地震信号的处理方法及地震信号的处理装置

技术领域

本公开涉及地震数据分析技术领域，更具体地，涉及一种地震信号的处理方法、地震信号的处理装置、电子设备计算机可读存储介质及计算机程序产品。

背景技术

地震震相拾取和极性确定是地震学中非常重要的基础工作。在基于走时的定位和地震层析成像研究中，准确的地震震相拾取起着重要作用。初动极性被用来确定地震的震源机制，特别是对于难以正演模拟的高频地震波形数据。震源机制解表明了应力和地震活动的状态，在地质灾害的分析、评估和预测中发挥着关键作用。震相拾取和极性确定对于人类专家来说是重复而简单的任务，随着地震数据的增加，人工完成这些任务变得困难。

发明内容

有鉴于此，本公开实施例提供了一种地震信号的处理方法、地震信号的处理装置、电子设备计算机可读存储介质及计算机程序产品。

本公开实施例的一个方面提供了一种地震信号的处理方法，包括：

获取地震仪采集的上述地震信号；

利用目标地震信号处理模型中的编码器处理上述地震信号，得到目标特征向量，其中，上述目标特征向量包括由上述编码器中的长短期记忆网络处理得到的时序信息，上述目标地震信号处理模型还包括分类器和解码器；

利用上述编码器中的注意力机制层对上述时序信息进行震相和极性的融合，得到与上述时序信息对应的权重；

利用上述分类器处理上述时序信息和上述权重，得到上述地震信号的地震极性分类信息；

利用上述解码器处理上述时序信息和上述权重，得到上述地震信号的地震震相拾取信息。

根据本公开的实施例，地震信号的处理方法还包括：

利用HASH算法处理与不同地震仪获取的多个地震信号对应的多个地震极性分类信息，得到地震事件的震源机制，其中，不同的上述地震仪位于不同的位置区域内，多个上述地震信号对应于一个上述地震事件；

根据上述震源机制确定不同位置区域所在地区的应力状态和地质构造。

根据本公开的实施例，上述利用目标地震信号处理模型中的编码器处理上述地震信号，得到目标特征向量，包括：

将上述地震信号输入至少一个卷积-池化层组，输出初始特征向量，其中，上述卷积-池化层组包括第一卷积层和池化层，上述初始特征向量包括地震波形的形态特征；

将上述初始特征向量输入上述长短期记忆网络，输出目标特征向量，其中，上述目标特征向量包括与地震波形的时序特征对应的时序信息。

根据本公开的实施例，上述将上述地震信号输入至少一个卷积-池化层组，输出初始特征向量，包括：

利用上述第一卷积层对上述地震信号进行特征提取处理，得到第二特征向量；

利用上述池化层对上述第二特征向量进行降维处理，得到预设维度的上述初始特征向量。

根据本公开的实施例，上述分类器包括至少一层全连接层；

根据本公开的实施例，上述利用上述分类器处理上述时序信息和上述权重，得到上述地震信号的地震极性分类信息，包括：

利用上述至少一层全连接层处理上述时序信息和上述权重，得到上述地震极性分类信息，其中，上述地震极性分类信息包括极性向上、极性向下和未知极性。

根据本公开的实施例，上述解码器包括至少一个上采样-卷积层组，上述上采样-卷积层组包括上采样层和第二卷积层；根据本公开的实施例，上述利用上述解码器处理上述时序信息和上述权重，得到上述地震信号的地震震相拾取信息，包括：

