本發(fā)明涉及基于孿生神經(jīng)網(wǎng)絡(luò)的強(qiáng)震動加速度記錄垂直分量識別方法。

背景技術(shù)：

1、高質(zhì)量強(qiáng)震動記錄是地震工程與工程地震研究的數(shù)據(jù)基礎(chǔ)，對于場地效應(yīng)分析、地震動衰減關(guān)系研究、結(jié)構(gòu)地震反應(yīng)輸入、以及地震預(yù)警等研究意義重大。然而，由于強(qiáng)震動臺網(wǎng)的運行、維護(hù)與管理過程中涉及諸多環(huán)節(jié)，特別是網(wǎng)絡(luò)建設(shè)初期的管理經(jīng)驗相對不足，不可避免地會出現(xiàn)一些人為錯誤。因此，對于日益密集的強(qiáng)震動臺網(wǎng)，如何保證強(qiáng)震動數(shù)據(jù)的質(zhì)量是迫在眉睫的一項具有挑戰(zhàn)性的任務(wù)，對于海量強(qiáng)震動數(shù)據(jù)集的質(zhì)量監(jiān)控尤為重要。

2、數(shù)據(jù)質(zhì)量問題包括s波觸發(fā)、尖刺、多個事件等。一些強(qiáng)震動數(shù)據(jù)處理程序包括質(zhì)量控制過程并識別特定的質(zhì)量問題。方向問題是元數(shù)據(jù)問題的一部分，通常表現(xiàn)為方向錯誤或缺失。先前的研究已經(jīng)開發(fā)出各種方向檢查方法。例如，可以通過地震信號的偏振分析確定傳感器方向，或通過分析從環(huán)境噪聲互相關(guān)中檢索到的瑞利波的偏振來估計方向。此外，還有一些研究人員通過比較不同類型的共置傳感器之間的波形一致性來校正地震儀的方向。這些方法主要用于確定地震儀的北向偏移。實際上，在地震動記錄質(zhì)量評估過程中，發(fā)現(xiàn)一些記錄存在著記錄三分量通道數(shù)據(jù)互換現(xiàn)象，即錯誤的將一組記錄的豎向分量認(rèn)作水平向分量，這可能是由于儀器輸出標(biāo)準(zhǔn)不統(tǒng)一或后處理時的失誤等原因造成。這是一種數(shù)據(jù)異?，F(xiàn)象，因為大多數(shù)記錄的垂直分量都有正確的通道標(biāo)簽。

3、地震動記錄的垂直分量在結(jié)構(gòu)設(shè)計、h/v譜比法的應(yīng)用等過程中至關(guān)重要。因此，在進(jìn)行地震動分析和抗震設(shè)計方法研究時，地震動記錄方向必須要準(zhǔn)確無誤，以避免因地震動記錄方向問題而導(dǎo)致錯誤。在大多數(shù)情況下，東西(ew)和南北(ns)兩個水平分量的加速度波形和傅里葉幅值譜(fas)與垂直分量的相似性更高。傳統(tǒng)上，在一組地震動記錄中識別出垂直向分量一般采用人工對比三個分量的加速度波形與傅里葉譜的形狀，但此方法效率較低，面對大量記錄時使用這種方式是不現(xiàn)實的。因此，尋找一個快速且準(zhǔn)確的垂直向地震動識別方法是非常有必要的。

技術(shù)實現(xiàn)思路

1、為解決以上技術(shù)上的不足，本發(fā)明提供了基于孿生神經(jīng)網(wǎng)絡(luò)的強(qiáng)震動加速度記錄垂直分量識別方法，識別快速并且準(zhǔn)確性高。

2、本發(fā)明是通過以下措施實現(xiàn)的：

3、基于孿生神經(jīng)網(wǎng)絡(luò)的強(qiáng)震動加速度記錄垂直分量識別方法，包括以下步驟：

4、步驟1，在強(qiáng)震記錄數(shù)據(jù)庫中選取準(zhǔn)確性高的若干組強(qiáng)震動數(shù)據(jù)作為樣本，每組強(qiáng)震動數(shù)據(jù)中包含水平分量h1、水平分量h2和垂直分量ud，將每組強(qiáng)震動數(shù)據(jù)中三個分量兩兩組合并標(biāo)記為組合h1-h2、組合h1-ud和組合h2-ud，然后采用互相關(guān)系數(shù)來計算各組合兩個分量的加速度波形相似性、傅里葉譜的相似性，得出結(jié)論為組合h1-h2中兩個分量之間的相似性高于其余兩組組合內(nèi)的兩個分量之間的相似性；

