融合时空注意力机制的P波到时拾取网络

TP391; 针对现有地震到时拾取算法精度较低、鲁棒性较差等问题,设计了一种基于深度学习的地震P波到时拾取网络,该网络为编解码结构,可实现地震波形序列的逐点预测.网络编码器对输入数据进行多尺度特征提取与融合,提高特征利用率;利用多尺度残差结构深度挖掘数据中隐藏特征信息,提升模型非线性拟合能力;在解码网络中加入时空注意力机制,提高网络对到时特征的感知能力;提出深层编码特征融合模块,在保证特征完整性的同时有效避免融合特征过程中出现的特征序列污染问题.实验结果表明,提出的网络在0.1 s、0.2 s、0.3 s三个误差阈值下,拾取命中率分别为75.04％、94.6％、97.37％,平均绝对误差和均方...

Full description

Saved in:
Bibliographic Details
Published in计算机工程与应用 Vol. 59; no. 6; pp. 113 - 124
Main Authors 李宇, 韩晓红, 张玲, 张海轩, 李钢
Format Journal Article
LanguageChinese
Published 太原理工大学 大数据学院,太原 030000%太原理工大学 软件学院,太原 030000%太原理工大学 信息与计算机学院,太原 030000 15.03.2023
Subjects
序列处理
时空注意力
特征融合
震相到时拾取
深度学习
Online AccessGet full text
ISSN1002-8331
DOI10.3778/j.issn.1002-8331.2109-0428

Cover

More Information
Summary:TP391; 针对现有地震到时拾取算法精度较低、鲁棒性较差等问题,设计了一种基于深度学习的地震P波到时拾取网络,该网络为编解码结构,可实现地震波形序列的逐点预测.网络编码器对输入数据进行多尺度特征提取与融合,提高特征利用率;利用多尺度残差结构深度挖掘数据中隐藏特征信息,提升模型非线性拟合能力;在解码网络中加入时空注意力机制,提高网络对到时特征的感知能力;提出深层编码特征融合模块,在保证特征完整性的同时有效避免融合特征过程中出现的特征序列污染问题.实验结果表明,提出的网络在0.1 s、0.2 s、0.3 s三个误差阈值下,拾取命中率分别为75.04％、94.6％、97.37％,平均绝对误差和均方误差为0.092 s、0.036,相比现有传统方法与深度学习到时拾取方法,具有更高的P波到时拾取精度.
ISSN:1002-8331
DOI:10.3778/j.issn.1002-8331.2109-0428