基于生成对抗网络和卷积神经网络的高速铁路地震预警干扰信号识别方法

Interference Signal Identification Method of Earthquake Early Warning for High-Speed Railway Based on Generative Adversarial Network and Convolutional Neural Network

摘要

为提升高速铁路地震预警系统中地震事件识别的可靠性，提出基于生成对抗网络（GAN）和卷积神经网络（CNN）的高速铁路地震预警干扰信号识别方法。首先，通过GAN对打夯干扰信号进行数据增强，以实现数据平衡；其次，设计并构建GAN-CNN打夯干扰信号识别模型，并对其进行训练和测试；最后，通过对比试验，验证该模型在干扰信号识别中的有效性和准确性。结果表明：与未使用GAN进行数据增强的情况相比，所提方法识别打夯干扰信号和地震事件信号的准确率分别为99.60%和100%，性能显著提升；此外，GAN-CNN模型的交并比、准确率、召回率和\mathrm{综合}\mathrm{能力}\mathrm{评价}\mathrm{指标}也得到提高。该方法可为高速铁路地震预警干扰信号识别提供参考。

Abstract

In order to improve the reliability of earthquake event recognition in the earthquake early warning system of high-speed railway, a method for identifying interference signals of earthquake early warning for high-speed railway based on generative adversarial network (GAN) and convolutional neural network (CNN) was proposed. Firstly, the data of tamping interference signals was enhanced by GAN to achieve data balance. Secondly, a GAN-CNN tamping interference signal recognition model was designed and constructed, and it was trained and tested. Finally, the effectiveness and accuracy of the model in interference signal recognition were verified by comparative experiments. The results show that compared with the case where data is not enhanced by GAN, the accuracy of the proposed method in identifying tamping interference signals and earthquake event signals is 99.60% and 100% respectively, with significant improvement of performance. In addition, the evaluation indicators of the GAN-CNN model such as intersection-over-union ratio, accuracy, recall rate and comprehensive ability are also improved. This method can provide an important reference for the interference signals identification of earthquake early warning for high-speed railway.

Graphical abstract

关键词

地震预警 / 高速铁路 / 卷积神经网络 / 生成对抗网络 / 打夯干扰信号

Key words

Earthquake early warning / High-speed railway / Convolutional neural network (CNN) / Generative adversarial network (GAN) / Tamping interference signal

高速铁路在促进区域经济发展、优化交通运输结构等方面发挥着重要作用，对国家和社会的发展具有重要意义。地震作为极具破坏性的自然灾害，可能导致铁路线路出现位移或断裂，从而增加列车脱轨或倾覆的风险，威胁高速铁路的安全运行及乘客的生命安全^［1］。因此，建立高速铁路地震预警系统具有重要的现实意义，该系统能够在破坏性地震波到达之前，通过沿线地震台站记录的P波信号，预测并发布震级和震中位置等预警信息，从而有效减少地震对高速铁路造成的人员伤亡和经济损失^［2］。此外，快速且准确地识别地震事件与其他自然或人为震动源（如打夯干扰信号等）对于发布准确的警报信息至关重要^［3］。

近年来，众多学者提出多种高速铁路地震预警算法，用于发布预警信息。文献［4］提出1种高速铁路4级地震警报预测方法，以实现快速且可靠的地震紧急处置。文献［5］提出1种基于功率信息的震级估算方法，用于快速估算高速铁路地震预警的震级。随着人工智能技术的迅猛发展，机器学习和深度学习方法在高速铁路地震预警领域的应用逐渐增多^［6-7］。为提升地震警报发布的准确性，文献［8］提出了1种基于支持向量机的现地地震预警方法。此外，多项研究也开发了基于机器学习的地震事件识别技术^［9-10］。文献［11-13］利用生成对抗网络来区分地震事件信号与噪声信号。文献［14］探讨了不同机器学习方法在识别地震事件和脉冲噪声信号方面的性能，并采用人工定义的25个特征参数作为模型输入。文献［15］则通过支持向量机算法区分天然地震、爆破和塌陷事件信号，并将从P波和S波中提取的物理特征作为支持向量机的输入。文献［16］结合二分类和多分类任务，同时对地震及其类型进行分类。文献［17］和文献［18］则通过多种输入数据来实现地震事件的识别。

