搜索
(19)中华人民共和国国家知识产权局(12)发明专利申请(10)申请公布号(43)申请公布日(21)申请号201910282719.1(22)申请日2019.04.09(71)申请人中国科学技术大学地址230026安徽省合肥市包河区金寨路96号(72)发明人陈恩红 徐童 祝恒书 张琦 张立夫 刘淇 (74)专利代理机构北京凯特来知识产权代理有限公司11260代理人郑立明 郑哲(51)Int.Cl.G01V1/28(2006.01)G01V1/30(2006.01)G06K9/00(2006.01)G06K9/62(2006.01)(54)发明名称利用卷积神经网络进行地震检测的方法(57)摘要本发明公开了一种利用卷积神经网络进行地震检测的方法，使用多尺度描述的卷积神经网络结合多任务学习来进地震检测，相比于传统方法，能够利用已有数据的信息，波形的多尺度信息和不同台站之间的位置信息，因此在检测精度上有非常好的表现；本发明达到了目前最高的精度。权利要求书2页说明书6页附图3页CN110082822A2019.08.02CN110082822A1.一种利用卷积神经网络进行地震检测的方法，其特征在于，包括：构建多尺度描述网络与多任务学习框架，所述多尺度描述网络，包含多个依次连接的多尺度描述单元，通过多尺度描述网络使得输入的数据变为多尺度混合特征；所述多任务学习框架包含地震检测任务模块与同源地震检测任务模块，两个模块的输入均为多尺度混合特征，各自完成地震检测任务与同源地震检测任务，其中同源地震检测任务作为辅助任务用来提升地震检测任务的检测精度；利用已知是否是地震的波形数据去训练多尺度描述网络与多任务学习框架中的参数；当训练完毕后，将待检测的波形数据输入多尺度描述网络，并经过地震检测任务模块，获得地震检测结果。2.根据权利要求1所述的一种利用卷积神经网络进行地震检测的方法，其特征在于，每一所述多尺度描述单元具有两个输入：记忆状态Si和特征状态Fi，Si用来储存多尺度描述的混合特征，Fi用来代表当前尺度的特征，下标i表示多尺度描述单元的序号；当输入Fi后，先经过一个卷积层，得到更高尺度的特征，记为Fic；之后，Fic会经过一个最大池化层输出Fi+1，作为下一个多尺度描述单元的一个输入；同时，Fic会与Si直接拼接起来为不同尺度描述的比较和混合做准备；Si与Fic的通道数相同均为N，拼接过后，记为J，通道数转化为2N，再经过一个卷积层，其作用是使用多种方案对J的各个通道乘以一个系数进行加和，从而实现多层级特征Si和当前层级特征Fic的比较和混合，使通道数降回N，并经过一个最大池化层输出多尺度混合特征Si+1，作为下一个多尺度描述单元的另一个输入；所述多尺度描述网络入口处还设有一个卷积层，其输入为预处理后的波形数据，输出的特征作为第一个多尺度描述单元的两个输入：S1与F1。3.根据权利要求1所述的一种利用卷积神经网络进行地震检测的方法，其特征在于，所述地震检测任务模块包含两个全连接层，输入的多尺度混合特征依次经过两个全连接层，后一个全连接层的输出经过第一softmax分类器输出地震检测的分类结果。4.根据权利要求1所述的一种利用卷积神经网络进行地震检测的方法，其特征在于，所述同源地震检测任务模块包含一个相减操作层和两层全连接层；所述相减操作层的输入为波形数据对各自对应的多尺度混合特征，且每一个都与地震检测任务模块的输入相同；通过相减操作层将两个多尺度混合特征相减后送入全连接层，后一个全连接层的输出经过第二softmax分类器输出同源地震检测的分类结果。5.