鄭 周,林彬華,金 星,韋永祥,丁炳火,陳 輝

(1.中國(guó)地震局工程力學(xué)研究所 中國(guó)地震局地震工程與工程振動(dòng)重點(diǎn)實(shí)驗(yàn)室,黑龍江 哈爾濱 150080;2.地震災(zāi)害防治應(yīng)急管理部重點(diǎn)實(shí)驗(yàn)室,黑龍江 哈爾濱 150080;3.福建省地震局,福州 350003)

0 引言

目前地震波形的分類(lèi)和判別仍然是地震學(xué)領(lǐng)域的一個(gè)熱點(diǎn)問(wèn)題,隨著布設(shè)的臺(tái)站越來(lái)越多、越來(lái)越廣,臺(tái)站儀器精度不斷提高,觀測(cè)到地震波形的數(shù)量和種類(lèi)也越來(lái)越多[1-2]。地震臺(tái)站收集到的波形為地震、背景噪聲、爆破、機(jī)械振動(dòng)、干擾或異常波形,若不將這些波形進(jìn)行分類(lèi),很可能會(huì)給地震預(yù)警帶來(lái)誤觸發(fā),也會(huì)給日常地震監(jiān)測(cè)帶來(lái)誤導(dǎo)性結(jié)果,故地震波形分類(lèi)對(duì)地震學(xué)研究和地震預(yù)警應(yīng)用具有重要的意義。目前這一分類(lèi)工作大多通過(guò)人工來(lái)完成的,不僅費(fèi)時(shí),還考驗(yàn)分析人員的專(zhuān)業(yè)水平,難免會(huì)出現(xiàn)一些錯(cuò)誤[1]。為了解決這一問(wèn)題,地震學(xué)家們發(fā)展了許多種類(lèi)的自動(dòng)識(shí)別算法,如下幾種是比較典型的幾類(lèi)：基于振幅的長(zhǎng)短時(shí)平均算法(STA/LTA)和基于Akaike信息準(zhǔn)則的方法(AIC)等方法[2]。這些方法各有長(zhǎng)處和短處,如長(zhǎng)短時(shí)平均算法(STA/LTA)對(duì)于信噪比高的信號(hào)識(shí)別率比較高,對(duì)于信噪比低的信號(hào)則不是很敏感,因此往往會(huì)漏掉。AIC方法與STA/LTA相比較則能更準(zhǔn)確估計(jì)地震信號(hào)的到來(lái),但同樣也依賴(lài)信噪比的質(zhì)量。以上幾種傳統(tǒng)檢測(cè)方法雖然能夠快速檢測(cè)觸發(fā)信號(hào),但是無(wú)法甄別地震、干擾或異常波形。

