Search
E-mail
RSS

Online submission Editor-in-chief Peer review Staff Login

Journal of Tropical Oceanography >

2025 , Vol. 44 >Issue 6: 31 - 38

DOI: https://doi.org/10.11978/2025041

Research on seismic P-wave identification method based on convolutional neural network optimized by RLPSO algorithm*

  • WANG Luowen , 1, 2, 3 ,
  • YANG Zerong 4 ,
  • WEN Yongpeng 4 ,
  • ZHU Xinke 2, 3 ,
  • YAN Bo 1, 2, 3 ,
  • QIN Huawei , 1
Expand
  • 1 School of Mechanical Engineering, Hangzhou Dianzi University, Hangzhou 310018, China
  • 2 State Key Laboratory of Submarine Geoscience, Hangzhou 310012, China
  • 3 Second Institute of Oceanography, MNR, Hangzhou 310012, China
  • 4 Guodian Electric Power Zhejiang Zhoushan Offshore WindPower Development Co., Ltd., Zhoushan 316000, China
QIN Huawei. email:

Received date: 2025-03-11

  Revised date: 2025-04-11

  Online published: 2025-04-18

Supported by

National Key R&D Program of China(2022YFC3003802)

Research Fund of the Key Laboratory of Marine Observation Technology, Ministry of Natural Resources(2024klootA11)

Open Fund of the Key Laboratory of Submarine Geoscience, Ministry of Natural Resources(KLSG2409)

Fold

Abstract

In response to the demand for real-time monitoring of seismic P-waves in marine environments, this study designs a deep learning-based algorithm for seismic P-wave identification. The algorithm constructs a hybrid model by integrating a convolutional neural network (CNN) with a reinforcement learning particle swarm optimization (RLPSO) algorithm. The model is trained using prior seismic data as prior information, with the RLPSO algorithm iteratively optimizing the hyperparameters of the CNN. The optimized hyperparameters are then incorporated into the CNN model to predict the arrival time of seismic P-waves. To validate the effectiveness of the algorithm, simulation tests were conducted on a test dataset using different algorithms. The experimental results demonstrate that the proposed algorithm exhibits lower training loss and higher identification accuracy during the training. Furthermore, the algorithm maintains high identification precision under low signal-to-noise ratio conditions, showcasing strong robustness. The algorithm meets the requirements for real-time seismic P-wave identification in marine seismic monitoring systems.

Key words： seismic P-wave identification; convolutional neural network; reinforcement learning; particle swarm optimization algorithm

Cite this article

WANG Luowen , YANG Zerong , WEN Yongpeng , ZHU Xinke , YAN Bo , QIN Huawei . Research on seismic P-wave identification method based on convolutional neural network optimized by RLPSO algorithm*[J]. Journal of Tropical Oceanography, 2025 , 44(6) : 31 -38 . DOI: 10.11978/2025041

