一种基于神经网络的智能手机端地震事件识别方法与流程

1.本发明涉及地震事件识别技术领域，尤其涉及一种基于神经网络的智能手机端地震事件识别方法。


背景技术：

2.地震是一种具有很大随机性和不确定的突发性自然灾害，人口稠密地区的大地震并不经常发生，但在城市下方发生的大地震会造成数以万计的人员伤亡，造成持久的社会和经济灾难，近几十年来，世界各地地震灾害频繁发生，造成的损失也急剧增加，因此进行地震早期预警，在破坏性地震波到来之前向目标区域发出警告，提供几秒到几分钟的预警，允许人们转移到安全地带；
3.地震预警是国际上常用的一种有效震防手段，现有技术的地震事件识别方法，其识别预警方式为在特定区域部署完整精密的地震预警系统，特点是高度集成、实时响应，通过内置于台站的高精度加速度计来进行地震事件识别，判断地震的发生与否，在台站检测到地震发生时，通过手机端的app作为预警信息的发布终端，如四川省地震局官方研发的紧急地震速报app、成都高新减灾研究所研发的icl地震预警app都可以作为接收地震预警信息的终端；
4.现有技术所存在的问题在于，部署地震预警系统需要高额的建设投入，如日本所建设的地震预警系统共计花费了9000万美元，并且部署完成后的地震预警系统，地震台站位置固定，只能较准确预警部署完成的区域，预警范围有限；
5.且现有技术的地震事件识别方法，在地震台站部署后，更新维护难度大，无法根据不同的用户进行针对的定制，无法实现多样化的地震事件识别；
6.随着智能手机的普及以及微机电系统技术的发展，现代智能手机内置的加速度计、陀螺仪、磁力仪等传感器可以记录相关数据，使得利用智能手机进行地震事件识别成为可能；
7.因此，本领域技术人员致力于开发一种基于神经网络的智能手机端地震事件识别方法，旨在解决现有技术中存在的缺陷问题。


技术实现要素：

8.有鉴于现有技术的上述缺陷，本发明所要解决的技术问题是目前现有技术中，部署地震预警系统需要高额的建设投入，并且部署完成后的地震预警系统，地震台站位置固定，只能准确预警部署完成的区域，预警范围有限，更新维护难度大，无法根据不同的用户进行针对的定制，无法实现多样化的地震事件识别。
9.为实现上述目的，本发明一种基于神经网络的智能手机端地震事件识别方法，包括如下步骤：
10.步骤1、进行初始数据的收集；
11.步骤2、对步骤1收集到的信息进行预处理；
12.步骤3、基于步骤2预处理得到的信息，进行特征的计算与选择，并构建神经网络模型进行训练；
13.步骤4、使用训练完成的神经网络模型完成地震事件的识别；
14.所述步骤1的初始数据包括非地震数据和地震事件数据；
15.所述步骤1中的非地震数据通过智能手机端的手机软件进行数据的采集；
16.所述步骤1的非地震数据采集的是加速度的三分量数据；
17.所述步骤1的地震事件数据是对地震台站的数据进行收集与记录；
18.步骤2、对步骤1收集到的信息进行预处理；
19.所述步骤2的预处理分为对智能手机端收集到的非地震数据的预处理与通过地震台站所收集到的地震事件数据的预处理；
20.所述步骤2对智能手机端收集到的非地震数据的预处理步骤包括步骤2-a1：去除时间、位置等无关信息以获取三分量加速度；步骤2-a2：根据不同人类活动将数据截取为指定长度的数据；
21.所述步骤2对地震台站所收集到的地震事件数据的预处理步骤包括步骤2-b1根据记录提取并合并三分量加速度数据；步骤2-b2：手动挑选出具有纵波初至的三分量加速度数据；步骤2-b3：对挑选出的加速度数据进行去零值和手机端加速度计自噪声融合处理；
22.步骤3、基于步骤2预处理得到的信息，进行特征的计算与选择，并构建神经网络模型进行训练；