隨著計(jì)算機(jī)技術(shù)的高速發(fā)展,機(jī)器學(xué)習(xí)被廣泛的運(yùn)用在圖像識(shí)別、信號(hào)處理、手寫(xiě)識(shí)別、評(píng)估、預(yù)測(cè)、組合優(yōu)化和知識(shí)工程等領(lǐng)域[3-4]。近年來(lái)地震學(xué)家們?cè)诘卣饘W(xué)的研究中也引入了深度學(xué)習(xí)的方法,例如趙明等[5]應(yīng)用卷積神經(jīng)網(wǎng)絡(luò)對(duì)汶川地震余震波形和首都圈進(jìn)行自動(dòng)分類(lèi)與識(shí)別,其訓(xùn)練和檢測(cè)準(zhǔn)確率均達(dá)到95%以上。ZHANG等[6]應(yīng)用卷積神經(jīng)網(wǎng)絡(luò)實(shí)現(xiàn)了微震波形分類(lèi),結(jié)合小波變換將頻譜分解為時(shí)頻譜,區(qū)分地震信號(hào)和干擾噪聲;MEN-ANDRIN等[7]使用了幾種神經(jīng)網(wǎng)絡(luò)模型對(duì)實(shí)時(shí)的地震信號(hào)和噪聲進(jìn)行了判別,能迅速的識(shí)別地震和干擾信號(hào),準(zhǔn)確率高達(dá)90%以上;LI等[8]結(jié)合了生成對(duì)抗神經(jīng)網(wǎng)絡(luò)和隨機(jī)森林對(duì)南加州和日本約70萬(wàn)地震和噪聲波形進(jìn)行了訓(xùn)練,該模型可以識(shí)別99.2%的地震P波和98.4%的噪聲信號(hào);CHEN等[9]結(jié)合K平均算法和卷積神經(jīng)網(wǎng)絡(luò)對(duì)地震波形進(jìn)行分類(lèi),通過(guò)對(duì)不同噪聲水平的合成微震資料和野外微震資料的應(yīng)用分析,發(fā)現(xiàn)K-CNN模型能精確地將地震波形進(jìn)行分類(lèi);ZHANG等[10]用經(jīng)驗(yàn)?zāi)Ｊ椒纸釫EMD和卷積神經(jīng)網(wǎng)絡(luò)對(duì)地震信號(hào)進(jìn)行分類(lèi),分類(lèi)的結(jié)果高達(dá)93.85%;宋晉東等[11-12]運(yùn)用人工智能的方法對(duì)地震動(dòng)峰值和震級(jí)進(jìn)行了預(yù)測(cè),其離線模擬測(cè)試結(jié)果優(yōu)于傳統(tǒng)方法;LINVILLE等[13]、ZHANG等[14]、LI等[15,17]和BRAS等[16]運(yùn)用深度學(xué)習(xí)的方法對(duì)地震事件進(jìn)行了判別,準(zhǔn)確率均在90%以上。以上這些人的研究進(jìn)一步證明了深度學(xué)習(xí)在地震學(xué)上存在一定的發(fā)展?jié)摿Α５麄儗?duì)異常波形的判別還沒(méi)有得到很好的解決,為此本文設(shè)計(jì)了一種基于卷積神經(jīng)網(wǎng)絡(luò)對(duì)異常波形自動(dòng)識(shí)別的方法,以三通道波形作為卷積神經(jīng)網(wǎng)絡(luò)的輸入,地震、噪聲、爆破和異常作為輸出,訓(xùn)練出3 s樣本波形的預(yù)測(cè)模型。相比于傳統(tǒng)神經(jīng)網(wǎng)絡(luò)單一的提取特征,該方法更加全面、更加可靠和穩(wěn)定,能更加準(zhǔn)確的對(duì)地震、噪聲、爆破、異常波形進(jìn)行分類(lèi)與判別,證明了該模型能夠在地震監(jiān)測(cè)預(yù)警中快速和精確地對(duì)波形進(jìn)行分類(lèi)。

1 數(shù)據(jù)與方法

福建省測(cè)震臺(tái)網(wǎng)由88個(gè)測(cè)震臺(tái)站、16個(gè)臺(tái)灣省臺(tái)站及12個(gè)周邊鄰省臺(tái)站共116臺(tái)組成[18-19]。本文收集并處理了2012—2017年福建測(cè)震臺(tái)網(wǎng)記錄到的683個(gè)地震事件(ML>1,震中距<100 km)和478個(gè)爆破事件作為研究數(shù)據(jù)如圖1所示。這些事件波形均由福建省地震局專(zhuān)業(yè)的地震分析人員做過(guò)地震編目分析,所記錄到地震事件和爆破事件均包含E、N和Z三分量波形,臺(tái)站觀測(cè)數(shù)據(jù)的采樣率均為100 Hz,全部都為扣除臺(tái)站儀器響應(yīng)后所記錄的實(shí)際地動(dòng)速度(單位 um/s)[19]。

圖1 本研究中所使用的數(shù)據(jù)集信息Fig. 1 Information of the data set used in this study

1.1 訓(xùn)練樣本預(yù)處理

研究樣本是根據(jù)地震事件的P波到時(shí)信息所截取的：截取P波到時(shí)和P波到時(shí)后3 s共3 s作為模型所訓(xùn)練的地震波形樣本;截取P波到時(shí)前5 s和P波前2 s共3 s作為模型所訓(xùn)練的噪聲波形樣本[19],同樣對(duì)爆破和異常波形的截取長(zhǎng)度也是3 s,將標(biāo)定、方波、突跳和儀器故障波形都視為異常。圖2(a)～圖2(d)分別是3 s地震、噪聲、爆破及異常的波形樣本圖。

圖2 本研究中使用的3s波形數(shù)據(jù)的例子Fig. 2 Examples of 3s waveform data used in this study

