积分商城

最新搜索： STC LINK1D 4岁 msp430f425 GB/T 18268.1 DMR数字对讲机设计原理图DMR数字对讲机设计原理图 信号灯 显示隔离电路
您现在的位置是：首页 > 技术资料 > 基于深度学习卷积神经网络的地震波形自动分类与识别
推荐星级：
  • 1
  • 2
  • 3
  • 4
  • 5

基于深度学习卷积神经网络的地震波形自动分类与识别

更新时间：2019-12-30 16:49:15 大小：2M 上传用户：songhuahua查看TA发布的资源 标签：深度学习卷积神经网络 下载积分：1分 评价赚积分 （如何评价?） 打赏 收藏 评论(0) 举报

资料介绍

发展高效、高精度、普适性强的自动波形拾取算法在地震大数据时代背景下显得越来越重要.波形自动拾取算法的主要挑战来自如何适应不同区域的不同类型地震事件的分类与筛选.本文针对地震事件-噪音分类这一问题,使用13839个汶川地震余震事件建立数据集,应用深度学习卷积神经网络(CNN)方法进行训练,并用8900个新的汶川余震事件作为检测数据集,其训练和检测准确率均达到95%以上.在对连续波形的检测中,CNN方法在精度和召回率上优于STA/LTA和Fbpicker传统方法,并能找出大量人工挑选极易遗漏的微震事件.最后,我们应用训练好的最优模型对选自全国台网的441个台站8天的连续波形数据进行了识别、到时挑取及与参考地震目录关联,CNN检出7016段波形,用自动挑选算法拾取到1380对P,S到时,并与540个地震目录事件成功关联,对1级以上事件总体识别准确率为54%,二级以上为80%,证明了CNN模型具有泛化能力,初步展示了CNN在发展兼具效率、精度、普适性算法,实时地震监测等应用上具有巨大潜力.


