一种基于多特征融合的深度学习地震事件分类方法及系统

本发明属于地震数据处理，具体涉及一种基于多特征融合的深度学习地震事件分类方法及系统。

背景技术：

1、地震是一种由板块运动引起的自然现象，其震源机制是由于板块发生碰撞后，释放出大量的能量。自然灾害中破坏性最强的是地震灾害，其发生具有瞬时性，并且造成的人员伤亡非常大。目前地震台网中心，是根据台站接收到的地震波来检测地震的发生，而爆炸、爆破、塌陷和火山等非地质构造所产生的现象也会产生类似于地震波的波形数据。随着中国数字地震观测系统技术的高速发展，台站密度逐渐增大，地震监测能力明显提高，除能够监测各类构造地震事件外，也能够有效捕获到更多各类非构造事件的信号。对构造事件和非构造事件进行分类，能够在震后第一时间提供准确的性质信息，对减轻地震损失、降低地震灾害和减少人员伤亡都具有重要的意义。

2、地震波形和非构造事件波形中特征的差异是区分地震和爆破、塌陷等非构造事件的关键因素。随着台网台站数量的增加，地震波形数据的收集愈加完善，对地震波形数据的预处理更为重要，对地震波形数据进行合理的预处理方法，才能提高对事件分类的能力。目前已经有一些对地震波形数据的处理方法，利用事件波形来快速对地震事件进行分类和判断对后继的地震速报有极为重要的意义。

3、人工对地震波形特征进行分析的手段在地震事件分类过程中耗费大量的人力和物力。目前有大量已经标记的构造地震事件和非构造事件，可以将近来兴起的利用大量数据来提取特征进行学习的深度学习技术应用到处理地震事件分类的问题上，来提高对地震事件分类的效率，同时节省资源。

4、随着深度学习技术的突飞猛进，深度学习方法被广泛地运用到地震学领域中，目前的方法虽然能大致对地震事件进行分类，但精度不高，由于非天然地震事件数量较少，所以目前的模型对非天然地震事件的分类精度不高，即使有一些精度较高的方法，也需要耗费大量人力对地震事件波形进行处理，不益于大规模推广使用。

技术实现思路

1、针对现有技术的不足，本申请提出一种基于多特征融合的深度学习地震事件分类方法及系统。

2、第一方面，本申请提出一种基于多特征融合的深度学习地震事件分类方法，包括：

3、通过多个台站采集地震波形数据；

4、将所述地震波形数据进行预处理；

5、将预处理后的地震波形数据输入到预训练的分类网络进行分类，得到地震事件分类结果；所述预训练的分类网络包括：基于先验知识的特征计算网络、基于xgboost的特征提取网络、基于bi-lstm的波形特征提取网络、基于稀有类别生成的数据增强网络、基于attention的特征选择网络以及分类网络；

6、将所有台站的地震事件分类结果进行投票，根据投票结果确定地震的事件类型，并将地震的事件类型进行输出并显示。

7、所述基于先验知识的特征计算网络，包括：利用专家提出的地震波形特征的概念，对预处理后的地震波形数据进行特征计算，得到第一特征，所述第一特征反映信号在时频域以及能量的多角度特征。

8、所述基于xgboost的特征提取网络，包括：以所述第一特征为输入，采用预训练的xgboost模型对第一特征所包含的各个特征进行评估，得到各个特征在事件分类过程中所占的权重，将具有权重的第一特征作为输出。

9、所述基于bi-lstm的波形特征提取网络，包括：以预处理后的地震波形数据为输入，采用预训练的bi-lstm模型提取第二特征，所述第二特征为时域特征，以所述第二特征作为输出。

10、所述基于稀有类别生成的数据增强网络，包括：

11、将具有权重的第一特征与第二特征进行合并，得到第三特征；

12、将所述第三特征输入到预训练的数据增强网络，得到第四特征。

13、所述基于attention的特征选择网络，包括：将所述第四特征输入到预训练的attention模型，得到第五特征。

14、所述分类网络，包括：将所述第五特征输入到预训练的全连接层，得到地震事件分类结果。

15、第二方面，本申请提出一种基于多特征融合的深度学习地震事件分类系统，包括：

16、数据获取模块，用于通过多个台站采集地震波形数据；

17、预处理模块，用于将所述地震波形数据进行预处理；

18、地震事件分类模块，用于将预处理后的地震波形数据输入到预训练的分类网络进行分类，得到地震事件分类结果；所述预训练的分类网络包括：基于先验知识的特征计算网络、基于xgboost的特征提取网络、基于bi-lstm的波形特征提取网络、基于稀有类别生成的数据增强网络、基于attention的特征选择网络以及分类网络；