根据权利要求2-4任一项所述的一种利用卷积神经网络进行地震检测的方法，其特征在于，该方法还包括：对已知是否是地震的波形数据进行预处理，其包括：首先，进行波形数据的预处理：对地震传感器得到的原始数据，首先使用常规检测方法检测出候选检测点，然后根据候选检测点截取周围的波形窗口，获得一系列波形窗口，用于地震检测任务模块的训练；同时，需要制作地震波对的数据集，用于同源地震检测任务模块的训练；同源地震检测任务，即检测不同台站检测到的两个波形是否是同一个地震所引发；需要利用地震目录与每个台站中的候选检测点进行对比，判断候选检测点是否是地震初震时间，并将属于同一个地震的候选检测点分为一个组；之后制作用于同源检测的地震波对：将一个地震的波形窗口记为q，根据候选检测点的时间t和所处台站的位置s，计算位置S处的台站可能同时检权 利 要 求 书1/2页2CN110082822A2测到的时间范围；若地震波的最小传播速度为v，则时间范围为：dist表示计算两个位置之间的距离；位置S处的台站在此时间范围内的候选检测点视为候选同源地震，相应候选检测点所属的波形窗口与q组成地震波对。6.根据权利要求5所述的一种利用卷积神经网络进行地震检测的方法，其特征在于，将基于多尺度描述网络的地震检测任务模块看作地震检测网络，将基于多尺度描述网络的同源地震检测任务模块看作辅助任务网络；训练时，对地震检测网络中的每一层卷积层与全连接层后都加入了批归一化，并在优化目标中加入了参数正则化，则地震检测任务的优化目标为：其中，n是训练时输入至地震检测任务模块的数据批次的大小；第一部分是描述地震检测任务效果的损失函数，li∈{0，1}是输入波形是否是地震的标签，yi∈[0，1]是地震检测任务模块输出的地震检测结果，1代表是地震，0代表不是地震；第二部分中w代表地震检测网络中的待优化参数，这一部分即为参数正则化项，λ是调整参数正则化项效果强弱的系数；同源地震检测任务模块的训练过程中是利用任务间的联系辅助优化地震检测任务模块的参数结构，则多任务学习框架的优化目标为：其中，第一部分Lmain是地震检测任务的优化目标，第二部分是描述同源地震检测任务效果的损失函数，m是训练时输入至同源地震检测任务模块的数据批次的大小，是输入波形数据对是否是同源地震的标签，是同源地震检测任务模块输出的检测结果；第三部分是参数正则化项，其中的wh代表辅助任务网络的待优化参数；在训练的过程中，使用小批量随机梯度下降算法来优化Lmulti和Lmain，使用动量优化器反向传播优化参数。7.根据权利要求5所述的一种利用卷积神经网络进行地震检测的方法，其特征在于，在训练完毕后，将待检测的波形数据预处理为波形窗口，从而通过训练好的多尺度描述网络与地震检测任务模块得到相应的地震检测结果。权 利 要 求 书2/2页3CN110082822A3利用卷积神经网络进行地震检测的方法技术领域[0001]本发明涉及机器学习和地震学领域，尤其涉及一种利用卷积神经网络进行地震检测的方法。背景技术[0002]地震检测是地震预警和地震研究的基础问题，它的任务是分辨地震波和噪声。而当一个地震发生后，常常伴随着一系列的余震。余震会严重影响灾后救援工作并造成更加严重的伤亡，因此余震的检测是减小地震损失的重要任务。[0003]在过去的40多年里，地震检测发展出了众多的方法，如基于能量的方法，模板匹配的方法和人工神经网络的方法。其中最为基础和广泛使用的方法是STA/LTA，这也是基于能量的方法中的典型方法。这种方法是基于长短时的比较，列举一些工作。这种方法总是很有效而且效率很高，但是其很容易收到噪声影响，难以平衡recall(召回率)和precision(精确率)。模板匹配的方法可以用于检测‘重复地震’，即震源机制相同的地震。这是一种十分有效，分辨力强的检测方法。但是其依赖于模板的规模，需要巨大的计算量和储存空间，并限制于检测‘重复地震’。[0004]如今对于地震数据已经有非常庞大的数量并在不断增加。这是一个很适合机器学习解决的问题。人工神经网络的方法可以很好的抵抗噪声，具有很好的泛化性能和灵活性。但是其网络设计并未很好的考虑到地震数据的特点，因此在余震数据集上没有达到预期的效果。发明内容[0005]本发明的目的是提供一种利用卷积神经网络进行地震检测的方法，可以充分利用已有数据学习出地震波形的多尺度特征和不同台站之间的关系，用来检测当前波形是否是地震。