5、步驟2，將步驟1中每組強(qiáng)震動數(shù)據(jù)中的各組合的加速度特征數(shù)據(jù)輸入到孿生神經(jīng)網(wǎng)絡(luò)中進(jìn)行深度學(xué)習(xí)和訓(xùn)練，以得到基于孿生神經(jīng)網(wǎng)絡(luò)的網(wǎng)絡(luò)模型；

6、步驟3，繪制待判斷的每組強(qiáng)震動數(shù)據(jù)中的三個分量所在的通道的加速度時程曲線圖，然后按照步驟1中的方式對三個分量進(jìn)行兩兩組合，并一組一組地輸入到步驟2中得到的網(wǎng)絡(luò)模型中進(jìn)行對比，得到每個組合的時域相似性tsim；

7、步驟4，對步驟3中的每組強(qiáng)震動數(shù)據(jù)中的三個分量所在通道的加速度數(shù)據(jù)進(jìn)行傅里葉變換并進(jìn)行平滑處理，得到平滑處理后的快速傅里葉變換數(shù)據(jù)fas，然后按照步驟1中的方式對三個分量進(jìn)行兩兩組合，并一組一組地輸入到步驟2中得到的網(wǎng)絡(luò)模型中進(jìn)行對比，得到每個組合的頻域相似性fsim；

8、步驟5，根據(jù)步驟3和步驟4中得到的時域相似性tsim和頻域相似性fsim，比較某組強(qiáng)震動數(shù)據(jù)的組合h1-h2中兩個分量之間的相似性是否高于其余兩組組合內(nèi)的兩個分量之間的相似性，如果是，則判斷該組強(qiáng)震動數(shù)據(jù)正確，如果否，則判斷該組強(qiáng)震動數(shù)據(jù)的垂直分量所在通道存在標(biāo)簽錯誤，并進(jìn)行步驟6；

9、步驟6，結(jié)合地震動詳細(xì)參數(shù)，進(jìn)行進(jìn)一步的人工判別，最終得到垂直分量標(biāo)簽錯誤的地震動數(shù)據(jù)。

10、步驟1中互相關(guān)系數(shù)來計算各組合的加速度波形相似性、傅里葉譜的相似性，具體的計算方法如公式：

11、

12、式中，x(t)和y(t)是輸入信號，分別表示每個組合的兩個分量；τ是延遲時間，n為采樣點的1/2，rxy(τ)的每個點有n個乘積的平均，必須有2n個采樣點；、互相關(guān)系數(shù)ρxy(τ)是介于－1和1的數(shù)值，其絕對值越大，說明兩個輸入信號的相似性越高。

13、孿生神經(jīng)網(wǎng)絡(luò)將輸入的內(nèi)容經(jīng)過特征提取后會產(chǎn)生一個多維的特征向量，為了將這個多維特征向量輸入到后續(xù)的層中，需要使用flatten層對該向量進(jìn)行一維化處理，然后在對比層求取這兩個一維向量x1與x2的曼哈頓距離pδxp1，公式如下：

14、pδxp1＝abs(x1-x2)??(3)

15、然后，將該距離輸入到全連接層中進(jìn)行處理，最后，將輸出連接到一個神經(jīng)元，將sigmoid激活函數(shù)應(yīng)用于該神經(jīng)元作為輸出層，把結(jié)果轉(zhuǎn)換到[0,1]范圍內(nèi)以表示兩個輸入元素之間的相似性，如果它們較相似，那么這個函數(shù)的輸出將接近1；如果它們不相似，輸出值將接近0。

16、步驟2中，網(wǎng)絡(luò)模型的訓(xùn)練環(huán)境由python?3.9組成，安裝了深度學(xué)習(xí)框架tensorflow?2.10和keras?2.10，該模型使用adam優(yōu)化器通過反向傳播進(jìn)行訓(xùn)練，bitch_size大小為64，學(xué)習(xí)率為0.01，在訓(xùn)練過程中采用dropout和early_stopping，并根據(jù)驗證損失存儲最佳模型權(quán)重，以防止過擬合，dropout率為0.5，并使用二元交叉熵作為損失函數(shù)，公式如下：