1.2 訓(xùn)練集和測(cè)試集

首先建立一個(gè)波形分類(lèi)器作為監(jiān)督學(xué)習(xí)的過(guò)程,監(jiān)督式學(xué)習(xí)是需要一個(gè)包含先前知識(shí)的學(xué)習(xí)數(shù)據(jù)集來(lái)訓(xùn)練卷積神經(jīng)網(wǎng)絡(luò)分類(lèi)器,學(xué)習(xí)所用的數(shù)據(jù)集是由輸入特征和輸出特征標(biāo)簽組成,輸入的特征就是原始波形,輸出的則是地震、噪聲、爆破和異常[19]。將收集并處理好的2012—2016年福建省、臺(tái)灣省及周邊鄰省測(cè)震臺(tái)網(wǎng)所記錄的數(shù)據(jù)作為訓(xùn)練集樣本,為了保證訓(xùn)練樣本的均勻性,截取的地震、噪聲、爆破和異常波形的樣本數(shù)量相同,獲得了5 500條地震波形、5 500條噪聲波形、5 500條爆破波形和5 500條異常波形,共22 000條波形樣本作為訓(xùn)練集,收集并處理了2017年福建省、臺(tái)灣省及周邊鄰省測(cè)震臺(tái)網(wǎng)所記錄的數(shù)據(jù)作為測(cè)試集數(shù)據(jù),同樣保證測(cè)試的公平性,截取并獲得了1 375條地震波形、1 375條噪聲波形、1 375條爆破波形、1 375條異常波形和共5 500條波形樣本作為測(cè)試集。

1.3 樣本標(biāo)簽生成

由于神經(jīng)網(wǎng)絡(luò)具有較強(qiáng)的分類(lèi)能力,因此把地震、噪聲、爆破和異常當(dāng)作四分類(lèi)問(wèn)題處理[20]。地震作為第一類(lèi),輸出的標(biāo)簽結(jié)果為0;噪聲作為第二類(lèi),輸出的標(biāo)簽結(jié)果為1;爆破作為第三類(lèi),輸出的標(biāo)簽結(jié)果為2;異常作為第四類(lèi),輸出的標(biāo)簽結(jié)果為3(見(jiàn)表1)。

2 卷積神經(jīng)網(wǎng)絡(luò)模型的搭建

針對(duì)地震波形分類(lèi)識(shí)別問(wèn)題上,采用單臺(tái)三通道的3 s波形作為輸入,地震、噪聲、爆破和異常波形作為輸出。卷積神經(jīng)網(wǎng)絡(luò)通過(guò)卷積核(濾波器)進(jìn)行卷積操作,從而提取地震波形特征,若想提取更多的特征,則可以設(shè)置多層卷積層,但也要防止神經(jīng)網(wǎng)絡(luò)模型出現(xiàn)過(guò)擬合的情況,需要合理設(shè)置,結(jié)合以上流程,最后通過(guò)類(lèi)似投票的形式輸出對(duì)應(yīng)的波形類(lèi)型的概率如圖3所示[19-23]。

表1 地震波形分類(lèi)及標(biāo)簽Table1 Classificationandlabelingofseismicwaveforms標(biāo)簽波形分類(lèi)0地震1噪聲2爆破3異常圖3 卷積神經(jīng)網(wǎng)絡(luò)的輸入與輸出流程圖Fig.3 Inputandoutputflowchartofconvolutionalneuralnetwork

2.1 卷積神經(jīng)網(wǎng)絡(luò)的原理

卷積神經(jīng)網(wǎng)絡(luò)是一種前饋多層神經(jīng)網(wǎng)絡(luò),用于處理多維數(shù)組,通過(guò)卷積、池化和全連接層組成的多個(gè)隱藏單元序列,將輸入特征轉(zhuǎn)換為輸出類(lèi)別概率。每一層卷積層中都包含一組線性或者非線性濾波器,用于提取前一層的局部特征,通過(guò)使用一個(gè)校正的線性單元將所有的負(fù)響應(yīng)映射為零,SW-CNN選擇的是RELU激活函數(shù)(如公式1),可以加快模型的訓(xùn)練速度：

(1)