本研究提出1种基于生成对抗网络和卷积神经网络（Generative Adversarial Network-Convolutional Neural Network，GAN-CNN）的干扰信号识别方法，用于区分地震事件和打夯干扰信号。通过GAN生成大量打夯干扰信号样本以平衡数据集，从而解决少数类样本不平衡问题，再利用CNN对地震事件信号和打夯干扰信号进行分类，并通过试验对比数据增强前后的模型性能，为高速铁路地震预警系统中干扰信号识别提供有效的依据。

1 GAN-CNN干扰信号识别模型

1.1　GAN模型设计

GAN主要用于数据生成，尤其擅长生成高维的图像数据，由生成器和判别器2部分组成。生成器的目标是产生尽可能接近真实数据分布的假数据，而判别器则负责区分生成数据和真实数据。两者在训练过程中相互竞争，生成器不断学习如何产生更真实的数据以“欺骗”判别器，而判别器则不断学习如何更准确地识别出假数据。通过这种对抗机制，模型能够生成多样且接近真实数据的样本，为分类模型提供更有价值的训练数据，从而增强泛化能力^［19-20］。其网络结构如图1所示。

生成器以200维正态分布随机向量为输入，输出4 s打夯干扰信号。其网络结构由全连接模块、反卷积模块和Tanh激活层组成。全连接模块通过全连接层和ReLU激活函数提取特征，增强非线性映射能力；反卷积模块通过一维反卷积层逐步上采样，生成高分辨率特征图，并通过批量归一化和ReLU激活函数保持特征分布稳定，避免梯度消失或爆炸问题；Tanh激活层将信号限制在［-1，1］区间内，输出符合要求的4 s打夯干扰信号。判别器以4 s打夯干扰波形为输入，输出信号为真实打夯干扰信号的概率估计。其网络结构包括两个卷积模块、池化层、Leaky ReLU激活函数和全连接层，用于区分真实信号与生成器生成的伪造信号。卷积模块负责提取局部特征并降低维度；Leaky ReLU激活函数用于缓解“死亡ReLU”问题，确保梯度更新；全连接层负责将局部特征映射为全局特征表达，增强模型的全局理解能力；最终，通过Sigmoid激活函数输出判别结果，将输出值映射至［0，1］区间来表示输入为真实数据的概率。在训练过程中，生成器和判别器的学习率均为0.000 1，批量大小为4。

1.2　CNN模型设计

为区分地震事件信号和打夯干扰信号，构建基于CNN的打夯干扰信号识别模型。其网络架构如图2所示。首先，网络通过多个卷积-池化模块对输入的波形信号进行深度分析，每个卷积-池化模块包含一维卷积层、ReLU激活函数和一维池化层。其中，一维卷积层负责从输入的时间序列信号中提取局部特征；ReLU激活函数通过引入非线性，来增强模型处理复杂数据关系时的表达能力；池化层则对卷积结果进行降维处理，减少计算复杂度并提高模型的鲁棒性。接着，特征通过展平层转换为一维向量，输入到全连接模块。全连接模块由两层全连接层和ReLU激活函数组成，第一层用于进一步增强特征的非线性表达，第二层将高级特征映射至输出空间。最后，通过Sigmoid激活函数将输出值映射至［0，1］区间，用于地震打夯信号的二分类判断。为了防止过拟合，每个全连接层后都采用了丢弃层（Dropout Layer），进一步增强了模型的泛化能力。该卷积神经网络模型通过有效提取地震事件信号和打夯干扰信号的特征，具备较强的分类能力，为地震事件识别提供了有力的技术支持^［21］。