*衷心地感谢审稿专家提供宝贵的修改意见以及编辑部老师们的耐心沟通; 衷心感谢SAGE数据库及YV.RR36台站公开的宝贵数据。
地震学是研究地球内部结构的主要科学手段, 即通过对源自地震产生的地震波在地球内部传播并到达地表被观测到的数据进行分析(丁巍伟 等, 2019)。地震是一种常见的自然灾害, 其发生常伴随地面晃动等现象, 而海洋地震还可能引发海啸和海底火山喷发, 对沿海地区和海洋生态系统造成严重威胁。然而, 全球地震监测网络分布不均, 陆地台站已基本覆盖, 但占地球表面积71%的海洋区域, 其监测设施严重不足, 导致海洋地震数据匮乏, 制约了海洋地震P波识别研究的发展。P波作为最早从震源发出的纵波, 破坏性小且能在固、液、气中传播, 通常先于破坏性更强的S波到达地表。通过实时监测P波, 可为应急响应争取宝贵时间, 降低损失。然而, 海洋环境中P波识别面临低信噪比、复杂噪声干扰以及海底地形和介质不均匀性等挑战, 开发高效、准确的海洋地震P波识别方法对提升海洋监测能力和保障沿海安全具有重要意义。
在地震学领域, 震相识别与到时拾取是地震数据处理的基础环节, 其技术发展经历了从人工经验到自动化处理的演变。随着计算机技术的发展, 自动处理方法逐渐兴起, 早期算法如STA/LTA(short term average/long term average)(Allen, 1978)通过能量阈值识别震相初至, 但其依赖单一特征, 在噪声环境下误判率较高。为解决这一问题, 研究者提出了更精细的算法, 包括模板匹配法, 如AIC信息准则(Akaike information criterion)(Maeda, 1985); 以及特征提取法, 如偏振分析(Roberts et al, 1989)、小波变换(张军华 等, 2002)。模板匹配法通过构建理论波形数据库实现波形相似性匹配, 而特征提取法则从波形中提取更具判别性的特征。这些方法显著提升了识别的准确性和鲁棒性, 为智能化处理技术的发展奠定了基础。
近年来, 随着深度学习技术的迅猛发展, 其在各个领域的应用日益广泛, 地震学研究也不例外。卷积神经网络(convolutional neural network, CNN) (Woollam et al, 2019)凭借其强大的特征提取能力, 在地震P波识别中展现出了独特的优势。与传统方法依赖人工特征提取不同CNN能够自动从海量地震数据中学习P波的时频特征和传播规律, 有效克服了人工提取的主观性和局限性。然而, 地震P波识别面临低信噪比、复杂噪声干扰以及海洋环境中海底地形和介质不均匀性等挑战, 传统CNN在处理这些问题时可能因模型参数优化不足而导致识别精度受限。为了解决这一问题, 引入PSO(particle swarm optimization)(Kennedy et al, 1995)与CNN相结合, 构建PSO-CNN模型(Khalifa et al, 2017)。PSO是一种基于群体智能的全局优化算法, 通过模拟鸟群觅食行为, 利用粒子间的协作和信息共享寻找最优解。将PSO应用于CNN的超参数优化, 能够有效搜索更优的卷积核尺寸、学习率和网络结构等参数组合, 从而提升模型对低信噪比P波信号的识别能力, 并增强其在复杂海洋环境中的适应性。然而, PSO-CNN在地震P波识别中仍存在一些不足, 例如PSO的惯性权重和学习因子通常是固定的, 难以适应地震数据的高度非线性和动态变化特性; 其次, PSO在优化过程中可能陷入局部最优, 导致模型性能无法进一步提升; 此外, PSO-CNN对初始参数设置较为敏感, 不合理的参数选择可能影响优化效率和最终结果。为进一步提升PSO-CNN的性能并解决上述问题, 本文引入强化学习机制RL(reinforcement learning) (Wang et al, 2011), 构建RLPSO-CNN(reinforcement learning particle swarm optimization- convolutional neural network)地震P波初至识别模型。该模型通过强化学习动态调整PSO的惯性权重和学习因子, 使算法在全局探索与局部开发之间实现自适应平衡, 避免陷入局部最优。具体而言, 强化学习模块根据优化过程中的反馈信息(如损失函数的变化趋势和粒子多样性)实时调整PSO参数, 从而更好地适应地震数据的复杂特性。

1 海洋地震P波实时监测系统介绍

本研究采用自然资源部第二海洋研究所自主研发的海洋地震P波实时监测系统作为实验平台(图1)。与传统海底地震仪相比, 该平台搭载了两个监测设备同时使用了光电复合缆与水面通信平台进行连接, 不仅保证了监测平台的续航, 还实现了监控数据实时传输功能。该监测系统由两个核心组件构成: 首先是甚低频水听器, 其工作频带覆盖0.01~100Hz, 具备大于-190dB的高灵敏度和120dB的宽动态范围; 其次是CTS-60P便携式宽频带地震计, 该设备采用三分量一体化设计, 包含一个垂直向和两个水平向传感器, 可在50~60s的频带范围内实现120dB动态范围的精确测量。
图1 海洋地震P波实时监测系统

Fig. 1 Real-time marine seismic P-waves monitoring system

监测系统通过光电复合缆实现观测数据的实时传输, 监控终端采用多级处理策略: 首先对采集数据进行短时窗平均/长时窗平均阈值筛选, 提取潜在的有效信号段; 随后运用基于强化学习粒子群优化算法改进的卷积神经网络模型进行地震P波的精确识别与验证。这种分层处理机制既保证了系统的实时性, 又确保了识别的准确性。