利用上述上采样层处理上述时序信息和上述权重，得到目标维度的特定特征向量，其中，上述目标维度的数量与上述地震信号的维度数量相同或不同；

利用上述第二卷积层对上述特定特征向量进行特征复原处理，得到概率分布图，其中，上述概率分布图包括分布曲线，上述分布曲线中任一点表征在横坐标对应的时刻下的震相概率；

将上述概率分布图中震相概率最大的点确定为上述地震震相拾取信息。

根据本公开的实施例，地震信号的处理方法还包括：

利用显示装置展示处理结果，其中，上述处理结果包括上述地震极性分类信息和上述地震震相拾取信息，上述处理结果还包括以下至少一种：应力状态、地质构造和上述概率分布图。

根据本公开的实施例，上述目标地震信号处理模型是通过如下方式训练的：

获取地震训练样本集，其中，上述地震训练样本集包括多个地震训练信号样本和与每个上述地震训练信号样本对应的标签数据，上述标签数据包括极性分类标签和震相拾取标签；

将上述地震训练信号样本输入初始地震信号处理模型，输出预测结果，其中，上述预测结果包括预测极性分类信息和预测震相拾取信息；

将上述预测结果和上述标签数据输入损失函数，得到损失结果；

根据上述损失结果迭代地调整上述初始地震信号处理模型的网络参数，生成经训练的上述目标地震信号处理模型。

根据本公开的实施例，在利用上述编码器处理上述地震信号之前，还包括：

对上述地震信号进行去均值处理，得到第一过渡信号；

对上述第一过渡信号进行去线性趋势处理，得到第二过渡信号；

对上述第二过渡信号进行滤波处理，得到目标频率的上述地震信号，以利用目标地震信号处理模型处理上述目标频率的上述地震信号。

本公开实施例的另一个方面提供了一种地震信号的处理装置，安装有目标地震信号处理模型，上述处理装置包括：

编码器，包括：

长短期记忆网络，用于根据获取的上述地震信号，得到目标特征向量，其中，上述目标特征向量包括时序信息；

注意力机制层，用于对上述时序信息进行震相和极性的融合，

得到与上述时序信息对应的权重；

分类器，用于处理上述时序信息和上述权重，得到上述地震信号的地震极性分类信息；以及

解码器，用于处理上述时序信息和上述权重，得到上述地震信号的地震震相拾取信息。

本公开实施例的另一个方面提供了一种电子设备，包括：一个或多个处理器；存储器，用于存储一个或多个程序，其中，当所述一个或多个程序被所述一个或多个处理器执行时，使得所述一个或多个处理器实现如上所述的方法。

本公开实施例的另一个方面提供了一种计算机可读存储介质，存储有计算机可执行指令，所述指令在被执行时用于实现如上所述的方法。

本公开实施例的另一个方面提供了一种计算机程序产品，所述计算机程序产品包括计算机可执行指令，所述指令在被执行时用于实现如上所述的方法。

根据本公开的实施例，通过利用长短期记忆网络处理地震信号得到该地震信号的时序信息，利用注意力机制层对时序信息进行震相和极性的融合，得到与时序信息对应的权重，分别利用分类器和解码器对同一个时序信息和权重进行处理，可以得到该地震信号的地震极性分类信息和地震震相拾取信息。由于注意力机制层在对震相和极性进行融合时能够对地震信号进行不同权重的赋值，使得后续的分类器和解码器在确定地震极性分类信息和地震震相拾取信息能够更专注于权重较大的信息，从而提升了地震极性分类信息和地震震相拾取信息的精度和准确度，便于后续对地震的震源机制的判断，有利于对地震区域的应力状态和地质构造的分析。

附图说明

通过以下参照附图对本公开实施例的描述，本公开的上述以及其他目的、特征和优点将更为清楚，在附图中：

图1示意性示出了根据本公开实施例的可以应用地震信号的处理方法的示例性系统架构；

图2示意性示出了根据本公开实施例的地震信号的处理方法的流程图；

图3示意性示出了根据本公开实施例的目标地震信号处理模型的框图；

图4示意性示出了根据本公开实施例的误差统计直方图；

图5示意性示出了根据本公开实施例的预测结果与真实结果的对比效果图；

图6示意性示出了根据本公开实施例的震源机制解的结果分析示意图；以及

图7示意性示出了根据本公开实施例的适于实现上文描述的方法的电子设备的框图。

具体实施方式

以下，将参照附图来描述本公开的实施例。但是应该理解，这些描述只是示例性的，而并非要限制本公开的范围。在下面的详细描述中，为便于解释，阐述了许多具体的细节以提供对本公开实施例的全面理解。然而，明显地，一个或多个实施例在没有这些具体细节的情况下也可以被实施。此外，在以下说明中，省略了对公知结构和技术的描述，以避免不必要地混淆本公开的概念。

在此使用的术语仅仅是为了描述具体实施例，而并非意在限制本公开。在此使用的术语“包括”、“包含”等表明了所述特征、步骤、操作和/或部件的存在，但是并不排除存在或添加一个或多个其他特征、步骤、操作或部件。

在此使用的所有术语(包括技术和科学术语)具有本领域技术人员通常所理解的含义，除非另外定义。应注意，这里使用的术语应解释为具有与本说明书的上下文相一致的含义，而不应以理想化或过于刻板的方式来解释。