式中：bj和wij分別代表卷積神經(jīng)網(wǎng)絡(luò)中第j個(gè)神經(jīng)元的偏置和權(quán)重,該神經(jīng)元通過(guò)將上一層的輸入Xi傳遞到這一層的輸出特征Xj。通常把相似的局部特征合并成一個(gè)特征,對(duì)生成的特征進(jìn)行空間下采樣(又稱(chēng)池化操作),池化操作可以在模型訓(xùn)練的過(guò)程中減少自由參數(shù)的數(shù)量,改善網(wǎng)絡(luò)模型的性能,防止出現(xiàn)過(guò)擬合的情況。由一系列卷積層、非線性激活層和池化層產(chǎn)生的輸出特征映射以串聯(lián)的形式被傳遞到全連接層,每一個(gè)神經(jīng)元都與上一層的所有激活連接,連接的方式都是線性的。最后一個(gè)全連接層的輸出將會(huì)被輸送到一個(gè)歸一化指數(shù)函數(shù)(Softmax分類(lèi)器),該函數(shù)的作用是計(jì)算N個(gè)不同可能類(lèi)別的概率分布(如公式2)[19,21-23]：

(2)

式中：xj為最后一層輸出x的第j個(gè)元素值,Pj為第j個(gè)元素所輸出的概率值,通常所輸出的概率值會(huì)在0～1之間,值越大說(shuō)明可能性越高。本文所研究的目標(biāo)是尋找一組可學(xué)習(xí)的自由參數(shù),通過(guò)使用L2正則化多項(xiàng)邏輯損失函數(shù)(如公式3),最大限度的減少與真實(shí)值間的誤差：

(3)

式中：正則化參數(shù)λ是控制數(shù)據(jù)失配和模型約束之間的權(quán)衡,并控制模型各層的參數(shù)(偏差和權(quán)重)。通過(guò)使用梯度下降法來(lái)尋找目標(biāo)的最優(yōu)解,該方法通過(guò)損失函數(shù)的負(fù)梯度和來(lái)自前一次迭代的模型更新的線性組合來(lái)計(jì)算每次迭代時(shí)來(lái)進(jìn)行網(wǎng)絡(luò)參數(shù)的更新(如公式4)：

ΔWt=μΔWt-1-α?J(Wt)

(4)

式中：學(xué)習(xí)率α是負(fù)梯度的權(quán)重,動(dòng)量μ控制模型中的每一次迭代參數(shù)的更新,對(duì)于比較大的訓(xùn)練集,可以在每次迭代中抽取訓(xùn)練集的小隨機(jī)選擇(小批量)來(lái)估計(jì)代價(jià)函數(shù)的隨機(jī)近似將更有效。

2.2 網(wǎng)絡(luò)模型的調(diào)參試驗(yàn)

構(gòu)建一個(gè)完整的卷積神經(jīng)網(wǎng)絡(luò)模型需要設(shè)置適當(dāng)?shù)木矸e層、池化層和全連接層的層數(shù),以及選取適當(dāng)?shù)木矸e核的大小、卷積步長(zhǎng)、激活函數(shù)、訓(xùn)練批次等參數(shù)。SW-CNN模型是在Tensorflow2.0和Pycharm上搭建的,本文所用的硬件配置以及軟件的使用見(jiàn)表2。

表2 模型的硬件和軟件環(huán)境Table 2 Hardware and software environment of the model

參數(shù)的選擇參考了前人選取的原則[3-4,19-28],對(duì)于輸入的三通道地震波形進(jìn)行了檢測(cè)分析,采用的卷積核大小是3×3,卷積層的通道數(shù)是64,每一批次選取256個(gè)樣本,最大迭代輪數(shù)選擇的是10 000,每1層都引用了RELU激活函數(shù)。表3展示了SW-CNN模型的調(diào)參試驗(yàn),用來(lái)對(duì)比模型結(jié)構(gòu)的優(yōu)良性。從表3中的T01、T02和T03這三個(gè)對(duì)比試驗(yàn)看出：T03的效果最好,T01的效果最差,可得6層卷積結(jié)構(gòu)較優(yōu);從表3中的T03、T04和T05這三個(gè)對(duì)比試驗(yàn)看出：T04的效果最好,可得2層全連接層結(jié)構(gòu)較優(yōu)。綜上所述,選取6層卷積和2層全連接層的網(wǎng)絡(luò)模型結(jié)構(gòu)的試驗(yàn)效果最優(yōu)。另外,本文是在CPU配置的工作站上進(jìn)行訓(xùn)練的,調(diào)參耗時(shí)會(huì)比GPU配置上的工作站慢很多,對(duì)于耗時(shí)問(wèn)題,今后會(huì)進(jìn)行改善。

表3 模型的調(diào)參試驗(yàn)Table 3 Parameter adjustment experiment of the model

2.3 卷積神經(jīng)網(wǎng)絡(luò)的模型架構(gòu)

