一种多模态深度学习的地震预警震中距估计方法及系统与流程

本发明属于地震预警、强震动信号处理，具体涉及一种多模态深度学习的地震预警震中距估计方法及系统。

背景技术：

1、地震预警系统在破坏性地震动到达前数秒至数十秒发出警报，是减轻地震灾害的有效手段，而震中距的快速准确估计是其中最具挑战性的环节之一，潜在破坏范围的评估与预警信息的发布策略在很大程度上依赖于该参数。围绕震中距估计，现有技术大体沿两条路线发展。第一条路线为传统经验方法，以b-δ方法和c-δ方法为代表，通过对p波初至后数秒内加速度包络进行函数拟合，由拟合系数与震中距之间的经验关系推算震中距，国内外研究者已针对中国强震动记录率定了相应的经验公式。第二条路线为数据驱动的机器学习方法，例如日本电气株式会社的授权专利cn109416408b公开的震中距估计装置，以波形数据与震中距的对应关系训练学习模型并按时间段估计震中距；又如基于卷积神经网络的单台站震中距估计研究，直接以原始波形为输入提取特征；再如以p波信号提取的数十个人工特征输入随机森林、梯度提升或支持向量机等浅层模型的单站估计研究，均取得了优于传统经验方法的精度。

2、然而，现有技术在技术层面仍存在以下客观问题。其一，传统经验方法仅利用p波初期包络的单一拟合系数，且依赖线性假设，在地震波传播路径复杂或者背景噪声干扰较大的情况下，估计精度明显下降。其二，现有深度学习震中距估计方案虽已开始尝试融合波形与地震学参数等多模态信息，但现有多模态框架多面向震级分类或一般预警任务，尚未针对震中距回归任务解决不同仪器响应统一、时频模态与参数模态并行提取以及短时窗逐秒滚动更新的组合问题；部分方案仍仅利用原始时域波形或仅利用人工提取的参数特征，波形中蕴含的多尺度时频特征未被充分利用，模型对复杂信息的表征能力受限。其三，依赖人工特征的浅层模型需要人工完成特征工程，无法从原始波形中自动提取深层特征，且对特征与核函数的选择敏感。其四，现有方案未建立不同模态信息之间的融合与互补机制，在低信噪比条件下单一模态特征一旦失效，模型估计性能即显著下降。

3、因此，如何在强震动台网与烈度计台网混合输入条件下实现仪器响应统一化，并充分融合时域、时频域与物理参数的多模态信息，同时支持p波后短时窗逐秒滚动更新，提升震中距估计在异构仪器、不同噪声水平与不同震中距区间下的准确性与稳定性，成为地震预警领域亟待解决的技术问题。

技术实现思路

1、（一）解决的技术问题

2、本发明所要解决的技术问题是提供一种多模态深度学习的地震预警震中距估计方法及系统。

3、（二）技术方案

4、为解决上述技术问题，本发明提供了一种多模态深度学习的地震预警震中距估计系统，包括数据获取模块、预处理模块、特征构建模块、多模态估计网络和估计输出模块，

5、所述数据获取模块用于获取目标台站记录的包含p波初至的三分量加速度波形；

6、所述预处理模块用于对所述三分量加速度波形依次执行基线校正、p波到时拾取、实时仿真滤波和片段截取，所述片段截取以拾取的p波到时为基准，截取p波到时至p波到时后预设时窗长度的波形片段；所述实时仿真滤波将所述三分量加速度波形统一仿真为具有目标固有周期和目标阻尼比的仪器响应波形，以消除不同类型仪器的响应差异；

7、所述特征构建模块用于由所述波形片段构建三种模态的输入数据：以所述波形片段的三分量采样序列作为第一模态的时域波形；对所述波形片段进行连续小波变换得到作为第二模态的时频图；由所述波形片段计算三个幅值参数、六个能量参数和一个周期参数，组成作为第三模态的物理参数序列；

8、所述多模态估计网络为经训练的网络，包括时序特征分支、时频特征分支、参数特征分支、融合层和回归层；所述时序特征分支为多层堆叠的长短期记忆网络，相邻长短期记忆网络层之间设置有批归一化层，用于提取所述时域波形的时序特征；所述时频特征分支为多层堆叠的二维卷积网络，用于提取所述时频图的时频特征；所述参数特征分支为多层堆叠的一维卷积网络，用于提取所述物理参数序列的参数特征；所述融合层以中间融合方式将所述时序特征、所述时频特征和所述参数特征对应的一维特征向量分别乘以各自对应的预设权重后沿特征维度拼接，得到融合特征；所述回归层为多层感知机，其末层采用线性激活函数对所述融合特征进行回归运算得到震中距估计值；所述预设时窗长度在一秒至十秒范围内取值，所述多模态估计网络对应不同的时窗长度配置有逐秒递进的多个网络实例，以随p波触发时间的推进连续输出对应时刻的震中距估计值；

9、所述估计输出模块用于输出所述震中距估计值。

10、优选的，所述预设权重为所述时序特征对应的权重占40%、所述时频特征对应的权重占35%、所述参数特征对应的权重占25%。

11、优选的，所述二维卷积网络和所述一维卷积网络中各卷积层之后依次连接有批归一化层、激活层和池化层。

12、优选的，所述实时仿真滤波包括：将波形作傅里叶变换得到频谱，将所述频谱乘以目标仪器传递函数与原始仪器传递函数的比值后作傅里叶逆变换，得到仿真后波形；所述目标仪器传递函数以目标固有周期和目标阻尼比按二阶振动系统频率响应构建。