在使用类似于“A、B和C等中至少一个”这样的表述的情况下，一般来说应该按照本领域技术人员通常理解该表述的含义来予以解释(例如，“具有A、B和C中至少一个的系统”应包括但不限于单独具有A、单独具有B、单独具有C、具有A和B、具有A和C、具有B和C、和/或具有A、B、C的系统等)。

本公开的实施例提供了一种地震信号的处理方法、地震信号的处理装置、电子设备计算机可读存储介质及计算机程序产品。该方法包括获取地震仪采集的地震信号；利用目标地震信号处理模型中的编码器处理地震信号，得到目标特征向量，其中，目标特征向量包括由编码器中的长短期记忆网络处理得到的时序信息，目标地震信号处理模型还包括分类器和解码器；利用编码器中的注意力机制层对时序信息进行震相和极性的融合，得到与时序信息对应的权重；利用分类器处理时序信息和权重，得到地震信号的地震极性分类信息；利用解码器处理时序信息和权重，得到地震信号的地震震相拾取信息。

图1示意性示出了根据本公开实施例的可以应用地震信号的处理方法的示例性系统架构100。需要注意的是，图1所示仅为可以应用本公开实施例的系统架构的示例，以帮助本领域技术人员理解本公开的技术内容，但并不意味着本公开实施例不可以用于其他设备、系统、环境或场景。

如图1所示，根据该实施例的系统架构100可以包括终端设备101、102、103，网络104、服务器105和至少一个地震仪106。网络104用以在终端设备101、102、103、服务器105和地震仪106之间提供通信链路的介质。网络104可以包括各种连接类型，例如有线和/或无线通信链路等。

用户可以使用终端设备101、102、103通过网络104与服务器105交互，以接收或发送消息等。终端设备101、102、103上可以安装有各种通讯客户端应用，例如地震信号的处理类应用、网页浏览器应用、搜索类应用、即时通信工具、邮箱客户端和/或社交平台软件等(仅为示例)。

终端设备101、102、103可以是具有显示屏并且支持网页浏览的各种电子设备，包括但不限于智能手机、平板电脑、膝上型便携计算机和台式计算机等。

服务器105可以是提供各种服务的服务器，例如对用户利用终端设备101、102、103所浏览的地震数据提供支持的后台管理服务器(仅为示例)。后台管理服务器可以对接收到的用户请求等数据进行分析等处理，并将处理结果(例如根据用户请求确定该地震信号的地震极性分类信息和地震震相拾取信息等)反馈给终端设备。

地震仪106可以对地震事件进行监测，并生成对应地震事件的地震信号。

需要说明的是，本公开实施例所提供的地震信号的处理方法一般可以由服务器105执行。相应地，本公开实施例所提供的地震信号的处理装置一般可以设置于服务器105中。本公开实施例所提供的地震信号的处理方法也可以由不同于服务器105且能够与终端设备101、102、103和/或服务器105通信的服务器或服务器集群执行。相应地，本公开实施例所提供的地震信号的处理装置也可以设置于不同于服务器105且能够与终端设备101、102、103和/或服务器105通信的服务器或服务器集群中。或者，本公开实施例所提供的地震信号的处理方法也可以由终端设备101、102、或103执行，或者也可以由不同于终端设备101、102、或103的其他终端设备执行。相应地，本公开实施例所提供的地震信号的处理装置也可以设置于终端设备101、102、或103中，或设置于不同于终端设备101、102、或103的其他终端设备中。

应该理解，图1中的终端设备、网络、服务器和地震仪的数目仅仅是示意性的。根据实现需要，可以具有任意数目的终端设备、网络、服务器和地震仪。

图2示意性示出了根据本公开实施例的地震信号的处理方法的流程图。图3示意性示出了根据本公开实施例的目标地震信号处理模型的框图。

如图2所示，地震信号的处理方法包括操作S201～S205。

在操作S201，获取地震仪采集的地震信号；

在操作S202，利用如图3所示的目标地震信号处理模型中的编码器处理地震信号，得到目标特征向量，其中，目标特征向量包括由编码器中的长短期记忆网络处理得到的时序信息，目标地震信号处理模型还包括分类器和解码器；

