技术领域
本发明属于地震预测技术领域,具体涉及一种基于Bi-GRU网络的地震初至波拾取方法。
背景技术
当前地震信号检测方法主要为传统方法,如STA/LTA,模板匹配等,STA/LTA方法需要设定算法检测阈值,阈值的不同会影响地震信号监测范围,如此部分地震信号会被误检或漏检;模板匹配法依赖匹配模板的特征,这就导致算法泛化能力差,不具有普适性。
现有技术存在的问题或者缺陷:地震初至波即地震P波,是地震最先到达地表的波形信号,目前地震初至波的拾取方式需人为设定阈值,智能程度低,当阈值设定不当时,拾取误差较大,无法满足地震监测需求。
发明内容
针对上述目前地震初至波的拾取方式需人为设定阈值、智能程度低、当阈值设定不当时、拾取误差较大、无法满足地震监测需求的技术问题,本发明提供了一种泛化能力强、鲁棒性强、准确率高的基于Bi-GRU网络的地震初至波拾取方法。
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Bi-GRU网络的地震初至波拾取方法,包括下列步骤:
S1、数据集构建:将数据截取为指定长度的数据段;
S2、数据去噪:减少环境噪声对数据的影响,提高数据信噪比,帮助深度网络可以更好地提取数据特征,保证网络识别效果;
S3、归一化:将数据统一到同一量级,方便模型提取特征并加速模型收敛;
S4、数据平移:将P波到达时刻随机分配到数据任意位置,防止模型过拟合,提升模型鲁棒性,同时构建One-Hot标签供网络训练使用;
S5、模型构建:采用Bi-GRU网络对数据特征进分析提取并输出,采用TimeDistributed时间步全连接进行每个时间步的识别,得到P波到达时刻;
S6、模型评价:采用到时平均误差对模型效果进行评价。
所述S1中,数据集构建具体方法为:以人工标注的P波到时为中心,使用长度为10s的时窗截取含P波的数据段,数据采样率为100Hz,即每条数据包含1000个时间步。
所述S2中,所述数据去噪方法为:采用高通滤波器对数据进行去噪处理,滤波阈值为3Hz,即允许频率高于3Hz的数据通过,将低于3Hz的数据极大的衰减以达到去噪目的。
所述S3中,所述归一化具体方法为:采用最大值归一化,将数据缩放到[-1,1]的范围内,
所述S4中,所述数据平移具体方法:使用长度为5s的时窗对处理完成的10s长度的地震信号数据进行随机的截取,使P波到达时刻的位置随机落于5s时窗内的任意位置,根据P波到时位置的不同,构建One-Hot标签。
所述S5中还包括数据集划分,所述数据集划分具体方法:根据5:3:2的比例将数据集划分为训练集,验证集与测试集。
所述S5中,所述模型构建具体方法:网络基于Bi-GRU网络构建,网络通过门控单元来控制网络对特征进行学习,其门控单元为更新门和重置门,更新门用于控制当前GRU单元对前一GRU单元信息的学习,对前一GRU单元学习的信息越多,更新门的值越大。重置门用于控制本单元输入的信息与前面记忆的结合,Bi-GRU网络或通过前向与反向对数据进行分析学习,最终得到每个时间步的识别结果,每个GRU单元包含32个隐藏层,待GRU识别完成之后,对每个时间步的输出使用时间步全连接进行分类,判断其是否是P波到达时刻。
所述S5中还包括模型验证,所述模型验证的方法为:使用验证集对上一步训练完成的模型再次进行训练,若损失值不再下降,则表明模型已达最佳状态,完成模型训练,若损失继续下降,则降低模型学习率,使用训练集数据再次对模型进行训练,重复上述步骤,直到模型达到最佳状态。
所述S6中,所述模型评估的方法为:使用训练完成的模型对测试集数据进行识别,根据识别结果与数据标签对模型效果进行评估,评估标注采用平均误差表示,
本发明与现有技术相比,具有的有益效果是:
本发明通过深度学习的方法构建地震初至波拾取模型,实现了地震初至波的自动智能拾取,拾取过程无需人工设定阈值,可对全范围的地震P波初至信号进行识别拾取,具有较强的泛化能力与鲁棒性。
附图说明
图1为本发明的流程框图;
图2为本发明模型训练流程示意图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
一种基于Bi-GRU网络的地震初至波拾取方法,包括下列步骤:
S1、数据集构建:将数据截取为指定长度的数据段;
S2、数据去噪:减少环境噪声对数据的影响,提高数据信噪比,帮助深度网络可以更好地提取数据特征,保证网络识别效果;
S3、归一化:将数据统一到同一量级,方便模型提取特征并加速模型收敛;
S4、数据平移:将P波到达时刻随机分配到数据任意位置,防止模型过拟合,提升模型鲁棒性,同时构建One-Hot标签供网络训练使用;
S5、模型构建:采用Bi-GRU网络对数据特征进分析提取并输出,采用TimeDistributed时间步全连接进行每个时间步的识别,得到P波到达时刻;
S6、模型评价:采用到时平均误差对模型效果进行评价。
进一步,S1中,数据集构建具体方法为:以人工标注的P波到时为中心,使用长度为10s的时窗截取含P波的数据段,数据采样率为100Hz,即每条数据包含1000个时间步。
进一步,S2中数据去噪方法为:采用高通滤波器对数据进行去噪处理,滤波阈值为3Hz,即允许频率高于3Hz的数据通过,将低于3Hz的数据极大的衰减以达到去噪目的。
进一步,S3中归一化具体方法为:采用最大值归一化,将数据缩放到[-1,1]的范围内,
进一步,S4中数据平移具体方法:使用长度为5s的时窗对处理完成的10s长度的地震信号数据进行随机的截取,使P波到达时刻的位置随机落于5s时窗内的任意位置,根据P波到时位置的不同,构建One-Hot标签。
进一步,S5中还包括数据集划分,数据集划分具体方法:根据5:3:2的比例将数据集划分为训练集,验证集与测试集。
进一步,S5中模型构建具体方法:网络基于Bi-GRU网络构建,网络通过门控单元来控制网络对特征进行学习,其门控单元为更新门和重置门,更新门用于控制当前GRU单元对前一GRU单元信息的学习,对前一GRU单元学习的信息越多,更新门的值越大。重置门用于控制本单元输入的信息与前面记忆的结合,Bi-GRU网络或通过前向与反向对数据进行分析学习,最终得到每个时间步的识别结果,每个GRU单元包含32个隐藏层,待GRU识别完成之后,对每个时间步的输出使用时间步全连接进行分类,判断其是否是P波到达时刻。
进一步,S5中还包括模型验证,模型验证的方法为:使用验证集对上一步训练完成的模型再次进行训练,若损失值不再下降,则表明模型已达最佳状态,完成模型训练,若损失继续下降,则降低模型学习率,使用训练集数据再次对模型进行训练,重复上述步骤,直到模型达到最佳状态。
进一步,S6中模型评估的方法为:使用训练完成的模型对测试集数据进行识别,根据识别结果与数据标签对模型效果进行评估,评估标注采用平均误差表示,
上面仅对本发明的较佳实施例作了详细说明,但是本发明并不限于上述实施例,在本领域普通技术人员所具备的知识范围内,还可以在不脱离本发明宗旨的前提下作出各种变化,各种变化均应包含在本发明的保护范围之内。
机译: 基于分配地址分配的树状结构网络的网络节点的操作方法,一种网络的形成方法以及一种包括能够降低基于分布地址的树状结构网络的地址浪费的网络节点的系统
机译: 通过捕获运输文档图像并对其进行识别处理的基于Internet的网络通过基于Internet的网络运输,跟踪和交付包裹运输的方法,该方法从拾取点开始,并在运输过程中将其运输到其第一个扫描点时完成。网络,以便使用分配给包裹托运单的原始包裹托运单对包裹进行分类和路由
机译: 用于检测基于MEMS的辅助地震观察网络,记录介质和用于执行该方法的地震的方法