2 方法原理和数据处理

2.1 卷积神经网络

卷积神经网络是一种以深度学习理论为基础的监督学习方法, 其核心特征提取能力主要由卷积层和池化层的结构决定, 特别适用于处理特征识别、计算机视觉等领域的复杂分类和回归问题。假设给定训练集$D=\left\{ \left( {{x}_{i}},{{y}_{i}} \right) \right\}_{i=1}^{n}$, 其中xi表示地震波形数据片段, yi表示为地震P波到达时间; CNN的一般模型可以表示为:
${{y}_{i}}=f\left( {{x}_{i}};\theta \right)+{{\varepsilon }_{i}},i=1,2,...,n$
式中, ${\epsilon }_{i}$为观测噪声, 通常假设服从高斯分布${{\varepsilon }_{i}}\sim N\left( 0,{{\sigma }^{2}} \right)$, 而$f\left( {{x}_{i}};\theta \right)$是由卷积神经网络定义的映射函数, 其参数$\theta $包括卷积核权重、偏置等。
CNN的核心结构由多个一维卷积层、池化层和全连接层组成, 其中卷积层通过局部时间窗口提取波形特征, 池化层则通过下采样减少计算复杂度并增强特征的鲁棒性。假设有数据集$P=\left\{ \left( x_{j}^{*},y_{j}^{*} \right) \right\}_{j=1}^{m}$, CNN的预测输出$y_{j}^{*}$可以通过向前传播计算得到:
$y_{j}^{*}=f\left( x_{j}^{*};\theta \right)$
其中, θ是通过训练集优化得到的网络参数, 这一优化过程通过最小化损失函数L(θ) 来实现, 例如均方误差损失或交叉熵损失:
$L\left( \theta \right)=\frac{1}{n}\sum\limits_{i=1}^{n}{L\left( {{y}_{i}},f\left( {{x}_{i}};\theta \right) \right)}+\lambda ||\theta ||_{2}^{2}$
式中, $\lambda $为正则化系数, 用于防止过拟合。CNN的训练通常采用反向传播算法和梯度下降法来优化参数θ。
卷积核在CNN中起着至关重要的作用, 其设计直接影响特征提取的效果。对于地震波形数据, 常用的一维卷积核能够捕捉P波的初至特征、振幅变化和频率特性。此外, 非线性激活函数的引入进一步增强了网络的表达能力。本文选用ReLU作为激活函数, 其形式为:
$\operatorname{ReLU}\left( z \right)=\max \left( 0,z \right)$
式中, z为卷积层的输出。通过堆叠多个卷积层和池化层, CNN能够逐步提取从局部到时频域的特征, 最终通过全连接层输出P波识别结果。
尽管卷积神经网络在地震P波识别任务中表现出色, 但其性能高度依赖于超参数的选择。传统方法如网格搜索和随机搜索存在计算成本高、易陷入局部最优以及依赖人工干预等问题。为了解决这些问题, 本文引入粒子群优化算法, 通过模拟群体智能行为, 在超参数空间中进行全局搜索, 自动优化卷积核尺寸、学习率、批大小等关键参数。RLPSO不仅能够避免陷入局部最优, 还能显著降低计算成本, 减少人工干预, 从而提升模型的性能和训练效率。通过将RLPSO与CNN结合, 本文实现了超参数的自动化优化, 为地震P波识别提供了一种高效且鲁棒的解决方案。

