[发明专利]一种基于人工智能技术的张衡一号震前异常信号识别方法

权利要求书

1.一种基于人工智能技术的张衡一号震前异常信号识别方法，其特征在于：包括S1：卫星数据获取及预处理，S2：电离层地震异常识别模型建立，S3：利用迁移学习构建张衡一号多参数地震异常识别模型，S4：地震监测应用效能评价；

S1步骤：选取能够反映各圈层地震前电离层异常变化的法国DEMETER电磁卫星和张衡一号卫星参数，所述卫星参数包括运行轨迹和卫星数据，空间范围为全球，每个地震选取的数据初始时间长度为震前15天到震后5天，初始空间范围为距离震中Dobrovolsky距离R范围内，其中R＝10^0.43M，另外选取全球范围、时空均匀分布的非震事件，即模拟地震，选取数据的时间、空间范围与真实地震一致，利用滑动时间窗分别获取电子密度、电子温度的原始时间序列，并利用深度学习网络自动学习特征，初始研究的滑动窗长度，即连续数据点的长度，设置为20，形成非重叠的时序滑动窗数据，剔除任一数据对应磁情指数Kp大于3.0的滑动窗；

S2步骤：经过步骤S1的数据预处理后，基于CNN-BiLSTM深度学习网络建立DEMETER卫星电离层多参数地震异常识别模型，提取模型学习的地震与非震特征，基于IBPT分类器构建地震异常识别深度学习模型，对2005年到2010年法国DEMETER电磁卫星的电离层多参数时序特征样本进行训练建模，按照地震发生的时间顺序，前80％地震对应的样本数据作为训练集，后20％的地震对应的样本数据作为测试集,利用CNN-BiLSTM深度学习模型的神经网络直接通过电离层多参数时序数据自动学习特征，利用初始层数为3的CNN网络层提取局部平行特征，采用由多个记忆模块构成的BiLSTM模型对长距离依赖特征进行特征提取，序列学习，每个模块由两个细胞的拓扑结构构成；最后通过全连接层和Softmax分类器获得分类结果，在此基础上，删除CNN-BiLSTM模型的最后两层，提取模型学习到的电离层多参数地震与非震特征，利用IBPT分类器模型，最终区分地震与非震特征；

S3步骤：对张衡一号卫星的多参数时序特征样本切分训练集和测试集，同样按照地震发生的时间顺序，前80％地震对应的样本数据作为训练集，后20％作为测试集，在此基础上，将已经学到的、训练好的基于DEMETER电磁卫星样本的CNN-BiLSTM深度学习模型参数，以及IBPT分类器模型参数迁移到张衡一号电磁卫星电离层多参数，形成新的分类模型，最后，利用得到的权重参数初始化其余网络层的参数，并通过调整损失函数、优化器函数等模型参数来来修正和提高模型准确率，构建新的地震异常识别模型；

S4步骤，基于步骤S3构建的模型，利用在轨运行的张衡一号卫星实时观测数据，开展地震遥感监测应用，用实际震例验证模型，依据应用评价反馈，进而调节模型参数、优化模型，迭代反复进行，项目利用训练集训练模型，通过贝叶斯超参数优化方法构造一个后验分布的函数，需符合高斯过程，使得优化算法更加确定参数空间中哪些区域值得探索，哪些区域不值得探索，最后寻找使得模型在验证数据集上表现性能最佳的超参数组合，建立模型，开展地震监测应用，依据应用评价优化模型。