部分文件列表

文件名 大小
基于深度学习卷积神经网络的地震波形自动分类与识别.pdf 2M

【关注视频号领20积分】   【关注公众号立即送20积分】

部分页面预览

（完整内容请下载后查看）
第
卷 第  
期
１
地
球
物
理
学 报  
ꢀ
，
Ｖｏｌ．６２ Ｎｏ．１  
６２  
ꢀ
ꢀ
ꢀ
ꢀ
年
月
１
，
Ｊａｎ．２０１９  
２０１９  
ＣＨＩＮＥＳＥ ＪＯＵＲＮＡＬ ＯＦ ＧＥＯＰＨＹＳＩＣＳ  
ꢀ ꢀ ꢀ  
，
赵明 陈石  
，
， （）：  
基于深度学习卷积神经网络的地震波形自动分类与识别 地球物理学报  
．
， ：  
ＤａｖｅＹｕｅｎ．２０１９．  
６２１ ３７４３８２ｄｏｉ  
ꢀ
－
／
１０．６０３８ｃ ２０１９Ｍ０１５１．  
ｊｇ  
，
，
ＺｈａｏＭ ＣｈｅｎＳ ＤａｖｅＹｕｅｎ．２０１９．Ｗａｖｅｆｏｒｍｃｌａｓｓｉｆｉｃａｔｉｏｎａｎｄｓｅｉｓｍｉｃｒｅｃｏｎｉｔｉｏｎｂ ｃｏｎｖｏｌｕｔｉｏｎｎｅｕｒａｌｎｅｔｗｏｒｋ．Ｃｈｉｎｅｓｅ  
ꢀｙ  
ꢀ
ꢀ
ꢀ
ꢀ
ꢀ
ꢀ
ꢀ
ｇ
ꢀ
ꢀ
ꢀ
（
）， （）：  
，
： ／  
Ｊ．Ｇｅｏ ｈｓ．ｉｎＣｈｉｎｅｓｅ ６２１ ３７４３８２ｄｏｉ１０．６０３８ｃ ２０１９Ｍ０１５１．  
ｊｇ  
ꢀ
－
ｐ ｙ  
基于深度学习卷积神经网络的地震波形  
自动分类与识别  
，
２３  
１
，
１
＊
赵明 陈石  
，
ＤａｖｅＹｕｅｎ  
ꢀ
，
中国地震局地球物理研究所 北京  
１
２
３
１０００８１  
ꢀ
，
美国哥伦比亚大学应用物理和应用数学系 纽约  
１００２７  
ꢀ
，
中国地质大学大数据学院 武汉  
４３００７４  
ꢀ
、 、  
摘要 发展高效 高精度 普适性强的自动波形拾取算法在地震大数据时代背景下显得越来越重要 波形自动拾取  
．
ꢀ
算法的主要挑战来自如何适应不同区域的不同类型地震事件的分类与筛选 本文针对地震事件 噪音分类这一问  
．
－
，
题 使用  
，
个汶川地震余震事件建立数据集 应用深度学习卷积神经网络  
（
）
方法进行训练 并用  
ＣＮＮ  
，
个
１３８３９  
８９００  
，
新的汶川余震事件作为检测数据集 其训练和检测准确率均达到  
，
ＣＮＮ  
以上 在对连续波形的检测中  
．
方法在  
９５％  
／
和
ＳＴＡ ＬＴＡ Ｆｂｉｃｋｅｒ  
， ，  
传统方法 并能找出大量人工挑选极易遗漏的微震事件 最后 我们应  
．
精度和召回率上优于  
ｐ
、
个台站 天的连续波形数据进行了识别 到时挑取及与参考地震目录  
８
用训练好的最优模型对选自全国台网的  
４４１  
，
ＣＮＮ  
，
段波形 用自动挑选算法拾取到  
，
对
１３８０ Ｐ Ｓ  
，
到时 并与  
，
１
关联  
检出  
个地震目录事件成功关联 对  
７０１６  
５４０  
，
，
证明了  
，
模型具有泛化能力 初步展示了  
级以上事件总体识别准确率为  
二级以上为  
在发展  
ＣＮＮ  
５４％  
８０％  
ＣＮＮ  
、 、 ，  