2.2 强化学习粒子群优化算法

强化学习粒子群优化算法是一种结合强化学习和粒子群优化的混合优化算法, 旨在通过动态调整优化参数来提升全局搜索能力和收敛速度。RLPSO算法特别适用于优化复杂模型, 能够在动态环境中自适应地调整搜索策略。
假设给定优化问题的目标函数为f(x), 其中x表示待优化的参数向量, RLPSO算法的一般模型可以表示为:
${{x}_{i}}\left( t+1 \right)={{x}_{i}}\left( t \right)+{{v}_{i}}\left( t+1 \right)$
式中, xi (t)表示第i个粒子在时间步t的位置, vi (t+1)表示第i个粒子在时间步t+1的速度。速度更新公式为:
${{v}_{i}}\left( t+1 \right)=w\left( t \right){{v}_{i}}\left( t \right)+{{c}_{1}}{{r}_{1}}\left( {{P}_{i}}-{{x}_{i}}\left( t \right) \right)+{{c}_{2}}{{r}_{2}}\left( {{P}_{g}}-{{x}_{i}}\left( t \right) \right)$
式中, w(t)是惯性权重, c1和c2是加速常数, r1和r2是随机数, 服从均匀分布U(0, 1), Pi是第i个粒子的历史最优位置, Pg是群体历史最优位置。
RLPSO算法的核心在于引入强化学习机制动态调整惯性权重w(t)和加速常数c1、c2, 以提升算法的性能。强化学习通过与环境交互, 根据当前状态和奖励信号更新策略。RLPSO算法将惯性权重和加速常数的调整过程建模为一个马尔可夫决策过程, 其状态空间、动作空间和奖励函数定义如下: 状态s(t)包括当前迭代次数、粒子群的多样性度量以及目标函数的改进程度; 动作a(t)包括对惯性权重w(t)和加速常数c1和c2的调整; 奖励r(t)根据目标函数的改进程度和搜索效率设计, 其公式为:
$r\left( t \right)=\Delta f\left( x \right)-\lambda \operatorname{cost}\left( a\left( t \right) \right)$
式中, Δf (x)表示目标函数的改进量, cost(a(t))表示动作的执行成本, $\lambda $是权衡系数。RLPSO算法的优化过程通过最大化累积奖励来实现。
在地震P波识别任务中, RLPSO算法可用于优化CNN的超参数和权重, 以提升特征提取能力和分类精度。假设给定验证集$D=\left\{ \left( {{X}_{k}},{{Y}_{k}} \right)|k=1,2,...,m \right\}$, 其中Xk表示地震数据片段, Yk表示地震P波到达时间, CNN的映射函数fCNN(X;θ) 通过RLPSO算法优化其参数θ。RLPSO算法的目标是最小化预测误差:
$\min \frac{1}{N}\sum\limits_{k=1}^{N}{||{{f}_{\text{CNN}}}\left( {{X}_{k}};\theta \right)-{{Y}_{k}}|{{|}^{2}}}+\lambda R\left( \theta \right)$
式中, R(θ)是正则化项, 用于防止过拟合。通过RLPSO算法的动态参数调整机制, CNN能够更有效地捕捉地震波形数据中的P波初至特征、振幅变化和频率特性, 从而提升P波识别的准确性和鲁棒性。

2.3 RLPSO-CNN组合预测模型构建

RLPSO-CNN算法通过强化学习粒子群优化(RLPSO)对卷积神经网络(CNN)的超参数进行优化, 以实现高效的地震P波识别。算法的核心思想是将超参数优化问题转化为粒子群的全局搜索问题, 通过迭代更新粒子的位置和速度, 找到最优的超参数组合。该算法伪代码如表1所示, 流程图如图2所示。
表1 RLPSO-CNN算法伪代码