23.所述步骤3中特征量包括，三分量矢量最大加速度和，三分量矢量平均加速度和，三分量各自的绝对中位偏差、四分位距、方差、标准差、平均时域能量，水平向平均时域能量，其计算公式如表2所示；
24.表2特征计算公式及说明
[0025][0026]
所述步骤3的神经网络模型包括全连接神经网络模型和卷积神经网络模型；
[0027]
所述全连接神经网络模型包括输入层、若干隐藏层和输出层；
[0028]
所述输入层中输入相应的张量数据，对应相应的特征数据；
[0029]
所述的隐藏层具有不同的节点数，并采用激活函数进行激活；
[0030]
所述输出层使用相应的激活函数计算分类概率，计算结果为1*2的张量，形如(a，b)，若a》b，则编码为(1，0)，对应分类结果为0，是非地震事件，反之则为地震事件；
[0031]
所述卷积神经网络模型包括有卷积层、池化层以及全连接层；
[0032]
所述卷积层用于提取数据特征；所述池化层对数据进行降维处理，防止过拟合；所述全连接层用来展平最后一层池化层的输出；
[0033]
步骤4、使用训练完成的神经网络模型完成地震事件的识别；
[0034]
所述步骤4中的神经网络模型完成地震事件识别过程中设定有动态学习率，学习率会随着训练步骤的增加呈指数衰减，使得模型在后期能够更加的稳定；
[0035]
所述步骤4在地震事件的识别过程中需要定义损失函数，并选用合适的优化器；
[0036]
进一步地，所述步骤1中的非地震数据采集过程中需要收集不同条件下的加速度数据，如携带智能手机的人类，放置在不同的位置，以不同的速度进行不同的活动，并且需要非地震数据具备不同的数据长度；
[0037]
进一步地，所述步骤1中地震事件数据的采集可以通过震级大小选取传统强震动台站记录的数据；
[0038]
进一步地，所述步骤3在进行时，可以对计算出的特征进行降维，简化特征，减少后续训练模型的时间，同时可以提高神经网络模型的泛化能力；
[0039]
进一步地，所述步骤3的特征降维可以根据训练情况手动挑选出最合适的特征，需要对特征进行排列组合进行降维和基于sklearn的主成分分析(principal component analysis,pca)法对特征数据进行特征降维；
[0040]
进一步地，所述步骤3在进行神经网络模型训练的时候，可以采用十折交叉验证法对训练集进行划分，尽可能提高对非地震数据与地震事件的识别准确率；
[0041]
采用以上方案，本发明公开的基于神经网络的智能手机端地震事件识别方法，具有以下优点：
[0042]
(1)本发明的基于神经网络的智能手机端地震事件识别方法，充分利用了手机在世界分布较广、数量众多的特点，使用智能手机收集地震相关地震数据，使得台站密度相比现有技术有了指数级别的增加，有效扩大地震预警范围，利用现有的智能手机，大幅降低了手机端地震事件识别的监控成本；
[0043]
(2)本发明的基于神经网络的智能手机端地震事件识别方法，可以在地震事件发生后，凭借智能手机携带的gnss全球导航卫星系统，快速定位到地震区域，并且后续针对智能手机的地震事件识别，进行更新与维护更便捷，以较低的成本有效地提高了手机端地震事件识别的准确率；
[0044]
综上所述，本发明公开的基于神经网络的智能手机端地震事件识别方法，有效扩大地震预警范围，利用现有的智能手机，大幅降低了手机端地震事件识别的监控成本；凭借智能手机携带的gnss全球导航卫星系统，快速定位到地震区域，并且后续针对智能手机的地震事件识别，进行更新与维护更便捷，以较低的成本有效地提高了手机端地震事件识别的准确率。
[0045]
以下将结合具体实施方式对本发明的构思、具体技术方案及产生的技术效果作进一步说明，以充分地了解本发明的目的、特征和效果。
附图说明
[0046]
图1是本发明基于神经网络的智能手机端地震事件识别方法流程图；