在操作S203，利用编码器中的注意力机制层对时序信息进行震相和极性的融合，得到与时序信息对应的权重；

在操作S204，利用分类器处理时序信息和权重，得到地震信号的地震极性分类信息；

在操作S205，利用解码器处理时序信息和权重，得到地震信号的地震震相拾取信息。

根据本公开的实施例，地震信号是在一次地震事件中地震台站中的地震仪检测到的地震波数据，地震信号是一个时间序列信号。每一个地震都对应着一个独特的地震波形图，如纵波，横波，面波以及地震波到达地震台站的时间。地震台站或者地震仪记录到的是地震发生后地震波传播到记录地点所引起的介质的位移，或者位移的速度(一阶时间导数)，或者位移的加速度(二阶时间导数)。一般地震台可获得三分量(垂直、东西、南北方向上的震动记录)地震图数据，即本公开的地震信号。

根据本公开的实施例，地震仪输出地震信号后，将该地震信号输入到目标地震信号处理模型中，编码器的长短期记忆网络根据地震信号生成包括时序信息的目标特征向量，再利用所述编码器中的注意力机制层对所述时序信息进行震相和极性的融合，得到与所述时序信息对应的权重，从而分别利用分类器和解码器对同一个时序信息和权重进行处理，可以得到该地震信号的地震极性分类信息和地震震相拾取信息，其中，震相和极性的融合可以确定极性与震相之间的相互关系，即极性的确定依赖于震相选取的到达时间，因此后续确定的地震极性分类信息和地震震相拾取信息能够更加准确。

根据本公开的实施例，通过利用长短期记忆网络处理地震信号得到该地震信号的时序信息，利用注意力机制层对时序信息进行震相和极性的融合，得到与时序信息对应的权重，分别利用分类器和解码器对同一个时序信息和权重进行处理，可以得到该地震信号的地震极性分类信息和地震震相拾取信息。由于注意力机制层在对震相和极性进行融合时能够对地震信号进行不同权重的赋值，使得后续的分类器和解码器在确定地震极性分类信息和地震震相拾取信息能够更专注于权重较大的信息，从而提升了地震极性分类信息和地震震相拾取信息的精度和准确度，便于后续对地震的震源机制的判断，有利于对地震区域的应力状态和地质构造的分析。

根据本公开的实施例，地震信号的处理方法还包括如下操作：

利用HASH(HArdebeck&SHearer)算法处理与不同地震仪获取的多个地震信号对应的多个地震极性分类信息，得到地震事件的震源机制，其中，不同的所述地震仪位于不同的位置区域内，多个所述地震信号对应于一个所述地震事件；

根据所述震源机制确定不同位置区域所在地区的应力状态和地质构造。

根据本公开的实施例，震源机制的解又称断层面解，是用地球物理学方法判别断层类型和地震发震机制的一种方法。为了描述断层的几何形状，可以假设断层是一个平面，地震发生时断层会相对运动。在不同距离和方位记录的地震图被用来研究地震中断层的几何形状，即震源机制。一次地震发生后(即一个地震事件)，通过对不同的地震台站所接收到的地震信号进行处理得到的地震极性分类信息进反演推断(如HASH算法处理)，即可求出此次地震事件的震源机制解。震源机制解不仅可以使人了解断层的类型(是正断层、逆断层还是走滑断层)，而且可以揭示断层在地震前后具体的运动情况。

根据本公开的实施例，在某次地震中，利用上述地震信号的处理方法对不同地震台站或地震仪输出的多个地震信号进行处理，得到对应于不同地震信号的地震极性分类信息，利用HASH算法处理多个地震极性分类信息并结合各地震台站检测到的地震波的方位角、入射角和第一次波动的类型(压缩或舒张)可以得到地震事件的震源机制。

根据本公开的实施例，所述利用目标地震信号处理模型中的编码器处理所述地震信号，得到目标特征向量，包括如下操作：

将所述地震信号输入至少一个卷积-池化层组，输出初始特征向量，其中，所述卷积-池化层组包括第一卷积层和池化层，所述初始特征向量包括地震波形的形态特征；

将所述初始特征向量输入所述长短期记忆网络(LSTM)，输出目标特征向量，其中，所述目标特征向量包括与地震波形的时序特征对应的时序信息。

根据本公开的实施例，卷积-池化层组的数量可以根据实际需求具体设置，本公开以3个依次连接的卷积-池化层组进行示例性说明。

根据本公开的实施例，分别利用三个卷积-池化层组对地震信号进行特征提取和降维处理，得到预设维度的初始特征向量，再将该初始特征向量输入至长短期记忆网络，即可得到包括与地震波形的时序特征对应的时序信息的目标特征向量。再利用注意力机制层对所述时序信息进行震相和极性的融合，即可得到与所述时序信息对应的权重，从而可以利用分类器和解码器处理该时序信息和所述权重，以确定地震信号的地震极性分类信息和地震震相拾取信息。