兼具效率 精度 普适性算法 实时地震监测等应用上具有巨大潜力  
．
；
关键词 卷积神经网络 自动波形拾取  
ꢀ
：
／
ｄｏｉ１０．６０３８ｃ ２０１９Ｍ０１５１  
ｊｇ  
，
２０１８０３１２２０１８１２１４  
－
中图分类号  
收稿日期  
收修定稿  
Ｐ３１５  
ꢀ
－
－
－
Ｗａｖｅｆｏｒｍｃｌａｓｓｉｆｉｃａｔｉｏｎａｎｄｓｅｉｓｍｉｃｒｅｃｏｎｉｔｉｏｎｂ ｃｏｎｖｏｌｕｔｉｏｎｎｅｕｒａｌｎｅｔｗｏｒｋ  
ꢀ ꢀ ꢀ ꢀ ꢀ ꢀ  
ꢀ
ｇ
ｙ
ꢀ
，
２３  
１
１
＊
，
，
ＣＨＥＮＳｈｉ ＤａｖｅＹｕｅｎ  
ꢀ ꢀ  
ＺＨＡＯ Ｍｉｎ  
ꢀ
ｇ
ꢀ
，
，
，
１Ｉｎｓｔｉｔｕｔｅｏ Ｇｅｏ ｈｓｉｃｓ ＣｈｉｎａＥａｒｔｈｕａｋｅＡｄｍｉｎｉｓｔｒａｔｉｏｎ Ｂｅｉｉｎ １０００８１ Ｃｈｉｎａ  
ꢀｆ  
ｐ ｙ ｊ ｇ  
ꢀ
ꢀ
ｑ
ꢀ
ꢀ
，
，
２Ｕｎｉｖｅｒｓｉｔ ｏ Ｍｉｎｎｅｓｏｔａ ＮｅｗＹｏｒｋ１００２７ ＵＳＡ  
ｙ ｆ  
ꢀ
ꢀ
ꢀ
ꢀ
ꢀ
，
，
３ＣｈｉｎａＵｎｉｖｅｒｓｉｔ ｏ Ｇｅｏｓｃｉｅｎｃｅ Ｗｕｈａｎ４３００７４ Ｃｈｉｎａ  
ｙ ｆ  
ꢀ ꢀ  
ꢀ
ꢀ
ꢀ
，
，
Ａｂｓｔｒａｃｔ Ｔｈｅｄｅｖｅｌｏ ｍｅｎｔｏｆｅｆｆｉｃｉｅｎｔ ｈｉｈ ｒｅｃｉｓｉｏｎ ａｎｄｕｎｉｖｅｒｓａｌａｕｔｏｍａｔｉｃｗａｖｅｆｏｒｍ ｉｃｋ  
ꢀ ꢀ ꢀｐ －  
ꢀ
ꢀ
ｐ
ｇ
－
ｐ
ꢀ
ꢀ
ꢀ
ｕ ａｌｏｒｉｔｈｍｉｓｍｏｒｅａｎｄ ｍｏｒｅｉｍ ｏｒｔａｎｔｉｎｔｈｅｂａｃｋｒｏｕｎｄｏｆｅａｒｔｈｕａｋｅｂｉ ｄａｔａ．Ｔｈｅｍａｉｎ  
ꢀ ꢀ ꢀ ꢀ ꢀ ｐ ꢀ ꢀ ꢀ ꢀ ꢀ ꢀ ｇ ꢀ  
ｐ ｇ ｑ  
ｇ
ꢀ
ꢀ
ｃｈａｌｌｅｎｅｃｏｍｅｓｆｒｏｍ ｈｏｗｔｏａｄａｔｔｏｔｈｅｃｌａｓｓｉｆｉｃａｔｉｏｎｏｆｄｉｆｆｅｒｅｎｔｔ ｅｓｏｆｓｅｉｓｍｉｃｅｖｅｎｔｓｉｎ  
ｇꢀ  
ꢀ ꢀ ꢀ ꢀ ｐꢀ ꢀ ꢀ ꢀ ꢀ ꢀｙｐ ꢀ ꢀ ꢀ ꢀ  
，
，
ｄｉｆｆｅｒｅｎｔｒｅｉｏｎｓ．Ｉｎｔｈｉｓ ａｅｒ ａｃｃｏｒｄｉｎ ｔｏｔｈｅｓｅｉｓｍｉｃｅｖｅｎｔｎｏｉｓｅｃｌａｓｓｉｆｉｃａｔｉｏｎ ｒｏｂｌｅｍ ａ  
ꢀ ｇ ꢀｐｐ ꢀｐ  
ꢀ
ｇ
ꢀ
ꢀ
ꢀ
ꢀ
－
ꢀ
ｃｏｎｖｏｌｕｔｉｏｎａｌｎｅｕｒａｌｎｅｔｗｏｒｋ ｍｅｔｈｏｄ ｗａｓｕｓｅｄｔｏｔｒａｉｎｔｈｅｄａｔａｓｅｔｂａｓｅｄｏｎ１３８３９ Ｗｅｎｃｈｕａｎ  
ꢀ ꢀ ꢀ ꢀ ꢀ ꢀ ꢀ ꢀ ꢀ  
ꢀ
ꢀ
ꢀ
ｅａｒｔｈｕａｋｅａｆｔｅｒｓｈｏｃｋｓａｎｄ８９００ｎｅｗ Ｗｅｎｃｈｕａｎａｆｔｅｒｓｈｏｃｋｅｖｅｎｔｓｗｅｒｅｕｓｅｄａｓｔｈｅｔｅｓｔｄａｔａｓｅｔ．  
ꢀ ꢀ ꢀ ꢀ ꢀ ꢀ ꢀ ꢀ  
ｑ
ꢀ
ꢀ
ꢀ
ꢀ
ꢀ
Ｔｈｅｔｒａｉｎｉｎ ａｎｄｄｅｔｅｃｔｉｏｎａｃｃｕｒａｃ ｒａｔｅｓｗｅｒｅｂｏｔｈｏｖｅｒ９５％．Ｉｎｔｈｅｄｅｔｅｃｔｉｏｎｏｆｃｏｎｔｉｎｕｏｕｓ  
ꢀ ꢀ ꢀ ꢀ ꢀ ꢀ ꢀ  
ꢀ
ｇ
ꢀ
ꢀ
ｙ
ꢀ
ꢀ
ꢀ
， ／  