[0047]
图2是本发明实施例1中的步骤1采集非地震数据时的eewsensor界面示意图；
[0048]
图3是本发明实施例1中地震事件波形在叠加手机传感器自噪声前后的对比图；
[0049]
图4是本发明实施例1中的步骤1采集地震事件数据中，传统强震动记录数量与震级的直方图；
[0050]
图5是本发明步骤2的数据预处理流程图；
[0051]
图6是本发明实施例1中的步骤3中的特征相关系数热力图；
[0052]
图7是本发明实施例1中，所建立的全连接神经网络结构示意图；
[0053]
图8是本发明实施例1中，全连接神经网络的某一次结果曲线图；
[0054]
图9本发明实施例1中，所建立卷积神经网络结构示意图；
[0055]
图10是本发明实施例1中，卷积神经网络在验证集上的不同折结果曲线图；
[0056]
图11是本发明实施例1中，卷积神经网络的某一次结果曲线图。
具体实施方式
[0057]
以下介绍本发明的多个优选实施例，使其技术内容更加清楚和便于理解。本发明可以通过许多不同形式的实施例来得以体现，这些实施例为示例性描述，本发明的保护范围并非仅限于文中提到的实施例。
[0058]
实施例1、采用本发明方法完成基于神经网络的智能手机端地震事件识别
[0059]
本实施例1所执行的流程图如图1所示，首先进行步骤1：进行初始数据的收集；
[0060]
所述步骤1的初始数据包括非地震数据和地震事件数据；
[0061]
所述步骤1中的非地震数据采集过程中需要收集不同条件下的加速度数据，如携带智能手机的人类，放置在不同的位置，以不同的速度进行不同的活动，并且需要非地震数据具备不同的数据长度；
[0062]
所述步骤1中的非地震数据通过智能手机端的手机软件进行数据的采集；
[0063]
所述步骤1的非地震数据采集的三分量加速度数据；其采集的加速度三分量数据的采样率为100hz，采集软件为eewsensor；其中所述图2，是本发明实施例1中在采集非地震数据时的eewsensor界面示意图；
[0064]
考虑到不同活动以及手机不同姿态以及手机自身的影响，本次实施例1选取了3款典型手机，3款手机的型号以及数据类型的详细情况如下表1所示；
[0065]
表1手机型号和数据类型的详细信息
[0066][0067][0068]
所述步骤1的地震事件数据是对地震台站的数据进行收集与记录；
[0069]
所述步骤1中地震事件数据的采集可以通过震级大小选取传统强震动台站记录的数据；
[0070]
本次实施例1，地震事件数据来自日本kik-net和k-net台站2021年1-3月的历史强
震动波形记录，并融合了手机传感器自噪声数据，以此来模拟由eewsensor记录的数据，地震事件数据的震级数量分布，如图4所示；图4记载了传统强震动记录数量与震级分布；
[0071]
具体实施中，本实施例1的步骤1共收集了52590条数据，其中约60％的数据为非地震数据；
[0072]
在完成步骤1、初始数据的收集后，即可开始执行步骤2：对步骤1收集到的信息进行预处理；
[0073]
步骤2对源数据的预处理流程，如图5所示；
[0074]
所述步骤2的预处理分为对智能手机端收集到的非地震数据的预处理与通过地震台站所收集到的地震事件数据的预处理；
[0075]
所述步骤2对智能手机端收集到的非地震数据的预处理步骤包括步骤2-a1：去除时间、位置等无关信息以获取三分量加速度；步骤2-a2：根据不同人类活动将数据截取为指定长度的数据；
[0076]
所述步骤2对震台站所收集到的地震事件数据的预处理步骤包括步骤2-b1根据记录提取并合并三分量加速度数据；步骤2-b2：手动挑选出具有纵波初至的三分量加速度数据；步骤2-b3：对挑选出的加速度数据进行去零值和手机端加速度计自噪声融合处理；