13、为解决上述技术问题，本发明还提供了一种多模态深度学习的地震预警震中距估计方法，包括以下步骤：

14、s1，获取目标台站记录的包含p波初至的三分量加速度波形；

15、s2，对所述三分量加速度波形依次执行基线校正、p波到时拾取、实时仿真滤波和片段截取，所述片段截取以拾取的p波到时为基准，截取p波到时至p波到时后预设时窗长度的波形片段；所述实时仿真滤波将所述三分量加速度波形统一仿真为具有目标固有周期和目标阻尼比的仪器响应波形，以消除不同类型仪器的响应差异；

16、s3，由所述波形片段构建三种模态的输入数据：以所述波形片段的三分量采样序列作为第一模态的时域波形；对所述波形片段进行连续小波变换得到作为第二模态的时频图；由所述波形片段计算三个幅值参数、六个能量参数和一个周期参数，组成作为第三模态的物理参数序列；

17、s4，将所述三种模态的输入数据输入经训练的多模态估计网络，所述多模态估计网络包括时序特征分支、时频特征分支、参数特征分支、融合层和回归层；由所述时序特征分支以多层堆叠的长短期记忆网络提取所述时域波形的时序特征，相邻长短期记忆网络层之间经批归一化层对层间激活值进行归一化；由所述时频特征分支以多层堆叠的二维卷积网络提取所述时频图的时频特征；由所述参数特征分支以多层堆叠的一维卷积网络提取所述物理参数序列的参数特征；所述融合层以中间融合方式将所述时序特征、所述时频特征和所述参数特征对应的一维特征向量分别乘以各自对应的预设权重后沿特征维度拼接，得到融合特征；由所述回归层以多层感知机对所述融合特征进行回归运算，所述多层感知机的末层采用线性激活函数输出震中距估计值；

18、s5，输出所述震中距估计值；

19、其中，所述预设时窗长度在一秒至十秒范围内取值，所述多模态估计网络对应不同的时窗长度配置有逐秒递进的多个网络实例，以随p波触发时间的推进连续输出对应时刻的震中距估计值。

20、优选的，所述预设权重为所述时序特征对应的权重占40%、所述时频特征对应的权重占35%、所述参数特征对应的权重占25%。

21、优选的，s2中所述实时仿真滤波包括：将波形作傅里叶变换得到频谱，将所述频谱乘以目标仪器传递函数与原始仪器传递函数的比值后作傅里叶逆变换，得到仿真后波形；所述目标仪器传递函数以目标固有周期和目标阻尼比按二阶振动系统频率响应构建。

22、优选的，随p波触发时间的推进，每推进一个时间步即以更新后的波形片段调用对应时窗长度的网络实例重新执行特征构建与估计，连续输出对应时刻的震中距估计值。

23、优选的，所述方法部署于地震预警中心的服务器或者台站端的边缘计算设备，对强震动台网或者烈度计台网传输的实时波形流进行处理；当目标台站处于单台站触发状态时，直接以该台站的三分量加速度波形执行s1至s5，在不经多台组网定位的条件下输出震中距估计值，并根据所述震中距估计值与目标台站位置圈定潜在破坏范围，生成预警信息并发送至预警信息发布单元。

24、本发明提供了一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现前述的多模态深度学习的地震预警震中距估计方法的步骤。

25、（三）有益的技术效果

26、与现有的技术相比，本发明的有益效果是：

27、1.本发明面向强震动台网与烈度计台网混合输入场景，先通过实时仿真滤波完成仪器响应统一化处理，消除不同类型仪器的响应差异，再以时域波形、连续小波变换得到的时频图与p波物理参数序列三种模态作为网络输入，并由时序特征分支、时频特征分支、参数特征分支分别提取特征；与现有多模态框架多面向震级分类任务不同，本发明针对震中距回归任务设计三模态分支与中间加权融合结构，时域波形保留信号的时序演化细节，时频图提供多尺度时频局部特征，物理参数序列体现地震学先验认知，三类信息互为补充，使震中距估计精度显著提升。

28、2.本发明在融合层采用中间融合方式对三个分支的特征向量按预设权重加权拼接，时序特征、时频特征与参数特征的贡献占比经特征重要性分析分别确定为40%、35%与25%，任一模态受噪声干扰时其余模态仍可提供有效信息；对比例二至四分别采用时域波形、时频图、物理参数序列单模态训练结构相同的网络，结果表明任一模态单独使用时的估计精度均低于三模态融合方案，说明三类模态特征间存在信息互补效应；多模态融合模型在各信噪比区间的估计误差均低于传统方法，估计结果对不同噪声水平具有稳定性。

29、3.本发明对应一秒至十秒的预设时窗长度配置逐秒递进的多个网络实例，随p波触发时间的推进依次调用对应时窗长度的网络实例连续输出估计值，时窗延长后估计精度逐步收敛，时窗十秒时误差标准差降至20.84公里，决定系数升至0.788，实现预警早期的快速粗估与后期的精确修正。

30、4.本发明在单台站触发状态下即可由该台站的三分量波形直接输出震中距估计值，无需等待多台触发与组网定位解算，缩短了从p波触发到获得震中距参数的时间，为潜在破坏范围评估与预警信息发布争取了预警时间。