根据本公开的实施例，所述将所述地震信号输入至少一个卷积-池化层组，输出初始特征向量，包括如下操作：

利用所述第一卷积层对所述地震信号进行特征提取处理，得到第二特征向量。利用所述池化层对所述第二特征向量进行降维处理，得到预设维度的所述初始特征向量。

在一种示例性的实施例中，在卷积-池化层组的数量为3个的情况下，若地震信号的维度为32*32，第一个第一卷积层对地震信号进行特征的第一次提取，再将提取得到的特征向量输入至第一个池化层中，从而得到维度为16*16的特征向量。利用第二个卷积-池化层组对维度为16*16的特征向量进行特征提取和降维处理，可以得到维度为8*8的特征向量，利用第三个卷积-池化层组对维度为8*8的特征向量进行特征提取和降维处理，可以得到预设维度为4*4的初始特征向量。

在另一种示例性的实施例中，在卷积-池化层组的数量为3个的情况下，若地震信号的维度为32*1，第一个第一卷积层对地震信号进行特征的第一次提取，再将提取得到的特征向量输入至第一个池化层中，从而得到维度为16*1的特征向量。利用第二个卷积-池化层组对维度为16*1的特征向量进行特征提取和降维处理，可以得到维度为8*1的特征向量，利用第三个卷积-池化层组对维度为8*1的特征向量进行特征提取和降维处理，可以得到维度为预设维度为4*1的初始特征向量。

由上述两个实施例可知，卷积-池化层组在处理地震信号时，可以对地震信号中一个方向上的维度进行降维，也可以同时对两个方向上的维度进行降维。

根据本公开的实施例，参见图3，所述分类器包括至少一层全连接层。

根据本公开的实施例，所述利用所述分类器处理所述时序信息和所述权重，得到所述地震信号的地震极性分类信息，包括如下操作：

利用所述至少一层全连接层处理所述时序信息和所述权重，得到所述地震极性分类信息，其中，所述地震极性分类信息包括极性向上、极性向下和未知极性。

根据本公开的实施例，全连接层的数量也可以为三个。利用三个全连接层可以处理所述时序信息和所述权重，得到所述地震极性分类信息。

需要说明的是，全连接层的数量可以根据实际需求具体设置，并非限制全连接层的数量只能为三个。

根据本公开的实施例，参见图3，所述解码器包括至少一个上采样-卷积层组，所述上采样-卷积层组包括上采样层和第二卷积层。

根据本公开的实施例，所述利用所述解码器处理所述时序信息和所述权重，得到所述地震信号的地震震相拾取信息，包括如下操作：

利用所述上采样层处理所述时序信息和所述权重，得到目标维度的特定特征向量，其中，所述目标维度的数量与所述地震信号的维度数量相同或不同。利用所述第二卷积层对所述特定特征向量进行特征复原处理，得到概率分布图，其中，所述概率分布图包括分布曲线，所述分布曲线中任一点表征在横坐标对应的时刻下的震相概率。将所述概率分布图中震相概率最大的点确定为所述地震震相拾取信息。

根据本公开的实施例，上采样-卷积层组的数量可以根据实际需求具体设定，例如可以为三个。上采样层的作用是将较低纬度数的时序信息提升至较高维度数的特定特征向量，例如可以将维度为4*4的时序信息提升至维度为32*32(或其他数值)的特定特征向量。

根据本公开的实施例，第二卷积层的作用是对提取的特定特征向量进行特征复原处理，同时结合对应的权重，可以得到概率分布图，该概率分布图上的分布曲线是一条随时间变化的概率曲线，在该分布曲线上将概率最大的值对应的点确定为地震震相拾取信息，其中，该点对应的横坐标(时刻)即该地震信号的震相拾取时间。

根据本公开的实施例，地震信号的处理方法还包括如下操作：

利用显示装置展示处理结果，其中，所述处理结果包括所述地震极性分类信息和所述地震震相拾取信息，所述处理结果还包括以下至少一种：应力状态、地质构造和所述概率分布图。

根据本公开的实施例，为了便于工作人员能够及时了解此次地震事件的相关信息，可以利用显示装置对处理结果进行展示，其中，显示装置可以包括地震台站大厅的显示屏、个人计算机的屏幕以及个人通信工具上的显示屏等，例如，可以通过短信或者微信消息的形式将处理结果发送至个人通信工具上。