[0077]
具体实施中，本实施例1因为手机传感器的自噪声水平比传统台站高多个数量级，叠加后原始记录噪声几乎完全被覆盖，因此相当于直接用手机记录的地震事件数据；并且手机加速度传感器的幅频特性基本与传统加速度计一致，因此能够避免叠加后出现频段差异；
[0078]
通过上述直接叠加手机加速度计自噪声的做法，我们能够快速得到大量等同于手机记录的地震事件数据；具体如图3所示，是本实施例1步骤2进行数据预处理后，得到的结果；
[0079]
所述图3对比了多个地震观测记录叠加手机传感器噪声数据前后的波形，所述图3左边一列尾每一个波形的ud向分量，右边一列为左边对应区域的方法部分(0-10s)；颜色较浅的波形为加噪前的数据，颜色较深的波形为前一行浅色波形加噪后的数据；
[0080]
所述图3中(a,b)：近震，m4.7，δ＝103.1km，台站：szo018；(c,d)：地方震，m4.7，δ＝26.3km，台站：tyk009；(e,f)：近震，m7.3，δ＝830.9km，台站：smnh16；(g,h)：地方震，m7.3，δ＝68.1km，台站：fksh20；其中m表示震级，δ为震中距；
[0081]
步骤3、基于步骤2预处理得到的信息，进行特征的计算与选择，并构建神经网络模型进行训练；
[0082]
具体实施时，由于大部分非地震数据都很类似，且部分地震事件数据不满足要求，比如不具有清晰的p波初至，在经过步骤2的数据预处理后，我们手动挑选得到了可用的实验数据共11122条数据，其中包括地震数据和非地震数据各5561条；接着对这些数据进行处理得到神经网络的输入特征数据，其中训练集：测试集＝7：3，因此训练集有7784条数据，测试集有3338条，每个数据集都有相同数量的非地震与地震事件数据；
[0083]
所述步骤3在进行神经网络模型训练的时候，可以采用十折交叉验证法对训练集进行划分，尽可能提高对非地震数据与地震事件的识别准确率；具体实施时，训练集由10折交叉验证随机划分成10份，并使用其中1份来对训练的模型进行验证；
[0084]
所述步骤3中特征量包括，三分量矢量最大加速度和，三分量矢量平均加速度和，
三分量各自的绝对中位偏差、四分位距、方差、标准差、平均时域能量，水平向平均时域能量，其计算公式如表2所示；
[0085]
表2特征计算公式及说明
[0086][0087]
通过计算8个特征之间的相关系数，发现有部分特征之间相关系数比较高，尤其是三分量的四分位距、方差以及标准差之间，相关系数最高达到了0.96；
[0088]
所述步骤3在进行时，为了解决特征变量之间相关性较强的问题，可以对计算出的特征进行降维，简化特征，减少后续训练模型的时间，同时可以提高神经网络模型的泛化能力；
[0089]
本次具体实施时，第一种做法是根据训练情况手动挑选出最合适的特征，需要对特征进行排列组合；
[0090]
最终确定了5个最佳特征：三分量矢量最大加速度和、ud向绝对中位偏差、ud向方差、ud向平均时域能量以及水平向平均时域能量，其特征相关性系数热力图，如图6所示，只有ud向绝对中位偏差和ud向平均时域能量相关性系数较高，为0.82，在排除掉其中任一个特征后，模型的表现并不如保留两者的模型优秀，因此最终保留了两个特征；
[0091]
第二种特征降维方法是基于sklearn的主成分分析(principal component analysis,pca)法对8个特征数据进行特征降维，pca法的主要思想是将多个原始特征转换为少数几个反映数据主要特征的“主成分”，但并非单纯地从多个特征提取出某几个特征，而是根据这些特征进行线性组合，得到一个互不相关的主成分集合，每个主成分对应一个方差，主成分根据对应的方差值进行降序排列，第一个主成分对应方差最大，最后一个主成分方差最小；