[0006]本发明的目的是通过以下技术方案实现的：[0007]一种利用卷积神经网络进行地震检测的方法，包括：[0008]构建多尺度描述网络与多任务学习框架，所述多尺度描述网络，包含多个依次连接的多尺度描述单元，通过多尺度描述网络使得输入的数据变为多尺度混合特征；所述多任务学习框架包含地震检测任务模块与同源地震检测任务模块，两个模块的输入均为多尺度混合特征，各自完成地震检测任务与同源地震检测任务，其中同源地震检测任务作为辅助任务用来提升地震检测任务的检测精度；[0009]利用已知是否是地震的波形数据去训练多尺度描述网络与多任务学习框架中的参数；当训练完毕后，将待检测的波形数据输入多尺度描述网络，并经过地震检测任务模块，获得地震检测结果。[0010]由上述本发明提供的技术方案可以看出，使用多尺度描述的卷积神经网络结合多任务学习来进地震检测，相比于传统方法，能够利用已有数据的信息，波形的多尺度信息和说 明 书1/6页4CN110082822A4不同台站之间的位置信息，因此在检测精度上有非常好的表现；本发明达到了目前最高的精度。附图说明[0011]为了更清楚地说明本发明实施例的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域的普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他附图。[0012]图1为本发明实施例提供的多尺度描述单元的示意图；[0013]图2为本发明实施例提供的一种利用卷积神经网络进行地震检测的网络结构示意图；[0014]图3为本发明实施例提供的地震检测网络结构示意图。具体实施方式[0015]下面结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明的保护范围。[0016]本发明实施例提供一种利用卷积神经网络进行地震检测的方法，主要包括：[0017]构建多尺度描述网络与多任务学习框架，所述多尺度描述网络，包含多个依次连接的多尺度描述单元，通过多尺度描述网络使得输入的数据变为多尺度混合特征；所述多任务学习框架包含地震检测任务模块与同源地震检测任务模块，两个模块的输入均为多尺度混合特征，各自完成地震检测任务与同源地震检测任务，其中同源地震检测任务作为辅助任务用来提升地震检测任务的检测精度；[0018]利用已知是否是地震的波形数据去训练多尺度描述网络与多任务学习框架中的参数；当训练完毕后，将待检测的波形数据输入多尺度描述网络，并经过地震检测任务模块，获得地震检测结果。[0019]上述方案使用多尺度描述的卷积神经网络结合多任务学习来进地震检测，相比于传统方法，能够利用已有数据的信息，波形的多尺度信息和不同台站之间的位置信息，因此在检测精度上有非常好的表现；上述方案达到了目前最高的精度。[0020]为了便于理解，下面针对多尺度描述网络与多任务学习框架的结构、数据预处理的方式、以及训练过程做详细说明。[0021]一、多尺度描述网络。[0022]本发明实施例中，多尺度描述网络主要包括：入口处的卷积层，以及其后端堆叠的一系列多尺度描述单元(MSD-cell)。[0023]入口处的卷积层其输入为预处理后的波形数据，输出的特征作为第一个多尺度描述单元的两个输入：S1与F1[0024]如图1所示，每一所述多尺度描述单元具有两个输入：记忆状态Si和特征状态Fi，Si用来储存多尺度描述的混合特征，Fi用来代表当前尺度的特征，下标i表示多尺度描述单元说 明 书2/6页5CN110082822A5的序号；[0025]当输入Fi后，先经过一个卷积层(例如，32x1x3，其中1x3是指卷积核大小，32是指通道数)，得到更高尺度的特征，记为Fic；[0026]之后，Fic会经过一个最大池化层(例如，1x2，str