根据本公开的实施例，所述目标地震信号处理模型是通过如下方式训练的：

获取地震训练样本集，其中，所述地震训练样本集包括多个地震训练信号样本和与每个所述地震训练信号样本对应的标签数据，所述标签数据包括极性分类标签和震相拾取标签；

将所述地震训练信号样本输入初始地震信号处理模型，输出预测结果，其中，所述预测结果包括预测极性分类信息和预测震相拾取信息；

将所述预测结果和所述标签数据输入损失函数，得到损失结果，其中，分类器使用的损失函数是交叉熵损失函数(Cross Entropy Loss)，解码器使用的损失函数是均方误差(MSE)；

根据所述损失结果迭代地调整所述初始地震信号处理模型的网络参数，生成经训练的所述目标地震信号处理模型。

根据本公开的实施例，在利用所述编码器处理所述地震信号之前，还包括如下操作：

对所述地震信号进行去均值处理，得到第一过渡信号。对所述第一过渡信号进行去线性趋势处理，得到第二过渡信号。对所述第二过渡信号进行滤波处理，得到目标频率的所述地震信号，以利用目标地震信号处理模型处理所述目标频率的所述地震信号。

根据本公开的实施例，去均值处理是指：针对该地震信号，首先求取该地震信号中多个信号幅值的平均值，利用每个信号的幅值减去该平均值，利用减去平均值的多个信号生成该第一过渡信号。

根据本公开的实施例，对该第一过渡信号进行线性拟合处理，可以得到一条y＝ax+b的直线，其中，x表征信号时间，y表征信号幅值，a与b均为系数，利用第一过渡信号中每个时间点的信号幅值减去对应时间点的y值，即可求得该时间点下的去线性趋势后的信号幅值，将不同时间点下的去线性趋势后的信号幅值进行整合，即可得到第二过渡信号。

根据本公开的实施例，地震信号中包括不同频率的信号，可以利用滤波器将地震信号中的低频信号和高频信号进行滤除，例如可以将地震信号中低于1Hz的低频信号和高于20Hz的高频信号进行滤除，只保留目标频率为1-20Hz的中频信号。

图4示意性示出了根据本公开实施例的误差统计直方图。

在一种示例性的实施例中，利用测试数据集对本公开的地震信号的处理方法进行验证，得到如图4所示的误差统计直方图，由图4可知平均绝对误差为0.05s，由此可知本公开的方法可以获取非常精确的地震震相拾取信息。同时在对地震极性分类信息进行验证后，确定极性向上的精度和召回率可以分别达到99％和87％，极性向下的精度和召回率可以分别达到98％和88％，由此可知本公开的方法可以达到数据分析师的水平。

图5示意性示出了根据本公开实施例的预测结果与真实结果的对比效果图。

在另一种示例性的实施例中，采用一个地区的一个地震事件的地震数据用来训练和评估时，得到如图5所示的对比示意图。其中，图5(a)为相对低频的地震信号的地震震相拾取信息和地震极性分类信息的确定结果，利用本公开的方法可以准确地确定震相拾取时间和其极性为极性向上；图5(b)为相对高频地震信号的地震震相拾取信息和地震极性分类信息的确定结果，由此可知本公开的方法不但可以确定低频的地震信号，也适用于相对高频的地震信号。图5(c)为极性向下的地震波形的预测效果，本公开的方法可以准确地确定其震相拾取时间和地震极性分类信息；图5(d)为未知极性的地震信号的预测效果，本公开的方法可以很好地区分各类极性特征。图5(e)中由于目标地震信号处理模型确定的震相拾取时间与人工确定的拾取时间存在一定的偏差，产生极性判断不一致的情况。由此可知，地震震相拾取信息会对地震极性分类信息造成的影响。图5(f)为向上的极性被人为标定成未知的情况，本公开的方法可以准确地确定其极性为极性向上。

在图5中，例如图5(a)，最上方的图为地震信号的振幅图，横坐标为时间，纵坐标为振幅强度，中间的图为概率分布图，在横坐标为200时，真实结果为上方的曲线，下方的曲线为利用本公开方法得到的预测结果，最下方的图为注意力机制层输出的权重系数图，在横坐标为200左右，即图中灰度最低(或亮度最低)的范围内，权重值最大。

