[发明专利]利用卷积神经网络的高铁地震事件提取方法、介质及设备

权利要求书

1.利用卷积神经网络的高铁地震事件提取方法，其特征在于，包括以下步骤：

S1、按照各个检波器的统计参数对相应原始地震记录进行归一化处理，得到归一化的完整地震记录；

S2、根据高铁地震事件的时序长度参数设置单个样本时序长度；

S3、以步骤S2确定的单个样本时序长度对步骤S1归一化处理的完整地震记录进行分段截取，构造训练样本集和测试样本集；

S4、对步骤S3训练样本集的所有样本设置标签，得到训练样本集的标签向量；

S5、根据单样本的自身特征构建1DCNN网络并设置相应的超参数；

S6、设定训练参数，将步骤S3的训练样本集和标签向量送入步骤S5构建的1DCNN网络进行分类训练；

S7、将步骤S6已训练的网络应用于测试样本集的高铁地震事件分类判别，获得预测标签；

S8、根据步骤S7获得的预测标签和样本序号确定高铁地震事件时序范围，完成高铁地震事件提取。

2.根据权利要求1所述的方法，其特征在于，步骤S1中，假设检波器阵列的阵元数为N，第i个检波器的地震记录为x_i(n)，其对应的均值为u_i，绝对值最大值为m_i，得到归一化的完整地震记录y_i(n)：

其中，i表示检波器序号，取值为i＝1,2,…,N。

3.根据权利要求1所述的方法，其特征在于，步骤S3中，完整地震记录为X＝[x₁ … x_N]，包含E、N、Z三个方向中方差最大的分量，在对完整地震记录分段截取样本时，相邻样本间设置50％的重叠长度，即后一样本与前一样本间重叠0.5l，经过分段截取地震记录，得到数据集单个样本T_k；然后将所有样本按比例划分为训练集和测试集，假设分段截取后总共包含K个样本，则得到训练样本集R和测试样本集S。

4.根据权利要求1所述的方法，其特征在于，步骤S4中，根据完整地震记录波形判断所有样本是否包含高铁地震事件，若包含则属于高铁地震事件，设置标签为1；否则不属于高铁地震事件，设置标签为0，得到训练数据集的标签向量r。

5.根据权利要求1所述的方法，其特征在于，步骤S5中，构建以2个卷积层+Relu层、2个池化层、1个全连接层和Softmax层为结构的1DCNN网络；全连接层的输出为y₁,y₂,…,y_n，获得经过Softmax回归处理后的输出Softmax(y)_i；根据地震记录检波器阵元数、样本时序长度和时域波形特征参数，为1DCNN网络各层设置相应的超参数。

6.根据权利要求1所述的方法，其特征在于，步骤S6中，根据训练样本的数量选取批处理大小、网络学习率，经Softmax回归处理后，计算预测输出与理想输出间的误差，假设p表示正确概率输出，q表示预测概率输出，则得到网络训练的交叉熵损失H(p,q)。

7.根据权利要求1所述的方法，其特征在于，步骤S7中，模型训练完成后，将构建好的实际测试样本集送入网络进行高铁地震事件检测，得到对应的预测标签向量s：

s＝[s₁ s₂ … s_K-p]

其中，s_j表示第j个样本对应的预测标签，K为样本总数，p为训练样本集的样本数。

8.根据权利要求1所述的方法，其特征在于，步骤S8中，在获得实际测试样本集的预测标签后，依据预测标签连续为1的样本两侧出现为0的样本序号，判定此范围内标签为1的若干个样本为一次完整的高铁地震事件，根据时序范围从原始地震记录中提取出所有的高铁地震事件。