與傳統(tǒng)的神經(jīng)網(wǎng)絡(luò)不同,卷積神經(jīng)網(wǎng)絡(luò)是由不同類(lèi)型的隱藏層組成的,如圖4所示。以長(zhǎng)為3 s的地震三通道波形作為輸入數(shù)據(jù),并對(duì)輸入數(shù)據(jù)進(jìn)行3×3卷積操作,在卷積操作若出現(xiàn)空白的部分,則用0來(lái)做填充處理,然后便進(jìn)行2×2的池化操作。第1～6層都進(jìn)行了卷積和池化操作,輸入的特征圖從原來(lái)是64@300變?yōu)榱?4@10,最后通過(guò)Flattenning將其變?yōu)橐痪S向量,展開(kāi)共得到了640個(gè)特征點(diǎn),通過(guò)全連接層和Softmax函數(shù)將其用概率分布的形式輸出成地震、噪聲、爆破和異常。SW-CNN模型采用了ADAM優(yōu)化算法、運(yùn)用了L2正則化操作、學(xué)習(xí)率為0.001、網(wǎng)絡(luò)的訓(xùn)練迭代次數(shù)為10 000和訓(xùn)練的目標(biāo)損失誤差為0.06。

圖4 卷積神經(jīng)網(wǎng)絡(luò)模型架構(gòu)Fig. 4 Convolutional neural network model architecture

3 結(jié)果分析

3.1 評(píng)價(jià)指標(biāo)

用Precision(準(zhǔn)確率)、Recall(召回率)和F1-score(F1分?jǐn)?shù))對(duì)地震波形分類(lèi)的卷積神經(jīng)網(wǎng)絡(luò)模型進(jìn)行評(píng)價(jià)[24-27]。其中準(zhǔn)確率被定義為模型正確預(yù)測(cè)出為正的樣本的數(shù)量,召回率被定義為有多少正例的樣本被預(yù)測(cè)出來(lái)的數(shù)量,F1分?jǐn)?shù)則是對(duì)準(zhǔn)確率和召回率的一種調(diào)和平均。計(jì)算準(zhǔn)確率、召回率和F1分?jǐn)?shù)的公式(5)—公式(7)：

Precision=TP/(TP+FP)

(5)

Recall=TP/(TP+FN)

(6)

F1=2×Precision×Recall/(Precision+Recall)

(7)

式中：TP代表的意思是真陽(yáng)性,FP代表的意思是假陽(yáng)性,FN代表的意思是假陰性。在完美的卷積神經(jīng)網(wǎng)絡(luò)中：TP的值為1,FP的值為0[7]。

3.2 SW-CNN模型分類(lèi)結(jié)果分析

利用訓(xùn)練集中收集并處理的22 000條三通道波形樣本,訓(xùn)練出SW-CNN模型,并用測(cè)試集中收集并處理的5 500條三通道波形樣本對(duì)SW-CNN進(jìn)行測(cè)試,用來(lái)驗(yàn)證SW-CNN模型的優(yōu)良性,由于樣本量充足,因此測(cè)試集并沒(méi)有采用數(shù)據(jù)增強(qiáng)策略(如濾波和去噪等操作)。本文以正確分類(lèi)到不同波形類(lèi)別的百分比來(lái)評(píng)估卷積神經(jīng)網(wǎng)絡(luò)模型的魯棒性,從表4可得：測(cè)試集對(duì)地震的識(shí)別準(zhǔn)確率為97.9%,對(duì)噪聲的識(shí)別準(zhǔn)確率為99%,對(duì)爆破的識(shí)別準(zhǔn)確率為99.2%,對(duì)異常的識(shí)別準(zhǔn)確率為99.3%,得出SW-CNN模型能有效地對(duì)地震、噪聲、爆破和異常波形進(jìn)行分類(lèi)。

如圖5混淆矩陣所示(每一行之和表示該類(lèi)別的真實(shí)樣本數(shù)量,每一列之和表示被預(yù)測(cè)為該樣本)[6,15],地震波形出現(xiàn)了29次分類(lèi)錯(cuò)誤,噪聲波形出現(xiàn)了14次分類(lèi)錯(cuò)誤,爆破波形出現(xiàn)了11次分類(lèi)錯(cuò)誤,異常波形出現(xiàn)了10次分類(lèi)錯(cuò)誤。可以看出SW-CNN模型對(duì)異常波形的識(shí)別率優(yōu)于另外三種波形,且對(duì)另外三種波形的識(shí)別率均超過(guò)97%,有利于進(jìn)一步更深層次的研究。

