技术特征：
1.一种识别异常地震信号的方法，包括：s1，选取模板信号；s2，对所述模板信号进行匹配滤波处理，获取多个相似信号；s3，利用神经网络从地震记录中获取地震信号；s4，对所述模板信号、相似信号、地震信号进行降维处理，得到降维数据；s5，对降维数据进行聚类处理，确定所述降维数据的决策边界，将边界内的所述地震信号识别为与所述模板信号相似的异常地震信号。2.根据权利要求1所述的识别异常地震信号的方法，其特征在于，所述s2中获取多个相似信号的事件的相关系数计算公式如下：其中，ncc为相关系数，t为参考震相的时间窗口，震源项是辐射方向f与震源时间函数s(t)的乘积，f1、s1为其中一个事件的辐射方向和震源时间函数，f2、s2为另一个事件的辐射方向和震源时间函数，t0为当前计算的时刻；τ为时间变量，取值范围为(-t，t)。3.根据权利要求1所述的识别异常地震信号的方法，其特征在于，所述s3中利用神经网络从连续地震记录中获得地震信号具体包括：s31，通过全卷积神经网络提取信号包络线，同时压制信号前的噪音信号；s32，通过卷积神经网络对信号包络线进行分类，区分噪音信号与地震信号。4.根据权利要求3所述的识别异常地震信号的方法，其特征在于，所述s31具体包括：s311，输入地震台记录的一段波形数据，波形数据包括地震波形数据和背景噪音数据；s312，利用数据稀疏和高斯光滑算法，计算波形数据对应的包络线，作为预先建立的全卷积神经网络的标签；通过训练学习和全卷积神经网络处理获得波形数据与其对应包络线的非线性关系，提取新的波形数据包络线。5.根据权利要求4所述的识别异常地震信号的方法，其特征在于，所述s312中获取波形数据对应的包络线的计算公式如下，e为信号包络线，d(t)为时间序列数据，t
p
为纵波到时，s(
·
)为高斯光滑函数。6.根据权利要求3所述的识别异常地震信号的方法，其特征在于，所述s32具体包括：s321，输入一段波形数据对应的包络线，包络线包括地震波形数据的包络线和背景噪音数据的包络线；s322，设置噪音包络线对应的标签为0，地震信号包络线对应的标签为1，作为预先建立的卷积神经网络的标签；通过训练学习和卷积神经网络处理区分输入的是噪音包络线还是地震信号包络线，从而区分地震信号与噪音信号。7.根据权利要求3所述的识别异常地震信号的方法，其特征在于，所述卷积神经网络包括卷积过程和全连接过程，所述卷积过程由7组网络层构成，所述全连接过程由5个全连接过程实现，最后一层网络采用激活函数softmax，公式如下，用于将一个含任意实数的k维向量z压缩到另一个k维实向量σ(z)中，z
j
为该k维向量第j维的值，z
k
为k维向量第k维的值，k的
取值范围维(1，k)。8.根据权利要求1所述的识别异常地震信号的方法，其特征在于，所述s4中降维处理包括利用t分布随机近邻嵌入非线性降维算法，t分布随机近邻嵌入通过将数据点间的欧几里德距离转化为条件概率而表征相似性，公式如下：其中，p
j/i
表示相似性，x
i
为第i个数据点，x
j
为第j个数据点，x
k
为第k个数据点，k的取值范围(1，n)但不包括第i个数据点，σ
i
是以数据点x
i
为均值的高斯分布标准差。9.根据权利要求1所述的识别异常地震信号的方法，其特征在于，还包括矩阵y，y是n*2阶矩阵，是所述数据集x的2维表征，对于高维数据点x
i
和x
j
在低维空间中的映射点y
i
和y
j
，计算相似的条件概率q
j/i
，公式如下：其中，y
i
为高维数据点x
i
对应的低维数据点，y
j
为高维数据点x
j
对应的低维数据点，y
k
为高维数据点x
k
对应的低维数据点，k的取值范围(1，n)但不包括第i个数据点；选择y中的数据点，令条件概率分布q近似于p，该步骤通过最小化两个分布之间的kl散度(损失函数)而实现，公式如下：其中，p
i
是高维空间里各个点的联合概率分布，q
i
是低维空间下的各个点的联合概率分布，p
j/i
为高维空间点x
i
和x
j
之间的相似度，q
j/i
为低维空间点y
j
和y
i
之间的相似度；k
l
为相对熵，用于度量两个概率分布之间的差异程度。10.根据权利要求1所述的识别异常地震信号的方法，其特征在于，所述s5中采用k邻近聚类算法，划分出前兆信号的决策边界；训练样本为(x
i
，x
j
)，当输入实例为x，标记为c，n
k
(x)是输入实例x的k近邻训练样本集，定义训练误差率是k近邻训练样本标记与输入标记不一致的比例，误差率表示为：其中，x
i
为特征向量，y
i
为实例x
i
的类别，c
j
为第j个类别，n
k
为在训练集中找出于x最近邻的k个点的领域，k为相邻的点数，i为指示函数，当y
i
＝c
j
为1，否则为0。
技术总结
本发明提供一种识别异常地震信号的方法，包括：S1，选取模板信号；S2，对模板信号进行匹配滤波处理，获取多个相似信号；S3，利用神经网络从地震记录中获取地震信号；S4，对模板信号、相似信号、地震信号进行降维处理，得到降维数据；S5，对降维数据进行聚类处理，确定降维数据的决策边界，将边界内的地震信号识别为与模板信号相似的异常地震信号。本发明提供的方法通过结合匹配滤波算法、神经网络和数据挖掘技术，能够从连续的地震波形记录中寻找相似的地震信号。震信号。震信号。
技术研发人员：张捷 张基
受保护的技术使用者：中国科学技术大学
技术研发日：2020.08.28
技术公布日：2022/2/28