CN119439236A 一种基于cdil-cnn与卷积注意力机制结合的地震事件检测方法 （吉林大学）

一种基于CDIL-CNN与卷积注意力机制结合基于CDIL_CNN与卷积注意力机制结合的地震事积组合模块的输出依据最小均方误差函数进行2S2：构建网络模型，所述网络模型从输入到输出依形扩张卷积模块包括4层圆形扩张卷积层进行扩张卷积运算，三组中的圆形扩张卷积模块件标注的标签真实值对不同分量信号的信噪比进行试后，将需要处理的三分量地震数据输入到训练好的网络模型模型中进行地震事件检测，2.根据权利要求1所述的基于CDIL_CNN与卷积注意力机制结合的地震事件检测方法，三组中的圆形扩张卷积模块从第一个圆形扩张卷积模块到第三个圆形扩张卷积模块输入通道数为1，归一化后的三分量地震数据依据信噪比大小由小到大输入到隐藏通道数块包括4个圆形扩张卷积层；其中每个圆形扩张卷积模块的第一个圆形扩张卷积层的初始输入通道数为对应圆形扩张卷积模块的初始输入通道数，从第二个圆形扩张卷积层开始，扩张率大小为dil(m)=2-1-m+1，m依次取值3.根据权利要求1所述的基于CDIL_CNN与卷积注意力机制结合的地震事件检测方法，每个圆形扩张卷积模块在卷积运算时，利用三分量地震,4.根据权利要求3所述的基于CDIL_CNN与卷积注意力机制结合的地震事件检测方法，在每个圆形扩张卷积模块的第一层圆形扩张卷积层到第四层圆形扩张卷积层的运算3,,表第s分量p通道的第1层圆形扩张卷积的输出，i为地震序列索引值，取0_5999，p取1到hidden-channel(b)，hidden-channel(b)表示第b个圆形扩张卷积模块的隐藏k"为第p通道卷积核对取值为1、2、3，三分量地震数据序列长度为n=6000，modn代表圆形循环填充，若i+dil(m)xj-pad(m)为负数则补充序列尾端数据；经过第b个圆形扩张卷积模块输出后的数据x(b)为：,X(b)特征维度为（hidden-channel(b)5.根据权利要求4所述的基于CDIL_CNN与卷积注意力机制结合的地震事件检测方法，所述信息融合模块采用均方误差函数作为权重调整函数，用于得到一个初步检测结通过均方误差函数对三个分量地震数据的特征进行加,以与分别对W和B进行更新，a取值为[0.01,0.001]，n为三分量地震数据序列长度，E(s)为第s个分量初始预测结果与标签hidden-channel(b)权重矩阵，初始B为全为0的1*6000的偏置矩阵；yi为标签真实值，T(s)为三分量地震数据第s分量的融合输出结果，i取值从0_5999，Ti(s)为T(s)中的4第i个元素。6.根据权利要求5所述的基于CDIL_CNN与卷积注意力机制结合的地震事件检测方法，,,Wus为第s个分量依据初步预测误差计算得到的,,为经过卷积注意力模块分配权重后的输出值。7.根据权利要求1所述的基于CDIL_CNN与卷积注意力机制结合的地震事件检测方法，,5[0004]针对现有技术中存在的低信噪比地震波形数据检测中难以准确地分辨出噪声与圆形扩张卷积模块包括4层圆形扩张卷积层进行扩张卷积运算，三组中的圆形扩张卷积模事件标注的标签真实值对不同分量信号的信噪比进行权6数设定为初始输入通道数为1，归一化后的三分量地震数据依据信噪比大小由小到大输入形扩张卷积模块包括4个圆形扩张卷积层；其中每个圆形扩张卷积模块的第一个圆形扩张dil(m)=2-1-m+1，m依次取值,代表第s分量p通道的第1层圆形扩张卷积的输出，i为地震序列索5999，p取1到hidden-channel(b)，hidden-channel(b)表示第b个圆形扩张卷k"为第p充，若i+dil(m)xj-pad(m)为负数则补充序列尾端数据；经过第b个圆形扩张卷积模块输出后的数据x(b)为：7,X(b)特征维度为（hidden-channel(b),以与分别对W和B进行更新，a取值为的1*hidden-channel(b)权重矩阵，初始B为全为0的1*6000的偏置矩阵；yi为标签真实值，T(s)为三分量地震数据第s分量的融合输出结果，i取值从0_5999，Ti(s)为T(s)hidden-channel(b)*6000的数据。,,,,为经过卷积注意力模块分配权重后的输出值。,8本发明利用三个圆形扩张卷积模块（CircularDilatedConvolutional证每个位置都能够以循环方式获得序列中不同位置特征信息，并且使用了扩张卷积方式，对截取的具有相同长度的每个地震事件波段依据波至时刻和结束时刻进行地震事件和噪分为训练集和测试集；本实施例中三分量地震数据样本采用斯坦福公开三分量地震数据9及地震事件标注的标签真实值对不同分量信号的信噪比进三组中的三个圆形扩张卷积模块从第一个到第三个依次对应的隐藏通道数分别ks=max(ks1-2,ksmin)。ks代表卷积核大小，ks1表示前一层的卷积核大小，层数模块的第一个圆形扩张卷积层的初始输入通道数为圆形扩张卷积模块的初始输入通道数，形扩张卷积层的扩张率大小为dil(m)=2-1-m+1，m依次取值个圆形扩张卷积层的扩张率大小dil(1)为1,第二个圆形扩张卷积层的扩张率大小dil(2)为1,第三个圆形扩张卷积层的扩张率大小dil(3)为3,第四个圆形扩张卷积层dil(4)的扩张率大小为5；最后输出为多次卷积的结果。[0017]每个圆形扩张卷积模块在卷积运算时，为了避免三分量,[0018]在每个圆形扩张卷积模块的第一层圆形扩张卷积层到第四层圆形扩张卷积层运,k"为第p通道卷积核对应的权重系数，j为卷积核系数索引，取0到ks(m)-1，地震数据的第s分量波形数据，s取值为1、2、3，三分量地震数据序列长度为n=6000，i+dil(m)xj-pad(m)为负数则补充序列尾端数据；经过第b个圆形扩张卷积模块输出后的数据x(b)为：,X(b)特征维度为（hidden-channel(b)[0019]信息融合模块采用均方误差函数作为权重调整函数，用于得到一个初步检测结通过均方误差函数对三个分量地震数据的特征进行加,以与分别对W和B进行更新，a取值为的1*hidden-channel(b)权重矩阵，初始B为全为0的1*6000的偏置矩阵；yi为标签真实值，Ti(s)为三分量地震数据第s分量的融合输出结果，i取值从0_5999；Ti(s)为T(s)hidden-channel(b)*6000的数据。,其中，D(s)为Ti(s)与标签真实值差值之和，i为地震序列索引值，n为三分量地其中D(s)