地震事件自动识别的标准时频变换方法

提出将标准时频变换(normal time-frequency transform,NTFT)与卷积神经网络(convolutional neural networks,CNN)结合,尝试实现地震信号的自动准确识别.单纯利用神经网络方法识别地震通常需要人工方式判别收集地震信号样本,对受到噪声污染的信号进行相关预处理操作.采用NTFT+CNN模型无需预处理去噪,更具有实用性.从中国云南省盈江地区3个台站连续两周的地震记录中截取19 884个地震事件和17 640个噪声数据作为样本,分别利用CNN模型与NTFT+CNN模型进行3台站与单台站地震信号识别实验.在3台站实验中,CNN模型的地震信号识别准确率为93.10％,NTFT+CNN模型的地震信号识别准确率提升至97.80％,引入NTFT使得识别错误率降低了 3倍,表明NTFT+CNN模型可更为有效地识别信噪比低的地震信号.与此同时,CNN模型的训练次数为29,而NTFT+CNN模型训练18次即可达到上述识别准确率,说明NTFT+CNN模型收敛快速且稳定.在单台站实验中,对比考察3种典型噪声情况下的模型表现,进一步验证了 NTFT对噪声-地震信号的识别作用与模型结果的正确性.并将NTFT+CNN模型应用于识别美国南加州地震台网公开的地震-脉冲噪声数据,相对于CNN模型,NTFT+CNN模型在识别准确率、收敛速度与所需训练样本数量方面均表现出明显的优势.NTFT为基于神经网络结构的地震信号自动识别提供了新的有效途径.