基于残差神经网络的天然地震与非天然地震信号分类

摘要

以准确区分天然地震与非天然地震为目标，构建了一种基于一维卷积和残差结构的神经网络模型：ResNet-1D。该模型利用不同长度卷积核的卷积层、最大池化构成的池化层和残差结构自动提取三分量地震记录特征，采用适应性矩估计方法(Adams)作为优化参数，利用线性判别函数(Linear)实现天然地震与非天然地震区分。以2008—2020年中国地震台网中心统一编目报告的天然地震和非天然地震共40 000条速度记录，随机划分为6∶2∶2的比例构建训练数据集、验证数据集和测试数据集。研究结果表明：天然地震和非天然地震的分类准确率分别为92.65%和94.30%,与传统机器学习方法比较，ResNet-1D模型在准确率、精确率、召回率和F1分数的测试结果均有明显提升，有效地提高了天然地震和非天然地震识别的准确性。同时，震级和震中距的变化对模型分类准确率都有影响，具体表现为震级越高，准确率越低；震中距越大，准确率越低。文中提出的模型具有更高的准确性，可为地震监测中的天然地震与非天然地震准确区分提供技术支撑。

关键词

残差神经网络 / 地震信号分类 / 非天然地震 / 天然地震 / 地震监测