基于深度学习的地震信号降噪算法研究

• 作 者: 张松
• 机 构: 防灾科技学院
• 出 处: 防灾科技学院
• 发表日期: 2021年01期
• 关键词: 卷积神经网络

地震通常会造成大量的人员伤亡和财产损失，地震预警是减少灾害的有效手段。精确的地震数据可以帮助地震预警系统获得准确的到时，但是，由于台站的监测环境日益复杂，采集的地震数据通常会受到各种种类噪声的强烈干扰，而地震数据中存在噪声会对地震到时的检测、震相获取等工作产生较大的影响，进而导致影响地震预警的准确性，因此需要对采集的地震数据进行降噪。然而传统地震信号降噪算法的降噪结果受人工选取的特征函数或者阈值参数影响较大，导致降噪后的信号信噪比不高并且存在波形失真。近年来，随着深度学习的发展，众多学者开始尝试将深度学习方法应用于地震信号降噪。为进一步提升深度学习在地震信号降噪领域的应用，本文重点研究了基于卷积神经网络的地震信号降噪的问题，在提高地震信号信噪比的同时减少波形失真，本文主要研究内容如下:
　　(1)针对目前深度学习降噪方法存在降噪后地震信号信噪比低、波形失真的问题，提出基于DnCNN网络的地震信号降噪模型。DnCNN模型能够利用残差学习方法对不同信噪比的地震信号进行降噪且不需要人工参与。为了测试DnCNN模型的降噪效果，使用斯坦福大学全球地震数据集对DnCNN网络进行训练、测试，将其降噪结果与传统的降噪方法以及深度学习方法进行比较，实验结果表明DnCNN模型相较于传统降噪算法和深度学习方法，能够获得更好的降噪效果，提高了地震信号的信噪比。
　　(2)虽然DnCNN模型能够在一定程度上提高地震信号的信噪比，但模型中特征图的利用率不高，容易丢失一些细节特征，导致降噪后的信号存在一定程度的波形失真。针对这一问题，提出结合残差密集模块(residual dense block，RDB)的卷积深度网络降噪模型DnRDB。模型中的RDB模块利用密集连接和特征融合能够增加特征图的利用率，在提高地震信号的信噪比的同时减少波形失真。为了证明DnRDB模型的降噪效果，使用同一数据集对DnRDB模型进行训练和测试，实验结果表明，DnRDB模型在测试集上可以有效去除各种噪声。将DnRDB模型与DnCNN模型和其他深度学习模型进行比较，在对同一段含噪地震信号降噪后，平均信噪比分别提高约0.7dB和1dB，平均相关系数分别提高约0.0573、0.0574，DnRDB模型降噪效果最优，可以有效提高地震信号的信噪比，同时波形失真程度最小。
　　(3)地震信号中含有噪声会影响对震相识别的精度，对含有噪声的地震信号降噪可以改善震相识别的效果。为了测试DnRDB模型在实际地震信号的降噪效果，将DnRDB模型应用于2008年汶川地震余震数据集，对数据集中的地震信号进行降噪。利用长短窗震相识别算法对降噪前以及降噪后的地震信号进行震相识别，并使用正确率和查全率来评价震相识别的效果，实验结果表明，降噪后的Pg和Sg的识别正确率分别提高18％和9％，查全率分别提高32％和29％，而且经过DnRDB模型降噪后的震相识别精度相较于其他降噪算法最高。DnRDB模型可以通过降噪有效提高震相识别算法的识别精度。