Tab. 1 Pseudocode of the RLPSO-CNN algorithm

输入: 地震P波验证集$D=\left\{ \left( {{X}_{k}},{{Y}_{k}} \right)|k=1,2,...,m \right\}$、地震P波训练集
${{D}_{\text{train}}}=\left\{ \left( X_{v}^{T},Y_{v}^{T} \right)|v=1,2,...,w \right\}$、地震P波测试集
${{D}_{\text{test}}}=\left\{ \left( X_{u}^{*},Y_{u}^{*} \right)|u=1,2,...,n \right\}$、最大迭代次数T、粒子群数目N、初始参数w(t)
输出: ${{P}_{\text{out}}}=$ (全局最优参数组合$gbest$, 最小验证集损失$gbest\_score$, 正确率$accuracy$)
1. 在边界范围内初始化粒子群, 随机初始化粒子位置和速度
2. for $t=0,...,T$
3. {
4. for $i=0,...,N$
5. {
6. $model=EnhancedPWaveCNN\left( HyperParameter \right)$ //解析超参数构建CNN模型
7. $val\_loss=\frac{1}{m}\sum\limits_{j=1}^{m}{SmoothL1Loss\left( model\left( {{X}_{j}} \right),{{Y}_{j}} \right)}$ //计算验证损失
8. if $val\_loss<gbest\_score$
9. $gbest=particles[i],gbest\_score=val\_loss$
10. else $particles[i]=particles[i-1]$/更新全局最优解和最优损失
11. $velocities[i]=w\cdot velocities[i]+{{c}_{1}}\cdot rand()\cdot (pbest[i]-particles[i])+{{c}_{2}}\cdot rand()\cdot (gbest-particles[i])$
12. $particles[i]+=velocities[i]$//更新粒子位置和速度
13. $w\left( t+1 \right)=w\left( t \right)+\Delta w\left( t \right)$ //调整惯性权重和加速常数, 计算奖励
14. }
15. }
16. $train\_model\left( model,gbest,{{D}_{\text{train}}} \right)$
17. ${{P}_{out}}=test\_model(model,{{D}_{\text{test}}})$ //以最优超参数训练和测试输出结果
图2 RLPSO-CNN算法流程

Fig. 2 Flowchart of the RLPSO-CNN algorithm

2.4 数据与预处理

本文使用的数据集来源于斯坦福大学地震数据集STEAD(Stanford earthquake dataset)(Mousavi et al, 2019), 该数据集涵盖了1984年1月至2018年8月期间全球各地地震台站记录的高质量、大规模地震信号, 具有广泛的区域覆盖性和时间跨度。本文使用三分量波形数据(垂直和水平分量)作为输入, 在数据预处理阶段, 本文对P波数据进行了统一裁剪, 将波形数据长度固定为24s。初步实验中, 尝试将数据统一截取为P波到时前3s的片段, 但实验结果表明, 这种裁剪方式会导致标签分布过于单一, 使得CNN模型退化为一个简单的均值预测器, 未能有效学习到地震信号的特征。为了解决这一问题, 在数据预处理过程中环境噪声数据保留了原始数据中P波到达时刻前的全部信息且未做裁剪处理, 其长度随原始数据中P波到时的位置动态变化, 确保数据标签的多样性, 而包含完整P波到时的24s波形数据确保P波始终位于该时段内, 同时针对S波达到时刻后的数据进行了置零处理, 从而提升模型的特征提取能力和泛化性能。
为了加快模型训练速度并进一步提升模型的泛化能力, 对所有地震波形数据进行了归一化处理。归一化公式如下:
${{x}_{\text{norm}}}=\frac{x-\mu }{\sigma }$
式中, x表示原始地震波形数据的幅度值, μ和σ别为训练集数据的均值和标准差。通过归一化处理, 数据被映射到均值为0、标准差为1的分布, 从而加速模型收敛并提高训练稳定性。
为了进一步增强模型的适应能力, 对归一化后的数据添加高斯噪声, 以模拟低信噪比条件下的地震信号。噪声添加公式如下:
${{x}_{\text{aug}}}={{x}_{\text{norm}}}+\varepsilon $
式中, ε服从均值为0, 标准差为0.01的高斯分布, 即ε~N(0,0.01)。通过数据增强, 生成了更具鲁棒性的训练样本, 提升了模型在复杂环境下的识别性能。最终得到40520条地震P波数据用于训练、验证和测试(训练集80%, 验证集10%、测试集10%)。

3 RLPSO-CNN模型P波识别实验结果分析

3.1 算法效果分析

经过多次实验, 将在训练集和测试集上表现最优的CNN模型与PSO-CNN和RLPSO-CNN模型进行对比。使用确定的参数值在训练集上进行训练, 最后得到两种模型训练过程中损失值的变化曲线如图3所示。基于训练好的模型, 在测试集上进行测试, 当模型预测的P波到时与真实的P波到时小于一定阈值(±0.25)s)时, 则视为识别正确, 测试结果如表2所示。
图3 RLPSO-CNN、PSO-CNN和CNN模型训练损失曲线

