-
公开(公告)号：CN119805557A
公开(公告)日：2025-04-11
申请号：CN202411869884.4
申请日：2024-12-18
Applicant: 东北大学
IPC: G01V1/28 , G01V1/36 , G01V1/01 , G06F18/213 , G06N3/0464 , G06N3/08 , G06N3/045
Abstract: 本发明提供一种结合多源特征与协同损失的单台站地震定位系统及方法，涉及地震定位技术领域，其中单台站地震定位系统包括数据预处理模块、模型训练模块、单台震源定位模型；通过查询地震目录信息，将三分量波形数据输入数据预处理模块，将预处理后的的地震波形数据输入单台震源定位模型中，对各个网络模块进行训练，得到单台站地震定位系统，并输出时序特征张量、时频特征张量和台站信息特征张量；将训练好的地震定位系统用于预测震源深度和震中距，将台站采集到的地震波形数据输入数据预处理模块，得到标准化的波形数据，输入至地震震源定位模块，输出该台站的震源深度和震中距的预测结果。
-
公开(公告)号：CN118965100A
公开(公告)日：2024-11-15
申请号：CN202410982427.X
申请日：2024-07-22
Applicant: 东北大学
IPC: G06F18/241 , G01V1/28 , G06F18/243 , G06F18/10 , G06F18/211 , G06F18/213 , G06F18/25 , G06N3/0442 , G06N3/045 , G06N5/01 , G06N20/20
Abstract: 本申请提出一种基于多特征融合的深度学习地震事件分类方法及系统，属于地震数据处理技术领域，所述方法包括：通过多个台站采集地震波形数据；将地震波形数据进行预处理；将预处理后的地震波形数据输入到预训练的分类网络进行分类；预训练的分类网络包括：基于先验知识的特征计算网络、基于XGBoost的特征提取网络、基于Bi‑LSTM的波形特征提取网络、基于稀有类别生成的数据增强网络、基于Attention的特征选择网络以及分类网络；将所有台站的地震事件分类结果进行投票，根据投票结果确定地震的事件类型，并将地震的事件类型进行输出并显示。本申请通过融合物理特征和数据增强，提高了天然地震和非天然地震事件分类的准确率。
-
公开(公告)号：CN112799130A
公开(公告)日：2021-05-14
申请号：CN202110149617.X
申请日：2021-02-03
Applicant: 东北大学
Abstract: 本发明提供一种基于深度学习的地震波振幅预测方法，涉及深度学习技术领域。该方法基于地震台站记录到的ENZ三分量地震波形数据，选取其中任意一个分量，并且根据STA/LTA算法和AIC算法获取地震波P波初至时刻，然后从地震波P波初至时刻开始截取前五秒地震波形数据作为训练数据；对训练数据进行预处理后，通过CNN网络进行特征提取，最后用LSTM监督学习的方式对提取出来的特征进行回归分析，进而实现对后续地震波形的最大振幅进行预测；该方法具有很强的泛化能力，不会因为波形的变化而出现误差变大的情况，能为预警、速报等工作预留了大量时间。
-
公开(公告)号：CN112782762A
公开(公告)日：2021-05-11
申请号：CN202110127118.0
申请日：2021-01-29
Applicant: 东北大学
IPC: G01V1/30 , G06F30/27 , G06N3/04 , G06N3/08 , G06F119/10
Abstract: 本发明公开一种基于深度学习的地震震级判定方法，首先计算震源与台站之间的距离，筛选出震中距小于200km的地震数据，然后读取这些数据并且使用STA/LTA和AIC结合的方法准确找到这些地震数据的P波到时。接着从P波到时开始截取一定长度的波形数据。然后对这一定长度的波形数据进行有无断记和有效性的判断，对无断记并且有效的数据进行归一化处理。最后将处理后的地震数据输入到融合attention机制的Bi‑LSTM网络模型中，训练这个网络模型，保存训练好的模型。之后将预处理后的地震波形数据输入训练好的网络模型中，输出就是地震数据对应的地震震级。本发明的方法可以准确高效的判定出地震波形对应的震级，适应地震监测智能化自动化发展的需求。
-
-
-
Search Results
4
records
(took 0.027 seconds)
