[發(fā)明專利]一種基于人工智能技術(shù)的張衡一號震前異常信號識別方法

有效

• 申請?zhí)枺?/td>: 202110753558.7
• 申請日: 2021-07-02
• 公開（公告）號: CN113361476B
• 公開（公告）日: 2023-07-25
• 發(fā)明（設(shè)計）人: 熊攀
• 申請（專利權(quán)）人: 中國地震局地震預(yù)測研究所
• 主分類號: G06F18/241
• 分類號: G06F18/241;G06F18/213;G06F18/10;G06N3/0464;G06N3/0442;G06N3/084;G06N3/045;G06N3/096
• 代理公司: 北京邦創(chuàng)至誠知識產(chǎn)權(quán)代理事務(wù)所(普通合伙) 11717
• 代理人: 張宇鋒

1.一種基于人工智能技術(shù)的張衡一號震前異常信號識別方法，其特征在于：包括S1：衛(wèi)星數(shù)據(jù)獲取及預(yù)處理，S2：電離層地震異常識別模型建立，S3：利用遷移學(xué)習(xí)構(gòu)建張衡一號多參數(shù)地震異常識別模型，S4：地震監(jiān)測應(yīng)用效能評價；

S1步驟：選取能夠反映各圈層地震前電離層異常變化的法國DEMETER電磁衛(wèi)星和張衡一號衛(wèi)星參數(shù)，所述衛(wèi)星參數(shù)包括運行軌跡和衛(wèi)星數(shù)據(jù)，空間范圍為全球，每個地震選取的數(shù)據(jù)初始時間長度為震前15天到震后5天，初始空間范圍為距離震中Dobrovolsky距離R范圍內(nèi)，其中R＝10^0.43M，另外選取全球范圍、時空均勻分布的非震事件，即模擬地震，選取數(shù)據(jù)的時間、空間范圍與真實地震一致，利用滑動時間窗分別獲取電子密度、電子溫度的原始時間序列，并利用深度學(xué)習(xí)網(wǎng)絡(luò)自動學(xué)習(xí)特征，初始研究的滑動窗長度，即連續(xù)數(shù)據(jù)點的長度，設(shè)置為20，形成非重疊的時序滑動窗數(shù)據(jù)，剔除任一數(shù)據(jù)對應(yīng)磁情指數(shù)Kp大于3.0的滑動窗；

S2步驟：經(jīng)過步驟S1的數(shù)據(jù)預(yù)處理后，基于CNN-BiLSTM深度學(xué)習(xí)網(wǎng)絡(luò)建立DEMETER衛(wèi)星電離層多參數(shù)地震異常識別模型，提取模型學(xué)習(xí)的地震與非震特征，基于IBPT分類器構(gòu)建地震異常識別深度學(xué)習(xí)模型，對2005年到2010年法國DEMETER電磁衛(wèi)星的電離層多參數(shù)時序特征樣本進行訓(xùn)練建模，按照地震發(fā)生的時間順序，前80％地震對應(yīng)的樣本數(shù)據(jù)作為訓(xùn)練集，后20％的地震對應(yīng)的樣本數(shù)據(jù)作為測試集,利用CNN-BiLSTM深度學(xué)習(xí)模型的神經(jīng)網(wǎng)絡(luò)直接通過電離層多參數(shù)時序數(shù)據(jù)自動學(xué)習(xí)特征，利用初始層數(shù)為3的CNN網(wǎng)絡(luò)層提取局部平行特征，采用由多個記憶模塊構(gòu)成的BiLSTM模型對長距離依賴特征進行特征提取，序列學(xué)習(xí)，每個模塊由兩個細(xì)胞的拓?fù)浣Y(jié)構(gòu)構(gòu)成；最后通過全連接層和Softmax分類器獲得分類結(jié)果，在此基礎(chǔ)上，刪除CNN-BiLSTM模型的最后兩層，提取模型學(xué)習(xí)到的電離層多參數(shù)地震與非震特征，利用IBPT分類器模型，最終區(qū)分地震與非震特征；

S3步驟：對張衡一號衛(wèi)星的多參數(shù)時序特征樣本切分訓(xùn)練集和測試集，同樣按照地震發(fā)生的時間順序，前80％地震對應(yīng)的樣本數(shù)據(jù)作為訓(xùn)練集，后20％作為測試集，在此基礎(chǔ)上，將已經(jīng)學(xué)到的、訓(xùn)練好的基于DEMETER電磁衛(wèi)星樣本的CNN-BiLSTM深度學(xué)習(xí)模型參數(shù)，以及IBPT分類器模型參數(shù)遷移到張衡一號電磁衛(wèi)星電離層多參數(shù)，形成新的分類模型，最后，利用得到的權(quán)重參數(shù)初始化其余網(wǎng)絡(luò)層的參數(shù)，并通過調(diào)整損失函數(shù)、優(yōu)化器函數(shù)等模型參數(shù)來來修正和提高模型準(zhǔn)確率，構(gòu)建新的地震異常識別模型；

S4步驟，基于步驟S3構(gòu)建的模型，利用在軌運行的張衡一號衛(wèi)星實時觀測數(shù)據(jù)，開展地震遙感監(jiān)測應(yīng)用，用實際震例驗證模型，依據(jù)應(yīng)用評價反饋，進而調(diào)節(jié)模型參數(shù)、優(yōu)化模型，迭代反復(fù)進行，項目利用訓(xùn)練集訓(xùn)練模型，通過貝葉斯超參數(shù)優(yōu)化方法構(gòu)造一個后驗分布的函數(shù)，需符合高斯過程，使得優(yōu)化算法更加確定參數(shù)空間中哪些區(qū)域值得探索，哪些區(qū)域不值得探索，最后尋找使得模型在驗證數(shù)據(jù)集上表現(xiàn)性能最佳的超參數(shù)組合，建立模型，開展地震監(jiān)測應(yīng)用，依據(jù)應(yīng)用評價優(yōu)化模型。