买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

申请/专利权人：河南省地震局

摘要：本发明公开了一种无监督聚类的地震波形实时分类检测方法，包括：形成真实地震事件波形样本集过程；提取原始地震噪声信息，利用生成对抗网络生成仿真地震波形样本集；根据真实地震事件波形样本集和仿真地震波形样本集，利用变分自动编码器，采用无监督聚类方法，训练得到无监督地震波形分类识别模型；实时采集地震波形并检测地震事件，通过无监督地震波形分类识别模型得到检测到的地震事件的分类定性概率。本发明实现了对地震波特征的自学习，在数据样本的需求量上远低于一般深度学习的地震事件分类方法；采用变分自编码技术对地震波形样本进行自动聚类，不依赖大量人工对数据样本进行事件分类标注，可节约人力和物力成本。

主权项：1.一种无监督聚类的地震波形实时分类检测方法，其特征在于，包括：步骤S1，根据区域测震台网观测到的地震事件数据，形成真实地震事件波形样本集；步骤S2，提取原始地震噪声信息，并利用生成对抗网络生成仿真地震波形样本集，实现地震波形样本的扩充；步骤S3，根据所述真实地震事件波形样本集和仿真地震波形样本集，利用变分自动编码器，采用无监督聚类方法，训练得到无监督地震波形分类识别模型；步骤S4，实时采集地震波形并检测地震事件，将采集到的地震波形输入到训练好的无监督地震波形分类识别模型中，得到对检测到的地震事件的分类定性概率；所述生成对抗网络包括地震波生成器和地震波鉴别器；所述变分自动编码器包括波形编码器和波形解码器；所述步骤S2具体包括：步骤S21，对所述真实地震事件波形样本集中的真实地震事件波形样本，通过所述地震波生成器实现上采样；提取原始地震噪声信息，所述原始地震噪声信息与进行上采样后的所述真实地震事件波形样本的维度相同，并将所述原始地震噪声信息输入到地震波生成器中；步骤S22，通过所述地震波生成器根据拟合参数生成一批次仿真地震波形样本，将进行上采样后的所述真实地震事件波形样本和通过所述地震波生成器生成的一批次仿真地震波形样本，同时发送给所述地震波鉴别器；在所述地震波鉴别器中，将接收到的真实地震事件波形样本与标志位1进行关联训练，将地震波生成器生成的一批次仿真地震波形与标志位0进行关联训练；步骤S23，关联地震波鉴别器与地震波生成器，当所述地震波鉴别器完成训练后，通过设计的损失函数衡量所述真实地震事件波形样本与通过所述地震波生成器生成的一批次仿真地震波形样本之间的差异程度，并将差异程度反馈给所述地震波生成器，使所述地震波生成器根据接收到的差异程度调整拟合参数；步骤S24，不断执行步骤S22-步骤S23来进行多批次的训练学习，直至通过所述地震波生成器生成的一批次仿真地震波形样本与所述真实地震事件波形样本的相似程度达到预设阈值；步骤S25，将所述地震波生成器最终生成的相应一批次仿真地震波形，作为仿真地震波形样本集，实现了地震波形样本的增量扩充；所述步骤S3具体包括：步骤S31，将所述真实地震事件波形样本集和仿真地震波形样本集进行合并和混淆，形成无监督地震波形分类识别模型的训练数据集；步骤S32，将所述训练数据集中的地震波形输入到波形编码器中，通过波形编码器神经网络的多个数据处理层，实现对所述训练数据集中的地震波形样本的降维编码，从而对所述训练数据集中的地震波形样本存在的波形特征实现从高维到低维的特征自动提取；步骤S33，对进行降维编码后得到的地震波形样本添加随机噪声，并将添加随机噪声后得到的地震波形样本输入到所述波形解码器中，通过所述波形解码器对地震波列进行升维，使所述波形解码器的输出端输出的地震波形样本的维度与输入到所述波形编码器的输入端的地震波形样本的维度一致；步骤S34，通过将所述波形解码器的输出端输出的地震波形样本与输入到所述波形编码器的输入端的地震波形样本进行批量的拟合学习，使所述波形解码器的输出端最终输出的地震波形样本与输入到所述波形编码器的输入端的地震波形样本实现在分布上的高度一致；步骤S35，所述波形解码器的输出端最终输出的地震波形样本即为所述训练数据集中的地震波形样本的高度概括的特征分布；对该特征分布采用无监督聚类算法进行计算，生成聚类簇；当聚类簇的质量达到设定阈值后，将所述聚类簇标注为天然地震、爆破、塌陷三种地震类别，从而完成了对所述训练数据集的无监督的地震属性标签标注；步骤S36，使用带有地震类别标签的训练数据集，采用多层卷积分类神经网络训练得到无监督地震波形分类识别模型。

全文数据：

权利要求：

百度查询： 河南省地震局 一种无监督聚类的地震波形实时分类检测方法