17、

18、式中，n為樣本總數(shù)，yi為二元標(biāo)簽0或1，p(yi)為輸出標(biāo)簽yi的概率。

19、本發(fā)明的有益效果是：該方法是通過比較一組地震動記錄的三個分量之間的加速度波形和fas的相似性來實現(xiàn)的，取得了相當(dāng)高的準(zhǔn)確率。通過使用兩種方法進(jìn)行共同識別，可以準(zhǔn)確識別測試集中的正常和標(biāo)記錯誤的記錄。再加上人工識別，證實了該方法可以有效地識別出一組地震動記錄中的垂直分量。與單純采用傳統(tǒng)人工方法進(jìn)行識別相比，在保證識別準(zhǔn)確率的同時顯著提高了效率。

技術(shù)特征：

1.一種基于孿生神經(jīng)網(wǎng)絡(luò)的強(qiáng)震動加速度記錄垂直分量識別方法，其特征在于，包括以下步驟：

2.根據(jù)權(quán)利要求1所述基于孿生神經(jīng)網(wǎng)絡(luò)的強(qiáng)震動加速度記錄垂直分量識別方法，其特征在于：步驟1中互相關(guān)系數(shù)來計算各組合的加速度波形相似性、傅里葉譜的相似性，具體的計算方法如公式：

3.根據(jù)權(quán)利要求1所述基于孿生神經(jīng)網(wǎng)絡(luò)的強(qiáng)震動加速度記錄垂直分量識別方法，其特征在于：孿生神經(jīng)網(wǎng)絡(luò)將輸入的內(nèi)容經(jīng)過特征提取后會產(chǎn)生一個多維的特征向量，為了將這個多維特征向量輸入到后續(xù)的層中，需要使用flatten層對該向量進(jìn)行一維化處理，然后在對比層求取這兩個一維向量x1與x2的曼哈頓距離pδxp1，公式如下：

4.根據(jù)權(quán)利要求1所述基于孿生神經(jīng)網(wǎng)絡(luò)的強(qiáng)震動加速度記錄垂直分量識別方法，其特征在于：步驟2中，網(wǎng)絡(luò)模型的訓(xùn)練環(huán)境由python3.9組成，安裝了深度學(xué)習(xí)框架tensorflow2.10和keras2.10，該模型使用adam優(yōu)化器通過反向傳播進(jìn)行訓(xùn)練，bitch_size大小為64，學(xué)習(xí)率為0.01，在訓(xùn)練過程中采用dropout和early_stopping，并根據(jù)驗證損失存儲最佳模型權(quán)重，以防止過擬合，dropout率為0.5，并使用二元交叉熵作為損失函數(shù)，公式如下：

技術(shù)總結(jié)
本發(fā)明公開了一種基于孿生神經(jīng)網(wǎng)絡(luò)的強(qiáng)震動加速度記錄垂直分量識別方法。首先計算并分析了數(shù)據(jù)庫各組記錄的三個分量之間的加速度時程的互相關(guān)系數(shù)與傅里葉譜的互相關(guān)系數(shù)。然后采用孿生神經(jīng)網(wǎng)絡(luò)對各組合的加速度特征進(jìn)行學(xué)習(xí)，采用殘差網(wǎng)絡(luò)對各組合的傅里葉譜特征進(jìn)行學(xué)習(xí)，并結(jié)合人工進(jìn)一步判斷。該方法是通過比較一組地震動記錄的三個分量之間的加速度波形和FAS的相似性來實現(xiàn)的，取得了相當(dāng)高的準(zhǔn)確率?？梢詼?zhǔn)確識別測試集中的正常和標(biāo)記錯誤的記錄。與單純采用傳統(tǒng)人工方法進(jìn)行識別相比，在保證識別準(zhǔn)確率的同時顯著提高了效率。

技術(shù)研發(fā)人員：周寶峰,劉博,王曉敏
受保護(hù)的技術(shù)使用者：中國地震局工程力學(xué)研究所
技術(shù)研發(fā)日：
技術(shù)公布日：2025/1/9