[发明专利]一种基于SSNet模型的地震事件到时识别方法

权利要求书

1.一种基于SSNet模型的地震事件到时识别方法，包括如下步骤：

(1)收集地震监测台站监测到的地面震动波形记录以及相应的地震目录，所述地震目录包括监测到的一次地震事件中P波和S波到达台站的时间；

(2)根据步骤(1)所收集的数据构建训练所需的样本，包括大量对应地震事件的正样本以及大量对应非地震事件的负样本；

(3)利用正样本和负样本训练SSNet模型，得到用于地震事件检测的识别模型，进而向该模型输入地面震动波形数据即可输出判断是否为地震事件；

所述SSNet模型从输入到输出由尺度选择卷积块SSBlock₁、平均池化层P₁、尺度选择卷积块SSBlock₂、平均池化层P₂、尺度选择卷积块SSBlock₃、平均池化层P₃、尺度选择卷积块SSBlock₄、平均池化层P₄以及全连接层依次连接组成；

所述尺度选择卷积块SSBlock₁～SSBlock₄结构相同均由三个尺度选择卷积单元SSCell₁～SSCell₃级联构成，每个尺度选择卷积单元包含普通卷积层和空洞卷积层，普通卷积层采用大小为3的卷积核对卷积单元的输入以步长为1进行卷积操作并经激活函数Relu处理后输出；空洞卷积层采用大小为3的卷积核对普通卷积层的输出以步长为1进行卷积操作，其输出分成两路分别经激活函数tanh和sigmoid处理后进行点乘，得到的结果与普通卷积层的输出相加并经批归一化处理后作为卷积单元的输出；SSCell₁中空洞卷积层的空洞大小为1，SSCell₂中空洞卷积层的空洞大小为2，SSCell₃中空洞卷积层的空洞大小为4；

所述尺度选择卷积块SSBlock₁中普通卷积层和空洞卷积层所采用的卷积核数量均为32，尺度选择卷积块SSBlock₂中普通卷积层和空洞卷积层所采用的卷积核数量均为64，尺度选择卷积块SSBlock₃中普通卷积层和空洞卷积层所采用的卷积核数量均为128，尺度选择卷积块SSBlock₄中普通卷积层和空洞卷积层所采用的卷积核数量均为256；

所述平均池化层P₁～P₄结构相同均采用大小为4的池化窗口，步长为4，padding模式为same，即在窗口长度不足4时亦计算得到输出；

所述全连接层采用三层神经网络结构，从输入至输出各层的神经元数量分别为256、64、16且均采用激活函数Relu处理；

(4)利用正样本训练SSNet模型，得到用于地震震相到时的预测模型，进而向该模型输入地面震动波形数据即可输出得到P波和S波到达台站的时间。

2.根据权利要求1所述的地震事件到时识别方法，其特征在于：所述正样本包含地面震动波形数据以及对应实际监测到的一次地震事件中P波和S波到达台站的时间，负样本只包含地面震动波形数据；正样本的地面震动波形数据长度为30s，即从P波到达台站之前的5～15s截取起点，从P波到达台站之后的15～25s截取终点；负样本的地面震动波形数据长度也为30s，即从不涉及任何地震事件的连续地面震动波形记录中随机选取确定起点，截取30s长度的地面震动波形数据。

3.根据权利要求1所述的地震事件到时识别方法，其特征在于：所述步骤(2)中保证正样本和负样本的数量相同。