[發明專利]一種基于深度學習的非自然地震分類方法

在審

• 申請號: 202011624427.0
• 申請日: 2020-12-31
• 公開（公告）號: CN112686315A
• 公開（公告）日: 2021-04-20
• 發明（設計）人: 潘曉光;李宇;劉劍超;王小華
• 申請（專利權）人: 山西三友和智慧信息技術股份有限公司
• 主分類號: G06K9/62
• 分類號: G06K9/62;G06N3/04;G06N3/08
• 代理公司: 太原榮信德知識產權代理事務所(特殊普通合伙) 14119
• 代理人: 楊凱;連慧敏

1.一種基于深度學習的非自然地震分類方法，其特征在于：包括下列步驟：

S1、數據讀取：原始地震為SEED格式數據，此格式數據無法進行直接使用，故先對原始數據進行格式轉換，再對轉換后的數據進行處理；

S2、數據分段：地震儀記錄的數據為連續波形數據，此數據長度過長，且包含許多的地震信息，因此需對不同的地震進行截取；

S3、數據標注：對不同類型的非自然地震進行標注，供之后網絡訓練使用；

S4、數據降噪：非自然地震往往包含大量的隨機噪聲，過多的噪聲會極大的影響數據質量，導致模型識別效果差，因此需對數據進行降噪處理，提高數據信噪比；

S5、數據增強：擴充數據量以避免模型欠擬合導致的分類效果不佳；

S6、歸一化：對于非自然地震的分類只需要對其波形，頻率特征進行學習，振幅特征的存在會影響分類效果，同時量級差距較大的數據會影響模型效率，因此對數據進行歸一化處理；

S7、識別模型：模型采用CNN與RNN結合的方式進行，前2層CNN網絡用于提取數據特征，縮短時間步，擴充數據維度，RNN層用于對數據時域特征進行分析提取，之后的CNN用于特征的進一步提取與特征降維，全連接層用于對提取到的特征進行分類；

S8、模型訓練：將預處理完成得到的數據輸入網絡，對網絡進行迭代訓練，待到模型效果不再提升，保存模型。

2.根據權利要求1所述的一種基于深度學習的非自然地震分類方法，其特征在于：所述S1中數據讀取的方法為：將地震儀記錄的非自然地震SEED格式數據使用SAC讀取并轉換為miniSEED格式并保存，然后使用obspy讀取miniSEED格式數據，將其轉換保存為npy形式。

3.根據權利要求1所述的一種基于深度學習的非自然地震分類方法，其特征在于：所述S2中數據分段的方法為：將包含震相特征的數據以長度為30s的時窗進行截取，數據采樣率為100Hz，即每段數據包含3000個時間步。

4.根據權利要求1所述的一種基于深度學習的非自然地震分類方法，其特征在于：所述S3中數據標注的方法為：對分段完成的數據段通過標簽進行標注，標注類別包括0-爆破、1-塌方、2-水庫地震、3-礦震，所述標簽采用One-hot形式。

5.根據權利要求1所述的一種基于深度學習的非自然地震分類方法，其特征在于：所述S4中數據降噪的方法為：非自然地震信號數據中包含有大量的隨機噪聲，使用[0,10HZ]的帶通濾波器對數據進行去噪，然后對數據進行去線性處理。

6.根據權利要求1所述的一種基于深度學習的非自然地震分類方法，其特征在于：所述S5中數據增強的方法為：對非自然地震信號數據進行擴充的方式包括加噪與分段，加噪方式：為數據的每個時間步累加該條數據最大振幅的5％與10％。即s′_i＝s_i+αmax(S)，所述s_i為第i個時間步的振幅大小，所述α為加噪幅度，取5％與10％，所述S為該條數據所有時間步的振幅大小；

對數據完成加噪后，對數據進行再次分段，將長度為30s的數據分為長度為10s的小段數據。

7.根據權利要求1所述的一種基于深度學習的非自然地震分類方法，其特征在于：所述S6中歸一化的方法為：對數據進行min-max歸一化防止模型學習錯誤特征從而過擬合，并加速模型訓練。

8.根據權利要求1所述的一種基于深度學習的非自然地震分類方法，其特征在于：所述S7中還包括：對分類結果使用sigmoid函數進行計算。