表4 評(píng)估方法的精度結(jié)果 Table4 Accuracyresultsofevaluationmethods %波形類(lèi)別PrecisionRecallF1地震97.99997.6噪聲9997.898.4爆破99.29999.1異常99.399.499.3圖5 地震波形分類(lèi)的混淆矩陣Fig.5 Confusionmatrixofseismicwaveformclassification

測(cè)試集正確分類(lèi)的波形樣本如圖6(a)-圖6(d)所示,測(cè)試集錯(cuò)誤分類(lèi)的波形樣本如圖6(e)-圖6(f)所示,測(cè)試集檢測(cè)出人工誤標(biāo)識(shí)為波形樣本如圖6(g)-圖6(h)所示。圖6(e)模型將噪聲波形誤判別成了地震波形,圖6(f)模型將爆破波形誤判別成地震波形,可能是震級(jí)較小的地震或震中距較遠(yuǎn)的臺(tái)站地震記錄相比于爆破更容易被噪聲淹沒(méi),導(dǎo)致地震被誤判別成爆破。從圖6(g)可以看出這是一張地震波形圖片,但在準(zhǔn)備數(shù)據(jù)集時(shí)把它錯(cuò)誤標(biāo)成了噪聲,但是模型正確把它也判定成了地震波形;從圖6(h)可以看出這是一張?jiān)肼暡ㄐ螆D片,在準(zhǔn)備數(shù)據(jù)集時(shí)把其錯(cuò)誤標(biāo)成了地震,但是模型正確把它判定成了噪聲波形。把圖6(g)-圖6(h)錯(cuò)誤標(biāo)識(shí)的信息改正過(guò)來(lái)后放入模型訓(xùn)練,模型能成功識(shí)別。綜上所述,說(shuō)明所構(gòu)建的模型在波形分類(lèi)的能力上穩(wěn)定性較好。

圖6 四種波形分類(lèi)的例子Fig. 6 Examples of the four waveform classification

3.3 其他AI模型分類(lèi)結(jié)果分析

利用文中SW-CNN模型所使用的樣本數(shù)據(jù),分別采用深度學(xué)習(xí)中的Alex Net模型和VGG16模型對(duì)地震波形進(jìn)行分類(lèi),并與上述SW-CNN模型分類(lèi)結(jié)果進(jìn)行比較。

3.3.1 Alex Net

Alex Net模型是由KRIZHEVSKY等[3]提出的,其中模型包含了6億3 000萬(wàn)個(gè)連接,6 000萬(wàn)個(gè)參數(shù)和65萬(wàn)個(gè)神經(jīng)元,主體結(jié)果由5個(gè)卷積層、3個(gè)池化層和3個(gè)全連接層組成。為了避免網(wǎng)絡(luò)訓(xùn)練時(shí)出現(xiàn)過(guò)擬合的情況,KRIZHEVSKY等加入了LRN層、以及在全連接層后加入Dropout層,使模型更加的魯棒,從而讓模型能更好的進(jìn)行學(xué)習(xí)。表5為Alex Net對(duì)四種波形的分類(lèi)結(jié)果,可以看出：Alex Net模型在訓(xùn)練集和測(cè)試集的識(shí)別率均在95%以上。

表5 Alex Net模型對(duì)四種波形的識(shí)別準(zhǔn)確率Table 5 Recognition accuracy of Alex Net model for four waveforms

3.3.2 VGG Net

VGG Net是由SIMONYAN等[4]一起研發(fā)的深度卷積神經(jīng)網(wǎng)絡(luò)模型,通過(guò)多個(gè)3×3的卷積核和2×2的最大池化層成功的構(gòu)建了16～19層的網(wǎng)絡(luò)結(jié)構(gòu)。由于VGG Net的深度較深,卷積層數(shù)量多,因此計(jì)算量比較大并且耗費(fèi)時(shí)間較長(zhǎng)。相比于Alex Net模型,VGG Net取消了LRN層,用更深的網(wǎng)絡(luò)和小卷積核來(lái)減少過(guò)擬合的情況。表6為VGG Net對(duì)四種波形的分類(lèi)結(jié)果,可以看出VGG Net模型在訓(xùn)練集和測(cè)試集的識(shí)別率均在96%以上。