19、可视化输出模块，用于将所有台站的地震事件分类结果进行投票，根据投票结果确定地震的事件类型，并将地震的事件类型进行输出并显示。

20、第三方面，本申请提出一种电子设备，包括：一个或多个处理器，以及存储器，所述存储器用于存储指令，当所述指令被所述一个或多个处理器执行时，使得所述一个或多个处理器执行所述的基于多特征融合的深度学习地震事件分类方法。

21、第四方面，本申请提出一种计算机可读存储介质，其存储有可执行的指令，所述指令当被执行时使得处理器执行所述的基于多特征融合的深度学习地震事件分类方法。

22、有益效果：

23、本申请提出一种基于多特征融合的深度学习地震事件分类方法及系统，本申请通过融合物理特征和数据增强，提高了天然地震和非天然地震事件分类的准确率。利用先验知识实现特征计算模块，根据xgboost来得到各个特征的权重信息，用于地震事件分类过程。非天然地震事件的数量相比于天然地震的数量较少，在训练时，容易将非天然地震识别为天然地震，为平衡两种地震的数量，本申请利用特征位移对非天然地震进行数据增强，提高了非天然地震的识别准确率。

技术特征：

1.一种基于多特征融合的深度学习地震事件分类方法，其特征在于，包括：

2.根据权利要求1所述的基于多特征融合的深度学习地震事件分类方法，其特征在于，所述基于先验知识的特征计算网络，包括：利用专家提出的地震波形特征的概念，对预处理后的地震波形数据进行特征计算，得到第一特征，所述第一特征反映信号在时频域以及能量的多角度特征。

3.根据权利要求2所述的基于多特征融合的深度学习地震事件分类方法，其特征在于，所述基于xgboost的特征提取网络，包括：以所述第一特征为输入，采用预训练的xgboost模型对第一特征所包含的各个特征进行评估，得到各个特征在事件分类过程中所占的权重，将具有权重的第一特征作为输出。

4.根据权利要求3所述的基于多特征融合的深度学习地震事件分类方法，其特征在于，所述基于bi-lstm的波形特征提取网络，包括：以预处理后的地震波形数据为输入，采用预训练的bi-lstm模型提取第二特征，所述第二特征为时域特征，以所述第二特征作为输出。

5.根据权利要求4所述的基于多特征融合的深度学习地震事件分类方法，其特征在于，所述基于稀有类别生成的数据增强网络，包括：

6.根据权利要求5所述的基于多特征融合的深度学习地震事件分类方法，其特征在于，所述基于attention的特征选择网络，包括：将所述第四特征输入到预训练的attention模型，得到第五特征。

7.根据权利要求6所述的基于多特征融合的深度学习地震事件分类方法，其特征在于，所述分类网络，包括：将所述第五特征输入到预训练的全连接层，得到地震事件分类结果。

8.一种基于多特征融合的深度学习地震事件分类系统，其特征在于，包括：

9.一种电子设备，其特征在于，包括：一个或多个处理器，以及存储器，所述存储器用于存储指令，当所述指令被所述一个或多个处理器执行时，使得所述一个或多个处理器执行权利要求1～7任一权利要求所述的基于多特征融合的深度学习地震事件分类方法。

10.一种计算机可读存储介质，其特征在于，其存储有可执行的指令，所述指令当被执行时使得处理器执行权利要求1～7任一权利要求所述的基于多特征融合的深度学习地震事件分类方法。

技术总结本申请提出一种基于多特征融合的深度学习地震事件分类方法及系统，属于地震数据处理技术领域，所述方法包括：通过多个台站采集地震波形数据；将地震波形数据进行预处理；将预处理后的地震波形数据输入到预训练的分类网络进行分类；预训练的分类网络包括：基于先验知识的特征计算网络、基于XGBoost的特征提取网络、基于Bi‑LSTM的波形特征提取网络、基于稀有类别生成的数据增强网络、基于Attention的特征选择网络以及分类网络；将所有台站的地震事件分类结果进行投票，根据投票结果确定地震的事件类型，并将地震的事件类型进行输出并显示。本申请通过融合物理特征和数据增强，提高了天然地震和非天然地震事件分类的准确率。技术研发人员：任涛,项文娟,孟凡春,何欣宇受保护的技术使用者：东北大学技术研发日：技术公布日：2024/11/18