-
公开(公告)号：CN117075200A
公开(公告)日：2023-11-17
申请号：CN202311044595.6
申请日：2023-08-18
Applicant: 哈尔滨工业大学
Abstract: 基于物理信息神经网络的震源深度和震中距预测方法，本发明是为了解决震源深度和震中距预测精度低以及数据驱动网络可解释性差的技术问题。震源深度和震中距预测方法：一、在数据集中挑选出三分量地震动记录作为输入参数，相对应的震源深度和震中距为标签参数；二、建立包含卷积层和残差块的深度神经网络，采用线性整流函数为激活函数，采用Adam自适应优化器进行反向传播，将均方误差函数和地震波走时差方程结合作为损失函数；三、对深度神经网络模型进行训练；四、震源深度和震中距预测。本发明采用一个融入物理信息的深度神经网络，既能提高预测的精度，又能使得深度神经网络模型具有了一定的可解释性，提高了预测精度。
-
公开(公告)号：CN119623059A
公开(公告)日：2025-03-14
申请号：CN202411705028.5
申请日：2024-11-26
Applicant: 哈尔滨工业大学
IPC: G06F30/20 , G06F17/11 , G06F17/18 , G06F111/08
Abstract: 本发明涉及地震学技术领域，尤其是一种基于空间相关性的地震动场随机模拟方法，由单场点地震动模型和空间相关性模型两部分构成，具体包括以下步骤：步骤一：搭建单场点地震动时频功率谱模型；步骤二：搭建时频功率谱参数的预测方程；步骤三：时频功率谱到时程的变换；步骤四：搭建时频功率谱参数的空间相关性模型；本发明大大提高了地震动场模拟的速度，同时引入了模型参数的空间相关性，很好地表征了空间上场点与场点之间的时频特征的相关性，使得本发明模拟的地震动场能够与物理认知相符。
-
公开(公告)号：CN119620182A
公开(公告)日：2025-03-14
申请号：CN202411801323.0
申请日：2024-12-09
Applicant: 哈尔滨工业大学
Abstract: 本发明涉及基于时频分析和深度学习的地震相位拾取方法，属于地震学领域，建立包含经验模态分解模块、残差收缩模块、LSTM层、transformer层、上采样层和卷积层的深度神经网络，采用线性整流函数为激活函数，采用Adam自适应优化函数进行反向传播，将二元交叉熵损失函数作为损失函数，以平均绝对误差函数、误差标准差、精确率、召回率和F1分数为评价指标，得到深度神经网络模型。在噪声、P波和S波的频率存在差异时，经验模态分解能有有效地将三者分离开，从而帮助网络更好地识别P波和S波。即使是对于宽频带噪声，噪声也会被分解到不同的本征模态函数中，从而降低了P波和S波所在的本征模态函数中的噪声含量。这种时频分析方法能够有效地提高网络的抗噪能力。
-
公开(公告)号：CN117075200B
公开(公告)日：2024-12-20
申请号：CN202311044595.6
申请日：2023-08-18
Applicant: 哈尔滨工业大学
Abstract: 基于物理信息神经网络的震源深度和震中距预测方法，本发明是为了解决震源深度和震中距预测精度低以及数据驱动网络可解释性差的技术问题。震源深度和震中距预测方法：一、在数据集中挑选出三分量地震动记录作为输入参数，相对应的震源深度和震中距为标签参数；二、建立包含卷积层和残差块的深度神经网络，采用线性整流函数为激活函数，采用Adam自适应优化器进行反向传播，将均方误差函数和地震波走时差方程结合作为损失函数；三、对深度神经网络模型进行训练；四、震源深度和震中距预测。本发明采用一个融入物理信息的深度神经网络，既能提高预测的精度，又能使得深度神经网络模型具有了一定的可解释性，提高了预测精度。
-
-
-
Search Results
4
records
(took 0.017 seconds)