Fig. 3 Training loss curves of RLPSO-CNN, PSO-CNN, and CNN models

表2 RLPSO-CNN、PSO-CNN与CNN算法结果对比

Tab. 2 Comparison of results among RLPSO-CNN, PSO-CNN, and CNN algorithms

方法 准确率 均方根误差/s 漏检率
CNN 83.88% 0.3797 10.74%
PSO-CNN 91.36% 0.2974 7.06%
RLPSO-CNN 95.90% 0.1660 3.26%
通过对比RLPSO-CNN与PSO-CNN和CNN的训练损失值曲线, 可以明显观察到RLPSO-CNN在训练过程中收敛更加稳定且具有更低的训练损失。在P波识别结果上, RLPSO-CNN模型识别的准确率更高。由此可见, RLPSO可以更好地适应地震数据的高度非线性和动态变化等复杂特性, 充分利用了数据的特征信息, 显著提升了模型的训练效率和识别准确性。

3.2 不同优化算法性能比较

为了进一步验证RLPSO-CNN算法的识别能力, 将该算法与贝叶斯(Bayesian)算法(Ramos et al, 2024)优化的卷积神经网络P波识别模型(Bayesian-CNN)进行对比。在参数设置上, 贝叶斯算法的初始随机搜索点和迭代次数与RLPSO算法的粒子数和迭代次数保持一致。两模型训练过程的损失曲线如图4所示。测试结果如表3所示。
图4 RLPSO-CNN和Bayesian-CNN模型训练损失曲线

Fig. 4 Training loss curves of RLPSO-CNN and Bayesian-CNN models

表3 RLPSO-CNN与Bayesian-CNN、STA/LTA算法结果对比

Tab. 3 Comparison of results between RLPSO-CNN and Bayesian-CNN, and STA/LTA algorithms

方法 准确率 均方根误差/s 漏检率 训练时长/h
RLPSO-CNN 95.90% 0.1660 3.26% 20.1
Bayesian-CNN 82.21% 0.4739 12.10% 22.5
对比RLPSO-CNN与Bayesian-CNN的损失曲线, RLPSO-CNN在验证集上的损失值低于Bayesian-CNN且收敛速度更快。在结果上, RLPSO-CNN识别的准确率高于Bayesian-CNN方法, RLPSO-CNN总耗时为20.1h比Bayesian-CNN算法节省了10.67%的训练时长。这一结果验证了RLPSO在高维超参数空间中的全局搜索优势, 能够有效提升模型的泛化能力和训练效率。

3.3 随机噪声对P波识别精度影响分析

在海洋中收到的地震信号信噪比较低, 本文在原测试数据中添加不同类型的噪声, 模拟实际地震信号中的噪声干扰。图5a—d分别为原始数据、循环噪声、高斯噪声、脉冲噪声的情况。在测试集中添加了循环噪声、高斯噪声和脉冲噪声后, RLPSO-CNN模型的测试结果准确率分别为95.90%、95.95%和95.53%。实验结果显示, RLPSO-CNN在低信噪比条件下仍能保持较高的识别精度, 表明其具有较强的鲁棒性。为了进一步验证RLPSO-CNN模型在海洋地震数据场景下的泛化能力, 本研究使用了来自SAGE (seismological archive of generic events)数据库中YV.RR36台站记录的海洋地震波形数据, 共截取了119条海洋地震数据用于测试, 模型对P波识别的准确率达到92.44%.表明RLPSO-CNN模型可以满足在复杂海洋环境下地震监测的需求。
图5 RLPSO-CNN模型识别添加随机噪声地震信号结果

a. 原始数据; b. 循环噪声; c. 高斯噪声; d. 脉冲噪声

Fig. 5 Recognition results of RLPSO-CNN model for seismic signals with added random noise. (a) Original data; (b) cyclic noise; (c) Gaussian noise; (d) impulse noise

