基于机器学习的地震波信号自动识别系统的制作方法

本发明涉及机器学习，更具体地说，本发明是基于机器学习的地震波信号自动识别系统。

背景技术：

1、基于机器学习的地震波信号自动识别是一种利用机器学习技术对地震波信号进行分类和分析的技术方法。这种方法通过训练机器学习模型，使其能够自动识别和分类地震波信号中的不同类型以及噪声信号,地震波是地震发生时产生的能量以波的形式向四周传播，主要包括p波、s波和面波，其中p波是最快的地震波，s波次之，面波传播最慢，通过机器学习算法自动检测和分类地震波信号，而不需要人为干预，这对于实时地震监测和预警非常重要。

2、地震信号的持续时间通常较长，一般为几秒钟到几分钟不等，而非地震事件的持续时间通常较短，非地震事件如交通振动，一般为短时瞬间性的，目前的地震波信号自动识别，对噪声信号的研究通常限于震源较深，信号波形更复杂的地震，因为震源较浅的地震噪声背景通常更单纯，易于过滤，若在高能量的深源地震持续过程中，存在非地震信号的介入干扰，往往会对地震信号的识别产生影响，难以判断具体的地震信号波形，进而对地震的预警与研究产生障碍。

3、为解决上述缺陷，现提出一种技术方案。

技术实现思路

1、本发明的目的是提供基于机器学习的地震波信号自动识别系统，以解决背景技术中的不足。

2、为了实现上述目的，本发明提供如下技术方案:基于机器学习的地震波信号自动识别系统，包括初步过滤模块、频谱分析模块、震相拾取模块、特征分析模块、分类识别模块；

3、初步过滤模块用于对地震波信号进行初步处理和筛选，将地震信号进行分段处理，并计算信号能量；

4、频谱分析模块用于分析信号的频率特性，对地震信号的分段窗口进行频率分析，通过傅里叶变换方法提取地震信号的频谱特征；

5、震相拾取模块用于计算地震信号的低频背景干扰程度，结合触发器算法，对地震信号和非地震事件信号的甄别判断，剔除非地震事件信号；

6、特征分析模块用于从原始地震记录中提取识别和分类地震波形的特征，并传送至分类识别模块；

7、分类识别模块用于对提取特征进行分析识别，运用分类算法建立模型，对地震信号进行分类判断。

8、优选的，将地震信号进行分段处理的方法为：

9、对于信号能量的平方和公式，对于给定的时窗x(t)，其能量表示为e＝∑tn＝1x(t)2，式中，e为能量信号强度，即信号在某段时间内的总能量积累，x(t)为信号在时间t处的振幅值，表示信号在某个时刻的瞬时值，t为信号的采样时刻，t从1到n变化，代表时窗内的所有采样点，n为时窗内的采样点总数，表示在选定的时窗长度内总共包含的采样点个数，且n大于等于1；

10、信号能量的均方根公式为式中，rms为均方根值，是信号在选定时窗内能量的平方根，在交流信号分析中表示信号的有效值。

11、优选的，计算地震信号的低频背景干扰程度的方法为：

12、通过计算信号的低频背景复杂度对地震信号的低频背景干扰程度进行评估，设定低频背景频率临界值，当信号频率低于低频背景频率临界值时，使用信号窗口和背景窗口计算低频背景复杂度，计算表达式为式中，sn为低频背景复杂度，s(t)为信号窗口的波形数据，n(t)为背景窗口的波形数据，n1为信号窗口的数据点数量，s(ti)是信号窗口内第i个时间点的波形值，n2为背景窗口的数据点数量，n(ti)为背景窗口内第i个时间点的波形值。

13、优选的，将地震信号的低频背景干扰程度与触发器算法进行结合的方法为：

14、计算信号的短时平均能量，表达式为式中，x(i)为信号在时间点i处的振幅值，sta(t)为在时间t处的短时平均值，表示信号在较短时间窗口内的平均能量，nsta为短时平均窗口的长度，即计算sta值所使用的时间窗口的样本点数；

15、计算信号的长时平均能量，表达式为式中，lta(t)为在时间t处的长时平均值，表示信号在较长时间窗口内的平均能量，nlta为长时平均窗口的长度，即计算lta值所使用的时间窗口的样本点数；