1.3　GAN-CNN模型构建

为解决打夯干扰信号数据不足的问题，进一步提高干扰信号识别的鲁棒性和准确性，将GAN和CNN相结合，利用GAN生成的增强数据对CNN进行训练。模型结构如图3所示。GAN在数据增强过程中生成大量高质量的打夯干扰信号样本，可有效补充训练集中存在的类别不平衡问题。这些增强数据通过CNN的多层卷积操作提取特征，并经全连接层进行分类，从而实现地震事件信号与干扰信号的区分。这种结合不仅可提升CNN的分类能力，还能够增强系统对数据不平衡的适应性，显著提高了干扰信号识别的准确率。

2 数据处理

2.1　数据采集

试验采集了65条原始采样频率为1 000 Hz的打夯干扰信号记录和7 949条原始采样频率为200 Hz的竖向强震动记录。根据文献［13］，对强震动记录进行如下筛选。

（1）震源深度为10 km以内；

（2）震级范围为3.0~8.0，其中，震级为3.0~5.0的地震记录，震中距取0~100 km；震级为5.0~8.0的地震记录，震中距取0~200 km；

（3）选取P波触发后3 s内速度幅值大于0.05 cm · s^-1的记录，作为信噪比的筛选标准。

基于上述原则，共筛选出2 598条竖向强震动记录。筛选后的数据中，震级和震中距的分布情况如图4所示，强震动数据的震中和台站分布情况如图5所示。

2.2　数据预处理

为了更清晰地展示数据预处理的效果并为后续模型训练提供可靠的数据基础，对原始信号进行全面的预处理操作。为消除仪器本身可能引入的系统误差，对所有信号（包括强震数据和打夯干扰数据）均进行仪器响应去除。通过下采样将打夯干扰信号频率降至200 Hz，为与强震数据采样率保持一致，对采集的65条打夯干扰记录和2 598条强震动记录分别进行如下的预处理步骤：首先，对原始信号进行基线校正以消除低频噪声，确保信号的准确性和后续处理的可靠性；接着，采用2阶0.075 Hz的巴特沃斯高通滤波器去除低频漂移和噪声，仅保留有效高频部分，以增强模型对目标信号的识别能力；然后，从滤波后的信号中截取1 s的噪声数据和3 s的有效数据，形成4 s数据片段作为模型输入；最后，对所有截取后的数据进行归一化处理，以确保数据范围一致性并提高模型训练效率。经过预处理后的打夯干扰数据和强震动数据的实例如图6所示。

2.3　数据集划分

试验数据包括65条实际打夯干扰记录、2 598条强震动记录和2 415条通过GAN网络生成的打夯记录，具体划分情况见表1。训练集1和训练集2分别表示进行数据增强前、后的训练集。

3 结果及分析

3.1　评价指标

在评估模型性能时，以测试样本能否被正确识别作为评价指标。通过交并比A_IoU、准确率P、召回率R和综合能力评价指标F₁来衡量地震与打夯干扰信号的分类预测效果。A_IoU反映分类结果与实际结果的重合度，值越大说明网络模型的分类能力越好；P为分类结果中实际正样本占预测正样本的比例，值越大说明模型预测正类时的准确性越高；R为实际正样本中被分类为正样本的比例，值越大表明网络模型效果越好。3个指标的计算式分别为

A_{\mathrm{I}\mathrm{o}\mathrm{U}}=\frac{T_{\mathrm{P}}}{T_{\mathrm{P}}+F_{\mathrm{P}}+F_{\mathrm{N}}}（1）

P=\frac{T_{\mathrm{P}}}{T_{\mathrm{P}}+F_{\mathrm{P}}}（2）

R=\frac{T_{\mathrm{P}}}{T_{\mathrm{P}}+F_{\mathrm{N}}}（3）

式中：T_{\mathrm{P}}为真阳性数量；F_{\mathrm{P}}为假阳性数量；F_{\mathrm{N}}为假阴性数量。

由于召回率和准确率在分类结果中往往存在一定的权衡关系，因此引入综合能力评价指标F₁对网络模型进行综合评价，其计算式为

F_{\mathrm{1}}=\mathrm{2}\frac{PR}{P+R}（4）

3.2　测试结果

在未引入GAN生成的打夯干扰数据的情况下，仅使用训练集1来训练CNN打夯干扰信号识别模型，并采用五折交叉验证来确保模型的稳定性，测试集分类结果的混淆矩阵如图7所示。由图7可知：CNN模型在识别地震记录方面表现出较高的准确性，正确分类的地震记录为519条，占比为99.81%，而误分类为打夯干扰记录的地震记录仅有1条，占0.19%。相比之下，模型在识别高铁打夯记录方面的表现较差，正确分类的高铁打夯记录为296条，占总数的59.68%，而错误分类为地震记录的高铁打夯记录有200条，占40.32%。