[0092]
通过参数可以设定特征维数，本次实施例1实施pca执行特征降维的python代码如
下：
[0093][0094]
pca法的主要思想是将多个原始特征转换为少数几个反映数据主要特征，对于pca，本实施例1尝试了降到了不同维度：8维、5维、3维，其不同维数的训练结果如表3所示；
[0095]
表3利用pca降到不同维数后，全连接神经网络的训练结果
[0096][0097][0098]
不同维度的模型最佳测试精度均达到了99％以上，结合对新数据的预测分类能力来看，当降到8维时综合表现最好；
[0099]
所述pca法耗费时间较少，只需修改参数设置即可，但无法直接看出选取了何种特征；
[0100]
手动训练确定特征法虽然比较耗费时间，需要基于神经网络的训练结果以及相关性关系，但能直接清楚选取的哪几种特征；
[0101]
因此在本实施例1的后续，是以手动训练确定特征法来进行特征的选取，且最终选取了5个特征；
[0102]
所述步骤3的神经网络模型包括全连接神经网络模型和卷积神经网络模型；
[0103]
所述全连接神经网络模型包括输入层、若干隐藏层和输出层，
[0104]
本次实施1的全连接神经网络，其中一个模型如图7所示，总共有4层，包含3个隐藏层和输出层；输入层每次输入1
×
5的张量数据，对应5个特征数据；3个隐藏层的节点数分别为5、4、3，均用relu函数进行激活；最后一层为输出层，使用softmax激活函数计算分类概率，结果为1
×
2的张量，形如(a，b)，若a》b，则编码为(1，0)，对应分类结果为0，是非地震事件，反之则为地震事件；
[0105]
所述卷积神经网络模型包括有卷积层、池化层以及全连接层；所述卷积层用于提取数据特征；所述池化层对数据进行降维处理，防止过拟合；所述全连接层用来展平最后一
层池化层的输出；
[0106]
本次实施例1中的步骤2最终是通过手动训练确定特征法，进行特征的提取，其中选取了5个特征量，因为只添加了5个特征量，因此在卷积神经网络中不添加池化层；
[0107]
所述卷积神经网络结构如图9所示，包含两个卷积层和一个全连接层，其中卷积层1的卷积核大小3
×
3，通道数为1，共6个，卷积层2的卷积核为3
×
3，通道数为6，共10个；
[0108]
全连接层接收卷积之后形状为(10，6)的结果输入，并使用softmax激活函数计算分类结果；
[0109]
本实施例1使用由3分向加速度数据计算得到的5个特征，并将文本文件中每行1
×
5的特征数据转换为5
×
5的矩阵，作为卷积神经网络的输入；
[0110]
步骤4、使用训练完成的神经网络模型完成地震事件的识别；
[0111]
具体实施时，本实施例1的全连接神经网络模型的batch_size设定为64；
[0112]
并且在完成地震事件识别过程中设定有动态学习率，学习率会随着训练步骤的增加呈指数衰减，使得模型在后期能够更加的稳定；
[0113]
所述步骤4在地震事件的识别过程中定义二元交叉熵为损失函数，并选用了adam优化器；
[0114]
本次实施例1中，基于全连接神经网络模型训练100个epoch，选择综合性能表现最好的模型作为本实施例1中最终使用的模型；
[0115]
其中不同隐藏层时，全连接神经网络模型的性能表现如下表4所示；
[0116]
表4不同隐藏层时，全连接神经网络模型的性能表现
[0117][0118]
通过上表4比较发现，几种不同网络的准确率均在0.97以上，当隐藏层超过4层的时候，平均验证准确率以及最佳测试准确率达到了0.99，但是准确率并没有随着训练时间的增加而有明显的提高；
[0119]