16、通过设定触发阈值th，对潜在的地震信号进行识别判定，触发值tr的计算表达式为若触发值tr大于等于触发阈值th，则地震信号识别可信性高，地震波的特征更明显；若触发值tr小于触发阈值th，则地震信号识别可信性低，地震波的特征更不明显。

17、优选的，对地震信号和非地震事件信号的甄别判断，剔除非地震事件信号的方法为：

18、当触发值tr大于等于触发阈值th时，信号为地震信号的可信性高，标记信号为有效信号，将有效信号波形进行存储，以备分析；

19、当触发值tr小于触发阈值th时，信号为地震信号的可信性低，标记信号为背景干扰信号，将背景干扰信号进行筛除。

20、优选的，从原始地震记录中提取识别和分类地震波形的特征包括时域特征、频域特征、小波变换特征、时频域联合特征、高阶统计量特征、形态特征。

21、优选的，对提取特征进行分析识别，运用分类算法建立模型，对地震信号进行分类判断的方法为：

22、对提取的特征进行标准化处理，运用分类算法对模型进行训练，将数据集划分为训练集和测试集，使用训练集数据，基于选择的分类算法训练模型，通过k折交叉验证评估模型的性能，防止过拟合，计算模型的f1值，绘制roc曲线并计算auc值，并预设f1值和roc曲线的auc值的模型可用阈值，仅当模型的f1值与roc曲线的auc值同时满足模型可用阈值时，模型进入实际应用阶段的需求，使用训练好的模型对实时地震信号进行分类，对持续的深源地震信号中潜在的非地震事件信号进行识别判断。

23、在上述技术方案中，本发明提供的技术效果和优点：

24、在深源地震的信号持续过程中，通过对低频信号特征的分析，结合触发器算法，将地震信号与非地震事件信号进行分离识别，能够有效提取可用于地震预警与地震研究的有效数据，避免低频信号堆叠导致的地震信号识别失败，准确拾取地震波形的波动变化，进一步提高地震信号识别的准确性和及时性。

技术特征：

1.基于机器学习的地震波信号自动识别系统，其特征在于，包括初步过滤模块、频谱分析模块、震相拾取模块、特征分析模块、分类识别模块；

2.根据权利要求1所述的基于机器学习的地震波信号自动识别系统，其特征在于，将地震信号进行分段处理的方法为：

3.根据权利要求1所述的基于机器学习的地震波信号自动识别系统，其特征在于，计算地震信号的低频背景干扰程度的方法为：

4.根据权利要求3所述的基于机器学习的地震波信号自动识别系统，其特征在于，将地震信号的低频背景干扰程度与触发器算法进行结合的方法为：

5.根据权利要求4所述的基于机器学习的地震波信号自动识别系统，其特征在于，对地震信号和非地震事件信号的甄别判断，剔除非地震事件信号的方法为：

6.根据权利要求1所述的基于机器学习的地震波信号自动识别系统，其特征在于，从原始地震记录中提取识别和分类地震波形的特征包括时域特征、频域特征、小波变换特征、时频域联合特征、高阶统计量特征、形态特征。

7.根据权利要求6所述的基于机器学习的地震波信号自动识别系统，其特征在于，对提取特征进行分析识别，运用分类算法建立模型，对地震信号进行分类判断的方法为：

技术总结本发明公开了基于机器学习的地震波信号自动识别系统，具体涉及机器学习技术领域，包括初步过滤模块、频谱分析模块、震相拾取模块、特征分析模块、分类识别模块，初步过滤模块对地震波信号进行初步处理和筛选，分段处理信号并计算其能量，频谱分析模块利用傅里叶变换提取地震信号的频谱特征，震相拾取模块通过计算低频背景干扰程度和触发器算法，区分地震信号与非地震事件信号，特征分析模块从原始地震记录中提取波形特征，并传送至分类识别模块，分类识别模块运用分类算法建立模型，对提取特征进行分析识别，通过低频信号特征和触发器算法分离识别地震信号与非地震事件信号，避免低频信号堆叠导致的识别失败，提高地震信号识别的准确性和及时性。技术研发人员：商军,吴慧海,李佳英受保护的技术使用者：无锡承方科技有限公司技术研发日：技术公布日：2024/9/12