作为深度学习方法的一种,长短时记忆神经网络（LSTM）是一种信号处理的重要方法.本文基于实际观测地电场数据来合成训练集,对特定结构的长短时记忆神经网络进行训练,将训练所得网络对测试集数据进行测试后,将网络应用至实际观测数据.结果显示,经过训练的网络很好地学到了训练集样本的特征,对测试集数据的信噪比压制了约20 dB,并过滤了人为添加的特定频率的干扰成分,对实际观测数据处理后得到明显的日变、半日变以及半月变、月变、半年变、年变等潮汐响应,表明长短时记忆神经网络可以有效应用于地电场数据处理研究. 

【文章来源】：地球物理学报. 2020,63(08)北大核心

【文章页数】：10 页

【部分图文】：

新岛台1998—1999两年实测数据频谱分析

图1 新岛台1998—1999两年实测数据频谱分析图3 (a) 2次谐波拟合实际数据,(b)4次谐波拟合实际数据,(c)7次谐波拟合实际数据,(d)12次谐波拟合实际数据

图2 (a) 1999-12-21信号时间序列, (b) 图(a)信号频谱分析以一天的数据为一个单位,将合成的理想无噪声数据和添加噪声数据分别作为长短时记忆神经网络的一个输出和输入,这样,1998—1999两年的数据共730组输出和输入.为扩大训练网络的样本,本文在输入数据中随机添加15～30 dB高斯噪声、泊松噪声以及幅度相位在一定范围内随机取值的固定频率噪声,重复添加28次,共得到20440组数据作为网络的输出和输入.

【参考文献】：
期刊论文
[1]地电场观测中城市轨道交通干扰剔除[J]. 冯红武,颜文华,王建昌,闫俊义.  地震地磁观测与研究. 2019(03)
[2]地电场观测方法与观测技术研究[J]. 席继楼.  地震地磁观测与研究. 2019(02)
[3]基于卡尔曼滤波的自然电场数据时序反演[J]. 崔益安,魏文胜,朱肖雄,柳建新.  地球物理学报. 2017 (08)
[4]基于粒子群优化的自然电场数据反演[J]. 朱肖雄,崔益安,李溪阳,佟铁钢,纪铜鑫.  中南大学学报(自然科学版). 2015(02)
[5]小波变换在地电场数据分析中的应用[J]. 李伟,马钦忠,宋志平,王冠玥.  地震学报. 2013(01)
[6]潮汐地电场谐波和各向波形的影响要素[J]. 谭大诚,王兰炜,赵家骝,席继楼,刘大鹏,于华,陈军营.  地球物理学报. 2011(07)
[7]HHT方法在受城市轨道交通干扰地电场观测数据中的应用[J]. 安张辉,杜学彬,元丽华,谭大诚,陈军营.  地震学报. 2011(02)
[8]潮汐地电场特征及机理研究[J]. 谭大诚,赵家骝,席继楼,杜学彬,徐建明.  地球物理学报. 2010(03)
[9]大地电场变化的频谱特征[J]. 叶青,杜学彬,周克昌,李宁,马占虎.  地震学报. 2007(04)
[10]新岛台地电场的潮汐响应与地震[J]. 黄清华,刘涛.  地球物理学报. 2006(06)

硕士论文
[1]深度学习及其在地电场异常检测中的应用研究[D]. 陈全.中国地震局兰州地震研究所 2019



本文编号：3067872