在测试集中，CNN模型对打夯干扰信号的识别准确率远低于对地震信号的识别准确率，这可能由于训练集中上述2种信号样本数量的显著不平衡所致。该模型在训练过程中接收到的地震记录数量较多，从而更容易学习地震事件的特征。相对而言，打夯干扰信号样本较少，导致该模型在识别此类信号时表现欠佳，进而可能将打夯干扰信号误识别为地震信号，引发高铁地震预警系统的误报。训练数据的不平衡显著影响模型对打夯干扰信号的识别能力，表明数据样本的数量和类别分布是决定模型分类性能的关键因素之一。

在引入GAN生成的打夯干扰数据的情况下，将生成的打夯干扰记录加入训练数据集中，使打夯干扰数据总量增加至与地震记录数量几乎持平的状态，从而实现打夯干扰记录与地震记录数量接近1∶1的平衡状态。数据扩展后，训练数据被输入至CNN模型中，并采用五折交叉验证方法进行训练。测试集分类结果的混淆矩阵如图8所示。由图8可知：模型在地震记录识别方面取得了显著进步，所有地震记录均得到了准确识别；对打夯干扰记录的识别也较为准确，正确分类的记录占打夯干扰记录总数的99.60%。然而，仍有2条实际的打夯干扰记录被错误地分类为地震记录，占打夯干扰记录总数的0.40%。尽管在测试集中GAN-CNN模型将2条实际打夯干扰记录误分类为地震记录，但误报数量处于可接受范围内，且相较于其他模型，GAN-CNN模型的误报率较低。误分类的打夯干扰信号与地震记录在特征上可能存在一定程度的相似性，导致该模型在某些边缘情况中难以区分。此外，尽管数据集经过扩展，打夯干扰信号的生成数据仍可能存在微小的模拟偏差，影响了模型在特定情况下的泛化能力。尽管如此，所提模型已经展示出较强的分类性能，模型的鲁棒性和准确性均有所提高。

打夯干扰信号识别模型的性能对比见表2。由表2可知：GAN-CNN模型的交并比显著提升至99.62%，充分证明平衡数据集对提高模型整体分类精度的重要性；准确率增加至99.62%，表明生成更多的打夯干扰数据可有效增强模型在识别打夯干扰信号方面的可靠性；召回率上升至100.00%，进一步优化了模型对实际打夯干扰信号样本的识别能力；F₁作为准确率和召回率的调和平均值，提高至99.81%，不仅反映了模型在准确率上的显著提升，还表明其对打夯干扰记录的召回能力得到保证，可显著提高模型在处理少数类样本分类任务时的综合性能。

3.3　基于可视化方法综合评估生成数据质量

为深入评估GAN生成的打夯干扰数据质量，采用图形化方法展示真实打夯干扰波形与GAN生成波形，结果如图9所示。由图9可知：2种数据波形在多个关键特征上高度相似；GAN生成的波形成功捕捉了真实波形的主要振幅变化，尤其是在关键波动时段，两者的振幅变化趋势一致；2种数据的傅里叶变换波形主要频率成分均集中在10 Hz以下，且高频部分的衰减趋势相似；2种数据功率谱的主要频率集中在10 Hz以下，并在该频率范围内出现显著的峰值；2种数据的时频曲线中，生成波形与真实波形的时间-频率能量分布趋势一致，主要能量集中在低频区域，并随时间演变呈现出相似的变化规律。综上所述，GAN生成的数据在振幅、频率分布、功率谱和时频等多个方面与真实数据高度一致，为解决地震事件识别中的少数类样本不平衡问题提供可靠的数据支持。

