文献类型：期刊文章

作　　者：李健[1,2] 王晓明[2] 张英海[1] 王卫东[1] 商杰[2] 盖磊[2]

LI Jian;WANG XiaoMing;ZHANG YingHai;WANG WeiDong;SHANG Jie;GAI Lei(Information&Electronics Technology Lab,School of Electronic Engineering,Beijing University of Posts and Telecommunication,Beijing 100876,China;CTBT Beijing National Data Center,Beijing 100085,China)

机构地区：[1]北京邮电大学电子工程学院,北京100876 [2]禁核试北京国家数据中心和北京放射性核素试验室,北京100085

出　　处：《地球物理学报》

基　　金：国防装备预研项目(41425070403)资助.

年　　份：2020

卷　　号：63

期　　号：4

起止页码：1591-1606

语　　种：中文

收录情况：AJ、BDHX、BDHX2017、CAS、CSA、CSA-PROQEUST、CSCD、CSCD2019_2020、EI、GEOBASE、GEOREFPREVIEWDATABASE、IC、JST、PA、RCCSE、SCIE、SCOPUS、WOS、ZGKJHX、核心刊

摘　　要：地震震相拾取是地震数据自动处理的首要环节,包括了信号检测、到时估计和震相识别等过程,震相拾取的准确性直接影响到后续事件关联处理的性能,影响观测报告的质量.为了提高震相拾取的准确性,进而提高观测报告质量,本文采用深度卷积神经网络方法来解决震相拾取问题,构建了多任务卷积神经网络模型,设计了分类和回归的联合损失函数,定义了基于加权的分类损失函数,以三分量地震台站的波形数据作为输入,同时实现对震相的检测识别和到时的精确估计.利用美国南加州地震台网的200万条震相和噪声数据对模型进行训练、验证和测试,对于测试集中直达波P、S震相识别的查全率达到98%以上,到时估计的标准偏差分别为0.067s,0.082s.利用迁移学习和数据增强,将模型用于对我国东北地区台网的6个台站13000条数据的训练、验证和测试中,对该数据集P、S震相查全率分别达到91.21%、85.65%.基于迁移训练后的模型,设计了用于连续数据的震相拾取方法,利用连续的地震数据对该算法进行了实际应用测试,并与国家数据中心和中国地震局的观测报告进行比对,该方法的震相检测识别率平均可达84.5%,验证了该方法在实际应用中的有效性.本文所提出的方法展示了深度神经网络在地震震相拾取中的优异性能,为地震震相和事件的检测识别提供了新的思路.

关 键 词：多任务卷积神经网络  震相拾取  联合损失函数  迁移学习  

分 类 号：P631] P315[地质学类;地质类]