ｗａｖｅｆｏｒｍｓ ｔｈｅＣＮＮ ｍｅｔｈｏｄｉｓｓｕｅｒｉｏｒｔｏｔｈｅｔｒａｄｉｔｉｏｎａｌｍｅｔｈｏｄｓｏｆＳＴＡ ＬＴＡａｎｄＦｂｉｃｋｅｒｉｎ  
ꢀ
ꢀ
ꢀ
ꢀ ꢀ ｐ  
ꢀ ꢀ ꢀ  
ꢀ
ꢀ ꢀ  
ꢀ ｐ  
ꢀ
（
，
）
和中国地震局地球物理研究所基本科研业务专项  
４１７７４０９０ ４１８０４０４７  
（ ）  
为本研究提供资助  
ＤＱＪＢ１８０１  
基金项目 国家自然科学基金  
ꢀ
．
，
， ， ，  
男 博士 助理研究员 主要从事地震学方面的研究  
．Ｅ ｍａｉｌ ｍｚｈａｏ ｃｅａｉ ．ａｃ．ｃｎ  
ｇｐ  
：
第一作者简介 赵明  
ꢀ
－
＠
－
，
， ，  
男 研究员 主要从事地球内部物理学研究  
．Ｅ ｍａｉｌ ｃｈｅｎｓｈｉ ｃｅａｉ ．ａｃ．ｃｎ  
ｇｐ  
：
通讯作者 陈石  
ꢀ
＊
－
＠
－
３７５  
：
赵明等 基于深度学习卷积神经网络的地震波形自动分类与识别  
期
１
ꢀ
，
ｒｅｃｉｓｉｏｎａｎｄｒｅｃａｌｌｒａｔｅ ａｎｄｃａｎｆｉｎｄａｌａｒｅｎｕｍｂｅｒｏｆｍａｎｕａｌｌ ｓｅｌｅｃｔｅｄｍｉｃｒｏｓｅｉｓｍｉｃｅｖｅｎｔｓ  
ꢀꢀ ｇꢀ  
ｐ
ꢀ
ꢀ
ꢀ
ꢀ
ꢀ
ꢀ ꢀ  
ｙ
ꢀ
ꢀ
ꢀ
，
ｔｈａｔａｒｅｅａｓｉｌ ｍｉｓｓｅｄ．Ｆｉｎａｌｌ ｗｅｕｓｅｔｈｅｔｒａｉｎｅｄｏｔｉｍａｌｍｏｄｅｌｔｏｉｄｅｎｔｉｆ ８ｄａ ｃｏｎｔｉｎｕｏｕｓ  
ꢀ ꢀ ꢀｐ ꢀ ꢀ  
ꢀ － ꢀ  
ｙ ｙ  
ｙ
ꢀ
ｙ
ꢀ
ꢀ
ꢀ
ꢀ
，
ｗａｖｅｆｏｒｍｄａｔａｆｒｏｍ ４４１ｓｔａｔｉｏｎｓｎａｔｉｏｎｗｉｄｅ．ＣＮＮ ｄｅｔｅｃｔｓ７０１６ ｗａｖｅｆｏｒｍｓ ｔｈｅｎ ｗｅ ｉｃｋｕ  
ꢀ ꢀｐ ꢀｐ  
ꢀ
ꢀ
ꢀ
ꢀ
ꢀ
ꢀ
，
１３８０ ａｉｒｓｏｆＰａｎｄＳａｒｒｉｖａｌｔｉｍｅｓｕｓｉｎ ａｎａｕｔｏｍａｔｉｃ ｉｃｋｉｎ ａｌｏｒｉｔｈｍ ｆｉｎａｌｌ ｔｈｅ ｉｃｋｕｓｗｅｒｅ  
ｇ ｇ ｐ ꢀ  
ꢀ ꢀꢀ ꢀꢀ ꢀｐ ꢀｐ  
ｐ
ꢀ
ꢀ
ｇ
ꢀ
ꢀ
ｙ
ꢀ
－
ꢀ
ｓｕｃｃｅｓｓｆｕｌｌ ａｓｓｏｃｉａｔｅｄｗｉｔｈ５４０ｅａｒｔｈｕａｋｅｃａｔａｌｏ ｅｖｅｎｔｓ．Ｔｈｅｏｖｅｒａｌｌｒｅｃｏｎｉｔｉｏｎａｃｃｕｒａｃ ｏｆ  
ꢀ ꢀ ꢀ ꢀ ꢀ  
ｙ
ꢀ
ꢀ
ｑ
ｇ
ꢀ
ｇ
ｙ
ꢀ
，
ｅｖｅｎｔｓａｂｏｖｅｍａｎｉｔｕｄｅ１ ｗａｓ５４％ ａｎｄ８０％ ａｂｏｖｅｍａｎｉｔｕｄｅ２ ｗｈｉｌｅｉｎｓｏｍｅａｒｅａｓｓｕｃｈａｓ  
ꢀ ｇ ꢀ ｇ ꢀ ꢀ  
ꢀ
ꢀ
ꢀ
ꢀ
ꢀ
ꢀ
ꢀ
ꢀ
ＳｉｃｈｕａｎａｎｄＸｉｎｉａｎ ｔｈｅｄｅｔｅｃｔｉｏｎｒａｔｅｉｓｈｉｈｅｒ．ＩｔｉｓｓｈｏｗｎｔｈａｔＣＮＮｎｅｕｒａｌｎｅｔｗｏｒｋｈａｓｂｒｏａｄ  
ꢀ ｊ ｇ ꢀ ꢀ ꢀ ｇ ꢀ ꢀ ꢀ ꢀ ꢀ ꢀ  
ꢀ
ꢀ
ꢀ ꢀ  
ꢀ
ａ ｌｉｃａｔｉｏｎ ｒｏｓｅｃｔｓｉｎｔｈｅｒｅａｌｔｉｍｅｅａｒｔｈｕａｋｅｄｅｔｅｃｔｉｏｎａｎｄｌｏｃａｔｉｏｎ．  
ꢀｐ ꢀ ꢀ ꢀ － ꢀ ꢀ ꢀ ꢀ  
ｐｐ ｑ  
ｐ
（
）；  