4 结论

（1）在测试集中，通过结合生成对抗网络和卷积神经网络，对打夯干扰信号识别的准确率达到99.60%，对地震事件信号识别的准确率达到100.00%，有效提高了GAN-CNN模型对打夯干扰信号识别的能力。

（2）通过利用生成对抗网络数据增强技术实现对小样本打夯信号的数据增强，实现了训练数据集中的数据样本平衡，就交并比、准确率、召回率和F₁分数而言，GAN-CNN打夯干扰信号识别模型的性能得到显著提升。

（3）通过对生成对抗网络生成的打夯干扰数据的可视化和物理特性分析，发现生成数据在振幅、频率分布、功率谱和时频图等多个方面与真实数据高度一致，验证了生成数据的真实性和有效性。

参考文献

[1] 王澜，戴贤春，习年生，等. 高速铁路地震预警及紧急处置时效性研究［J］. 中国铁道科学，2019，40（5）：118-127.

[2] WANG Lan， DAI Xianchun， XI Niansheng， et al. Study on Time Effectiveness of Earthquake Early Warning and Emergency Disposal for High Speed Railway ［J］. China Railway Science， 2019， 40 （5）： 118-127. in Chinese

[3] 卢春房，周黎，张志方. 中国高速铁路地震预警系统的研究与试验［J］. 科技导报，2016，34（18）：258-264.

[4] LU Chunfang， ZHOU Li， ZHANG Zhifang. Research and Test on China High-Speed Railway Earthquake Early-Warning System ［J］. Science & Technology Review， 2016， 34 （18）： 258-264. in Chinese

[5] 史建平. 高速铁路地震预警系统事件确认方法［J］. 中国铁道科学，2021，42（5）：174-182.

[6] SHI Jianping. Event Confirmation Method for Earthquake Early Warning System of High-Speed Railway ［J］. China Railway Science， 2021， 42 （5）： 174-182. in Chinese

[7] 宋晋东，教聪聪，李山有，等. 基于地震P波双参数阈值的高速铁路Ⅰ级地震警报预测方法［J］. 中国铁道科学，2018，39（1）：138-144.

[8] SONG Jindong， JIAO Congcong， LI Shanyou， et al. Prediction Method of First-Level Earthquake Warning for High Speed Railway Based on Two-Parameter Threshold of Seismic P-Wave ［J］. China Railway Science， 2018， 39 （1）： 138-144. in Chinese

[9] 杨长卫，张凯文，吴东升，等. 基于地震P波初至2 s功率信息的高速铁路地震预警系统快速震级估算方法［J］. 铁道学报，2024，46（7）：167-173.

[10] YANG Changwei， ZHANG Kaiwen， WU Dongsheng， et al. Fast Magnitude Estimation Method for High-Speed Railway Earthquake Early Warning System Based on P-Wave 2 s Power Information ［J］. Journal of the China Railway Society， 2024， 46 （7）： 167-173. in Chinese

[11] 赵明，陈石， Yuen Dave. 基于深度学习卷积神经网络的地震波形自动分类与识别［J］. 地球物理学报，2019，62（1）：374-382.

[12] ZHAO Ming， CHEN Shi， YUEN D. Waveform Classification and Seismic Recognition by Convolution Neural Network ［J］. Chinese Journal of Geophysics， 2019， 62 （1）： 374-382. in Chinese

[13] MOUSAVI S M， BEROZA G C. Deep-Learning Seismology ［J］. Science， 2022， 377 （6607）： abm4470.

[14] 宋晋东，朱景宝，刘艳琼，等.基于支持向量机预测模型的高速铁路现地地震预警方法［J］. 中国铁道科学，2022，43（5）：177-187.

[15] SONG Jindong， ZHU Jingbao， LIU Yanqiong， et al. On-Site Earthquake Early Warning Method for High-Speed Railway Based on Support Vector Machine Prediction Models ［J］. China Railway Science， 2022， 43 （5）： 177-187. in Chinese

[16] ZHU J， FANG L H， MIAO F J， et al. Deep Learning and Transfer Learning of Earthquake and Quarry-Blast Discrimination： Applications to Southern California and Eastern Kentucky ［J］. Geophysical Journal International， 2023， 236 （2）： 979-993.