4 小结

在地震监测与分析领域, 传统卷积神经网络模型在超参数优化方面存在诸多难题, 如易陷入局部最优解, 导致模型性能受限; 计算成本高昂, 对硬件资源要求苛刻; 并且高度依赖人工干预, 优化过程耗时费力且主观性强。为攻克这些难题, 本文创新性地提出一种基于改进粒子群优化算法的卷积神经网络地震P波识别方法。该方法巧妙融合了RLPSO与CNN, 借助RLPSO强大的全局搜索能力, 实现了对CNN超参数的自动化智能优化。相较于传统方法, 这一创新不仅显著提升了模型训练效率, 还大幅提高了地震P波识别精度。经大量实验验证, RLPSO-CNN模型在训练进程中展现出更为迅猛的收敛速度, 训练损失更低。在信噪比较低的地震信号中也表现出较高的识别精度。
目前, 本文所提出的算法正在积极部署于海洋地震P波实时监测系统的实验平台。在实际应用中, 该平台通过三轴地震仪高效收集海洋地震数据, 算法对这些数据进行精准处理与识别。一旦识别到地震事件, 系统会迅速关联同一时刻水听器采集的数据, 进行对比分析, 并详细记录两种监测平台所获取海洋地震数据的特征。这一预期研究成果, 对丰富海洋地震数据收集手段, 优化移动式地震声学浮标的数据处理流程, 进而提升海洋地震监测水平, 具有极为重要的理论与实践意义, 有望为海洋地震研究开辟新的路径。

References

Publishing order | Descend order by publishing year | Descend order by cited within
[1]
丁巍伟, 黄豪彩, 朱心科, 等, 2019. 一种新型潜标式海洋地震仪及在海洋地震探测中的应用[J]. 地球物理学进展, 34(1): 292-296.

DING WEIWEI, HUANG HAOCAI, ZHU XINKE, et al, 2019. New mobile oceanic seismic recording system and its application in marine seismic exploration[J]. Progress in Geophysics, 34(1): 292-296 (in Chinese with English abstract).

[2]
张军华, 赵勇, 赵爱国, 等, 2002. 用小波变换与能量比方法联合拾取初至波[J]. 物探化探计算技术, 24(4): 309-312+336.

ZHANG JUNHUA, ZHAO YONG, ZHAO AIGUO, et al, 2002. Seismic first break pickup using wavelet transform and power ratio method[J]. Computing Techniques for Geophysical and Geochemical Exploration, 24(4): 309-312+336 (in Chinese with English abstract).

[3]
ALLEN R V, 1978. Automatic earthquake recognition and timing from single traces[J]. Bulletin of the Seismological Society of America, 68(5): 1521-1532.

DOI

[4]
KENNEDY J, EBERHART R, 1995. Particle swarm optimization[C]// Proceedings of ICNN'95 - International Conference on Neural Networks. Perth, WA, Australia: IEEE: 1942-1948.

[5]
KHALIFA M H, AMMAR M, OUARDA W, et al, 2017. Particle swarm optimization for deep learning of convolution neural network[C]//2017 Sudan Conference on Computer Science and Information Technology (SCCSIT). Elnihood, Sudan: IEEE: 1-5.

[6]
MAEDA N, 1985. A method for reading and checking phase time in auto-processing system of seismic wave data[J]. Zisin (Journal of the Seismological Society of Japan 2nd Ser), 38(3): 365-379.

[7]
MOUSAVI S M, SHENG YIXIAO, ZHU WEIQIANG, et al, 2019. STanford EArthquake Dataset (STEAD): a global data set of seismic signals for AI[J]. IEEE Access, 7: 179464-179476.

DOI

[8]
RAMOS N, LI HAI, 2024. CNN implementation of Bayesian plasticity for robust learning[C]//2024 IEEE 6th International Conference on AI Circuits and Systems (AICAS). Abu Dhabi, United Arab Emirates: IEEE: 432-436.

[9]
ROBERTS R G, CHRISTOFFERSSON A, CASSIDY F, 1989. Real-time event detection, phase identification and source location estimation using single station three-component seismic data[J]. Geophysical Journal International, 97(3): 471-480.

DOI

[10]
WANG QIANG, ZHAN ZHONGLI, 2011. Reinforcement learning model, algorithms and its application[C]// 2011 International Conference on Mechatronic Science, Electric Engineering and Computer (MEC). Jilin, China: IEEE: 1143-1146.

[11]
WOOLLAM J, RIETBROCK A, BUENO A, et al, 2019. Convolutional neural network for seismic phase classification, performance demonstration over a local seismic network[J]. Seismological Research Letters, 90(2A): 491-502.

DOI

Options
Outlines

/

〈 〉