Ｋｅｗｏｒｄｓ Ｃｏｎｖｏｌｕｔｉｏｎａｌｎｅｕｒａｌｎｅｔｗｏｒｋ ＣＮＮ Ｗａｖｅｆｏｒｍａｕｔｏ ｉｃｋｉｎ  
ｇ
ꢀ
ꢀ
ꢀ
ꢀ
－
ｐ
ｙ
，
域具有相同的震源机制的地震 对于重复发生的地  
， ，  
震检测十分有效 然而 其检测精度很大程度上取决  
引言  
０
ꢀ
， ，  
于使用的模板数量 此外随着模板数据库的增长 计  
，
随着地震仪在全球范围的大规模部署 人类已  
（
算量也呈指数级增加  
Ｓｋｏｕｍａｌｅｔａｌ．２０１４  
ꢀ ꢀ  
，
）；  
指纹  
（
和相似性阈值法 简称  
）
使用了结合计算机视  
ＦＡＳＴ  
经进入地震大数据时代 如何处理地震网络每天收  
．
，
集的大量数据 特别是从质量参差不齐的连续波形  
觉技术和大数据处理方法的  
音频指纹算  
Ｗａｖｅｒｉｎｔ  
ｐ
， ，  
法 对波形进行特征提取 将每个波形浓缩成一个只  
记录中分离出地震和噪声是一个非常棘手的问题  
．
： ，  
例如 大地震发生之后 抗震救灾与应急救援需要对  
“ ”，  
保留其主要特征的紧凑 指纹 使用局部敏感哈希  
， ，  
余震序列进行动态的监测与快速定位 地震编目 地  
， 、  
算法降低相似性搜索量 该方法在检测灵敏度 适用  
、 ，  
性 计算效率方面都有不错的表现 但内存和计算开  
球内部速度结构研究如层析成像等都是以大量地震  
，
事件的挑选与到时拾取作为基础 而目前这些工作  
（
销较大  
Ｙｏｏｎｅｔａｌ．２０１５ ．  
ꢀ ꢀ  
，
）
（
，
）
Ｆａｎ ｅｔａｌ．２０１５ ．  
ｇ ꢀ  
仍主要靠低效的人工完成  
神经网络算法是指旨在模拟人类大脑学习过程  
ꢀ
，
为了解决这一问题 多年来人们发展了各种自  
， “ ”  
的一类算法 它利用彼此互联的非线性 神经元 组  
， ：  
动地震识别算法 比较典型的有 基于振幅的长短窗  
、
， （  
成的复杂网状结构 可以模拟输入特征集合 如地震  
（
，
简
Ａｋａｉｋｅｉｎｆｏｒｍａｔｉｏｎｃｒｉｔｅｒｉａ  
） （ ， ）  
波形 与预期输出值 如震相类型 到时等 之间复杂  
基于  
信息准则  
Ａｋａｉｋｅ  
ꢀ
ꢀ
）
的方法  
ＡＩＣ  
（ ， ），  
以及基于波形相似性  
Ａｋａｉｋｅ１９７４  
，
的非线性关系 并能进一步对新的输入特征给出有  
称
、 、  
的波形自相关 互相关 指纹和相似性阈值法 各种  
．
（
，
）
，
类似于模板匹配  
Ｇｏｏｄｆｅｌｌｏｗｅｔａｌ．２０１６ ．  
效预测  
ꢀ ꢀ  
：
方法都有自己的优势和局限性 长短窗法用短时平  
神经网络算法需要事先从大量样本学习不同地震波  
（
，
）
和长时平均  
ＳｈｏｒｔＴｅｒｍ ＡｖｅｒａｅＳＴＡ  
（
Ｌｏｎ  
ｇ
－
，
形的特征 但其独特优势在于训练好的模型具有泛  
均
－
ꢀ
ｇ
，
Ｔｅｒｍ ＡｖｅｒａｅＬＴＡ  
ｇ
） 、  
之比来反映信号振幅 频率等  
，
化能力 可以发现训练集不包含的新特征 早在  
．
２０  
ꢀ
，
的变化 当地震信号到达时  
， ／  