[17] KONG Q K， WANG R J， WALTER W R， et al. Combining Deep Learning with Physics Based Features in Explosion‐Earthquake Discrimination ［J］. Geophysical Research Letters， 2022， 49 （13）： e2022GL098645.

[18] LI Z F， MEIER M A， HAUKSSON E， et al. Machine Learning Seismic Wave Discrimination： Application to Earthquake Early Warning ［J］. Geophysical Research Letters， 2018， 45 （10）： 4773-4779.

[19] LIU H Y， LI S Y， SONG J D. Discrimination between Earthquake P Waves and Microtremors via a Generative Adversarial Network ［J］. Bulletin of the Seismological Society of America， 2022， 112 （2）： 669-679.

[20] 刘赫奕，宋晋东，李山有. 基于生成对抗网络与随机森林组合模型的地震与地脉动区分研究［J］.振动与冲击，2022，41（15）：312-318.

[21] LIU Heyi， SONG Jindong， LI Shanyou. Discrimination of Earthquake and Microtremor Based on Generative Adversarial Network and Random Forest Combination Model ［J］. Journal of Vibration and Shock， 2022， 41 （15）： 312-318. in Chinese

[22] MEIER M A， ROSS Z E， RAMACHANDRAN A， et al. Reliable Real-Time Seismic Signal/Noise Discrimination with Machine Learning ［J］. Journal of Geophysical Research： Solid Earth， 2019， 124 （1）： 788-800.

[23] 梁皓，孙丽，陈姝荞，等.基于支持向量机算法的地震事件分类研究——以东北地区为例［J］. 地球物理学报，2023，66（12）：5030-5040.

[24] LIANG Hao， SUN Li， CHEN Shuqiao， et al. Research on Seismic Event Classification Based on SVM Algorithm： an Application in Northeast China ［J］. Chinese Journal of Geophysics， 2023， 66 （12）： 5030-5040. in Chinese

[25] KU B， MIN J， AHN J K， et al. Earthquake Event Classification Using Multitasking Deep Learning ［J］. IEEE Geoscience and Remote Sensing Letters， 2021， 18 （7）： 1149-1153.

[26] 张岩，刘小秋，王海潮，等. 基于多模态神经网络的微地震事件检测［J］. 石油物探，2024，63（4）：790-806.

[27] ZHANG Yan， LIU Xiaoqiu， WANG Haichao， et al. Microseismic Event Detection Based on Multi-Modal Neural Network ［J］. Geophysical Prospecting for Petroleum， 2024， 63 （4）： 790-806. in Chinese

[28] 田宵，汪明军，张雄，等. 基于多输入卷积神经网络的天然地震和爆破事件识别［J］. 地球物理学报，2022，65（5）：1802-1812.

[29] TIAN Xiao， WANG Mingjun， ZHANG Xiong， et al. Discrimination of Earthquake and Quarry Blast Based on Multi-Input Convolutional Neural Network ［J］. Chinese Journal of Geophysics， 2022， 65 （5）： 1802-1812. in Chinese

[30] WANG T T， TRUGMAN D， LIN Y Z. SeismoGen： Seismic Waveform Synthesis Using GAN with Application to Seismic Data Augmentation ［J］. Journal of Geophysical Research： Solid Earth， 2021， 126 （4）： e2020JB020077.

[31] GOOD FELLOW I， POUGET-ABADIE J， MIRZA M， et al. Generative Adversarial Networks ［J］. Communications of the ACM， 2020， 63 （11）： 139-144.

[32] LECUN Y， BENGIO Y， HINTON G. Deep Learning ［J］. Nature， 2015， 521 （7553）： 436-444.

基金资助

国家重点研发计划项目(2023YFF0725005)

国家自然科学基金资助项目(42304074)

国家自然科学基金资助项目(51408564)

中国国家铁路集团有限公司科技研究开发计划课题(K2024G008)

中国铁道科学研究院集团有限公司院基金课题(2022YJ149)