因此最终采用了具有4层隐藏层的全连接神经网络模型，图8为一次训练中某一折的结果曲线，表明全连接神经网络在手机地震事件识别上有很优秀的表现，所述图8中，当k＝0时，4层全连接神经网络的某一次结果曲线；训练集与验证集的(a)精确率和(b)loss曲线；(c)训练集和(d)验证集的准确率和loss曲线；k表示折数；
[0120]
本次实施例1中，基于卷积神经网络的batch_size设定为64时，在具体实施过程中，验证集的loss曲线走向不稳定，容易出现震荡较大且不收敛的趋势，如图10所示，
[0121]
所述图10是当batch_size为64时，卷积神经网络在验证集上的不同折结果曲线，
图10中，(a)k＝1的准确率曲线；(b)k＝6时的loss曲线；因此尝试将其增大，最终设定为128；其余的动态学习率、损失函数、优化器的参数设置跟全连接神经网络一致；
[0122]
模型在验证集上的平均准确率为99.32％，最佳测试准确率为99.34％，其一次训练中某一折的结果曲线如图11所示。
[0123]
所述图11，是当k＝0时，卷积神经网络的某一次结果曲线；所述图11中，训练集与验证集的(a)精确率和(b)loss曲线；(c)训练集和(d)验证集的准确率和loss曲线；结果表明，卷积神经网络也能很好地应用于地震事件的识别。
[0124]
对比例1、采用现有技术的机器学习方法，完成智能手机端地震事件识别
[0125]
所述对比例1中的现有机器学习方法为逻辑回归与随机森林两种机器学习方法，与实施例1一样，同样是使用5个特征；
[0126]
所述逻辑回归的平均验证准确率为95.2％，其在测试集上的最佳准确率为96.2％；所述随机森林分别为99.5％、99.4％；
[0127]
所述机器学习方法在模型的泛化能力评估上，两类模型对非地震事件数据的识别能力优于对地震事件的识别，且逻辑回归模型在地震事件上的查准率高于随机森林模型；但两者的预测准确率均不到90％，明显低于本发明实施例1的数据结果。
[0128]
结果分析：本发明实施例1，利用手机内置mems传感器的特点，将其作为实时地震数据采集器，同时针对收集到的数据，发明了用于地震事件检测的方法；所述实施例1中的数据集分为非地震数据和地震事件数据；其中非地震数据是由自研发软件eewsensor所采集的6种典型人类活动数据，地震事件数据则是由融入了手机传感器自噪声的日本传统强震台观测记录得到；
[0129]
所述实施例1为了减少过拟合问题的发生，以10折交叉验证法来训练、验证与测试全连接神经网络与卷积神经网络两种不同的模型，其中表现最好的全连接神经网络模型为5层结构，包含4个隐藏层、1个输出层，卷积神经网络模型则具有2个卷积层、1个全连接层和1个输出层，两者在输出层均使用了softmax函数；
[0130]
在最终的结果显示，本发明方法对非地震事件的平均召回率与对地震事件的平均查准率均可达99％，而对比例1的预测准确率不到90％，明显低于本发明实施例1的数据结果；
[0131]
本发明实施例1的方法区分出大部分人类活动与地震事件，有效地提高了手机端地震事件识别的准确率。
[0132]
综上所述，本专利技术方案，有效扩大地震预警范围，利用现有的智能手机，大幅降低了手机端地震事件识别的监控成本；凭借智能手机携带的gnss全球导航卫星系统，快速定位到地震区域，并且后续针对智能手机的地震事件识别，进行更新与维护更便捷，以较低的成本有效地提高了手机端地震事件识别的准确率。
[0133]
以上详细描述了本发明的较佳具体实施例。应当理解，本领域的普通技术人员，无需创造性劳动就可以根据本发明的构思做出诸多修改和变化。因此，凡本技术领域中技术人员依本发明的构思在现有技术的基础上通过逻辑分析、推理或者有限的试验可以得到的技术方案，皆应在由权利要求书所确定的保护范围内。