ＳＴＡ ＬＴＡ  
，
年代 就有人将人工神经网络引入到地震波  
值会有一个  
世纪  
９０  
， ，  
突变 当其比值大于某一个设定阈值时 则判定有地  
（
，
ｇ
；
Ｗａｎ ａｎｄＴｅｎ １９９５ Ｚｈａｏａｎｄ  
ꢀ
形自动识 别 中 来  
ｇ
ꢀ
ꢀ
， ， 、  
震事件发生 这种方法计算快速 对于脉冲 信噪比  
， ； ，  
Ｔａｋａｎｏ１９９９ Ｇｅｎｔｉｌｉａｎｄ Ｍｉｃｈｅｌｉｎｉ２００６  
ꢀ
），  
由于早  
ꢀ
，
高的信号识别准确率较高 但会漏掉低信噪比的信  
，
期的神经网络均为全连接层 受限于当时的计算水  
（
，
；
，
；
Ａｌｌｅｎ １９７８ Ｗｉｔｈｅｒｓｅｔａｌ．１９９８ Ｔｒｎｋｏｃｚ  
ꢀ ꢀ  
，
ｙ
， ，  
平 很难构建深层网络 其发展受到很大限制  
号
．２０１０  
）；  
２０１２ ＡＩＣ  
，
方法 依据  
， ，  
年以后 随着大数据时代的到来 以及计算机性能的  
寻求波形曲线的极小点  
ＡＩＣ  
，
作为震相的到时点 包括自回归  
（
，
进一步提高 神经网络算法的发展迎来新的契机 其  
．
方法  
ＡＩＣ  
Ｓｌｅｅｍａｎａｎｄ  
ꢀ
， ； ， ）、  
基于峰度的  
ＶａｎＥｃｋ１９９９ Ａｋａｚａｗａ２００４  
ꢀ
：
中以卷积神经网络的广泛应用最具代表性 卷积神  
Ｋｕｒｔｏｓｉｓ  
－
（
，
）
以及基于小波变  
Ｋüｅｒｋｏｃｈｅｔａｌ．２０１０  
ꢀ ꢀ  
， ，  
经网络通过共享权重 比人工神经网络参数更少 可  
方法  
ＡＩＣ  
ｐ
（
，
Ｚｈａｎ ｅｔａｌ．２００３  
ｇ ꢀ  
） ，  
等 该  
， ，  
构建的网络层数更深 提取特征的能力大大提高 在  
换的  
方法  
ｗａｖｅｌｅｔＡＩＣ  
－
ꢀ
，
类方法对震相和频率的变化十分敏感 常被用于震  
、 、 ，  
语音识别 视觉识别 自然语言处理等多个领域 都  
， ，  
相到时的精确拾取 然而 与  
／
ＳＴＡ ＬＴＡ  
，
ＡＩＣ  
（
，
Ｋｒｉｚｈｅｖｓｋ ｅｔａｌ．２０１２  
ꢀ
；
类似  
取得了前 所 未 有 的 突 破  
ｙ
ꢀ
；
的结果也强烈依赖于信噪比以及检测区间 波形相  
， ； ， ）  
与这些问题类  
ＬｅＣｕｎｅｔａｌ．２０１５ Ｈｅｅｔａｌ．２０１６ ．  
ꢀ ꢀ ꢀ ꢀ  
（ ）  
关性 或称模板匹配 分析可以用来检测源自单个区  
，
似 地震事件的识别本质上也是一个特征提取与参  

相关下载

全部评论(0)

暂无评论
评论赚积分>>

上传资源 上传优质资源有赏金

热门标签

更多>>

最新上传

  • 打赏
  • 30日榜单

热门下载

推荐下载

本站上的所有资源均为源于网上收集或者由用户自行上传，仅供学习和研究使用，无任何商业目的，版权归原作如有侵权，请 来信指出，本站将立即改正。

ICP许可证号：京ICP证070360号     21IC电子网 2000- 版权所有

京ICP备11013301号

京公网安备 11010802024343号