表6 VGG Net模型對(duì)四種波形的識(shí)別準(zhǔn)確率Table 6 Recognition accuracy of VGG Net model for four waveforms

3.4 震例預(yù)測(cè)結(jié)果分析

為了更好的驗(yàn)證模型的優(yōu)良性,本文對(duì)中國(guó)境內(nèi)的2018年7月12日福建明溪和2018年11月26日臺(tái)灣海峽發(fā)生的兩次地震分別進(jìn)行波形在線模擬測(cè)試,如圖7所示(紅色標(biāo)記為模型所拾取的P波),模型能拾取到震中距在100 km內(nèi)的地震,并且還能拾取到震中距在100～280 km之內(nèi)的地震,說(shuō)明了模型具有一定的泛化能力。與傳統(tǒng)的人工拾取相比,卷積神經(jīng)網(wǎng)絡(luò)模型在訓(xùn)練樣本充足的情況下能拾取到更加復(fù)雜和距離更遠(yuǎn)的地震波形,相信在未來(lái)能發(fā)揮更大的優(yōu)勢(shì)。

圖7 模型對(duì)二次震例的測(cè)試結(jié)果Fig. 7 Test results of the model for secondary earthquake cases

4 討論與結(jié)論

本文提出了一種新的用于地震波形分類(lèi)的卷積神經(jīng)網(wǎng)絡(luò)模型,結(jié)果表明：SW-CNN模型對(duì)地震、噪聲、爆破和異常波形的識(shí)別率均在97%以上。本文收集并處理了2012—2017年福建省、臺(tái)灣省及周邊鄰省測(cè)震臺(tái)網(wǎng)所記錄的數(shù)據(jù)作為研究樣本,共有27 500條三通道波形樣本,其中訓(xùn)練集占80%;測(cè)試集占20%。將波形分類(lèi)當(dāng)成四分類(lèi)問(wèn)題,將長(zhǎng)3 s的三通道波形應(yīng)用于卷積神經(jīng)網(wǎng)絡(luò)模型中,對(duì)卷積神經(jīng)網(wǎng)絡(luò)模型的搭建上采取了對(duì)比試驗(yàn),最終選擇的是6層卷積層和2層全連接層的網(wǎng)絡(luò)結(jié)構(gòu)模型。并在3.3小節(jié)中展示了其他AI模型對(duì)四種波形的識(shí)別率.,可以看出其他AI模型的識(shí)別率均在95%以上。通過(guò)本研究對(duì)地震、噪聲、爆破和異常波形分類(lèi)可獲得如下小結(jié)：

1) SW-CNN模型在獨(dú)立的測(cè)試集中對(duì)地震、噪聲、爆破和異常波形的識(shí)別準(zhǔn)確率分別為97.9%、99%、99.2%和99.3%,與文中其他AI模型相比,SW-CNN模型在時(shí)效性和準(zhǔn)確性上更優(yōu)。

2) 明顯看出：SW-CNN、Alex Net和VGG Net模型對(duì)爆破和異常的識(shí)別率上優(yōu)于地震,可能是震級(jí)較小的地震或震中距較遠(yuǎn)的臺(tái)站地震記錄相比于爆破更容易被噪聲淹沒(méi),導(dǎo)致這些地震記錄被誤判別成爆破。

3) 對(duì)中國(guó)境內(nèi)2018年7月12日福建明溪和2018年11月26日臺(tái)灣海峽發(fā)生的兩次地震分別進(jìn)行波形在線模擬測(cè)試,結(jié)果表明：模型能很好的拾取到震中距在100 km內(nèi)的地震,并且還能拾取到震中距在100～280 km之內(nèi)的地震,說(shuō)明了模型具有一定的泛化能力。

綜上所述,可以利用深度學(xué)習(xí)中的卷積神經(jīng)網(wǎng)絡(luò)強(qiáng)大的分類(lèi)性能對(duì)地震波形進(jìn)行分類(lèi)識(shí)別,這能夠降低地震預(yù)警的誤識(shí)別率,在滿(mǎn)足地震波形分類(lèi)的精度的要求,進(jìn)一步提高其準(zhǔn)確性和穩(wěn)健性,然后將其應(yīng)用于實(shí)際地震預(yù)警與日常地震監(jiān)測(cè)中。

致謝：感謝福建省地震局提取寶貴的地震觀測(cè)數(shù)據(jù),感謝審稿專(zhuān)家所提出的修改意見(jiàn),感謝編輯部工作人員的支持!