[發明專利]一種基于Transformer地震信號分類識別方法

在審

• 申請號: 202310246159.0
• 申請日: 2023-03-15
• 公開（公告）號: CN116304818A
• 公開（公告）日: 2023-06-23
• 發明（設計）人: 吳業正;黃漢明;何玉龍;諸廣鐳
• 申請（專利權）人: 廣西師范大學
• 主分類號: G06F18/24
• 分類號: G06F18/24;G06F18/213;G06N3/08;G06F18/214;G06N3/0464
• 代理公司: 桂林市華杰專利商標事務所有限責任公司 45112
• 代理人: 周雯

本發明公開了一種基于Transformer地震信號分類識別方法，包括如下步驟：S1.數據獲取；S2.構建主干網絡；S3.在訓練階段，采用使用RMSprop優化器進行優化；S4.參數配準，訓練模型。這種方法能通過自注意力的方式捕獲全局上下文信息，對目標建立其遠距離依賴關系，提取更深層次的特征，提高震源信號的識別能力。

技術領域

本發明涉及對地震信號震源類別分類識別研究，屬于信號處理領域的信號分類領域，具體是一種基于Transformer地震信號分類識別方法。

背景技術

依據所觀測到的地震波形信號區分識別觀測波形對應事件源類型(如天然地震事件或人工爆破事件)，近幾十年來一直是地震學研究的難點和熱點。近年來，與人類各種活動相關的人工爆破/爆炸的頻度逐漸增加，例如爆破、核試驗等，增加了獲取天然地震目錄的難度，也凸顯了地震波形信號分類識別的必要性。因此，如何準確地識別天然地震和非天然地震具有十分重要的科學意義和現實意義。近年來，深度學習成為機器學習的一個熱門研究方向。作為一種由多個隱藏層組成的多層神經網絡學習算法，深度學習對輸入數據的特征學習有著非常好的效果。在圖像分類、圖像分割和目標檢測等方面取得極大的進展。在天然地震和人工爆破的地震信號分類識別研究中，深度學習能更好地提取地震信號特征包括蘊含在地震信號中的不同類型震源差異特征，根據所提取的特征進行準確的震源類型分類。卷積神經網絡是深度學習中的熱門研究方向，國內外的許多學者提出了基于卷積神經網絡的地震信號識別研究，方法[CHEN?R?2018]通過梅爾倒譜提取地震波形特征作為卷積神經網絡輸入，對地震和爆破進行識別分類(CHEN?R,HUANG?H,CHAI?H.Study?on?thediscrimination?of?seismic?waveform?signals?between?earthquake?and?explosionevents?by?convolutional?neural?network[J].Progress?in?geophysics,2018,33(4):1331-1338.)。方法[Yonggang?W?2019]通過殘差網絡模型對天然地震和人工爆破識別，將波形轉換為功率譜作為模型的輸入，通過模型學習地震波形和爆破波形的頻譜特征，提高震源類型分類識別能力(Yonggang?W,Qianli?Y,Tingting?W,et?al.Earthquake?andexplosion?identification?based?on?Deep?Learning?residual?network?model[J].地震學報,2019,41(5):646-657.)；方法[TIAN?X?2022]使用多輸入卷積神經網絡模型，將天然地震和人工爆破的波形信號和波形信號的時頻數據作為模型的輸入，提高模型的分類識別能力(TIAN?X,WANG?M?J,ZHANG?X,et?al.Discrimination?of?earthquake?and?quarryblast?based?on?multi-input?convolutional?neural?network[J].Chinese?Journal?ofGeophysics,2022,65(5):1802-1812.)。方法[Kong?Q?2022]通過將深度學習與P/S振幅比和局部震級等物理特征相結合，提高模型的泛化性能(Kong?Q,Wang?R,Walter?W?R,etal.Combining?Deep?Learning?with?Physics?Based?Features?in?Explosion-Earthquake?Discrimination[J].arXiv?preprint?arXiv:2203.06347,2022.)。方法[Ku?B2020]在卷積神經網絡中引入SE注意力機制，在地震事件分類中取得良好效果(Ku?B,KimG,Ahn?J?K,et?al.Attention-based?convolutional?neural?network?for?earthquakeevent?classification[J].IEEE?Geoscience?and?Remote?Sensing?Letters,2020,18(12):2057-2061.)。