图6示意性示出了根据本公开实施例的震源机制解的结果分析示意图。

在另一种示例性的实施例中，为了更好地分析本公开的方法有效性和鲁棒性，本实施例使用另一个地区的多个地震事件的地震信号。我们对该区域的地震信号进行极性的预测分析，得到该区域内每个地震事件每个地震台站的地震极性分类信息。利用HASH算法根据每个地震事件的地震极性分类信息来推断其震源机制解。图6(a)为该地区地震目录提供的震源机制的P轴的方向；图6(b)为本公开的方法推断的震源机制的P轴的方向，通过对比可知，预测极性获取的震源机制解比地震目录提供的更多，而且这些震源机制解有着很好一致性，因此本公开推断的震源机制是可靠的，进一步说明预测的地震极性分类信息也是可靠的。图6(c)为地震目录提供的震源机制的P轴的方向玫瑰花图，图6(d)为根据预测极性利用HASH算法推断的震源机制的P轴的方向的玫瑰花图；对比可知二者在P轴方向具有较高的一致性，即地震目录提供的震源机制的P轴的主方向为北偏东81°，本公开推断的震源机制的P轴的主方向为北偏东82°。由此可知本公开的方法具有很好的鲁棒性和很好地泛化能力，对于其他的地震事件的震源机制解有着较好的帮助。

根据本公开的实施例，地震信号的处理装置安装有目标地震信号处理模型，参见图3，上述处理装置包括编码器、分类器和解码器。编码器包括长短期记忆网络和注意力机制层。

长短期记忆网络，用于根据获取的上述地震信号，得到目标特征向量，其中，上述目标特征向量包括时序信息。

注意力机制层，用于对上述时序信息进行震相和极性的融合，得到与上述时序信息对应的权重。

分类器，用于处理上述时序信息和上述权重，得到上述地震信号的地震极性分类信息。

解码器，用于处理上述时序信息和上述权重，得到上述地震信号的地震震相拾取信息。

根据本公开的实施例，通过利用长短期记忆网络处理地震信号得到该地震信号的时序信息，利用注意力机制层对时序信息进行震相和极性的融合，得到与时序信息对应的权重，分别利用分类器和解码器对同一个时序信息和权重进行处理，可以得到该地震信号的地震极性分类信息和地震震相拾取信息。由于注意力机制层在对震相和极性进行融合时能够对地震信号进行不同权重的赋值，使得后续的分类器和解码器在确定地震极性分类信息和地震震相拾取信息能够更专注于权重较大的信息，从而提升了地震极性分类信息和地震震相拾取信息的精度和准确度，便于后续对地震的震源机制的判断，有利于对地震区域的应力状态和地质构造的分析。

根据本公开的实施例，地震信号的处理装置还包括处理模块和生成模块。

处理模块，用于利用HASH算法处理与不同地震仪获取的多个地震信号对应的多个地震极性分类信息，得到地震事件的震源机制，其中，不同的上述地震仪位于不同的位置区域内，多个上述地震信号对应于一个上述地震事件。

生成模块，用于根据上述震源机制确定不同位置区域所在地区的应力状态和地质构造。

根据本公开的实施例，编码器还包括至少一个卷积-池化层组。

卷积-池化层组，用于根据上述地震信号输入生成初始特征向量，以使得上述长短期记忆网络根据上述初始特征向量生成目标特征向量，其中，上述卷积-池化层组包括第一卷积层和池化层，上述初始特征向量包括地震波形的形态特征，上述目标特征向量包括与地震波形的时序特征对应的时序信息。

根据本公开的实施例，卷积-池化层组包括第一卷积层和池化层。

第一卷积层，用于对上述地震信号进行特征提取处理，得到第二特征向量。

池化层，用于对上述第二特征向量进行降维处理，得到预设维度的上述初始特征向量。

根据本公开的实施例，分类器包括至少一层全连接层。

全连接层，用于处理上述时序信息和上述权重，得到上述地震极性分类信息，其中，上述地震极性分类信息包括极性向上、极性向下和未知极性。

根据本公开的实施例，解码器包括至少一个上采样-卷积层组和确定单元，上述上采样-卷积层组包括上采样层和第二卷积层。

上采样层，用于处理上述时序信息和上述权重，得到目标维度的特定特征向量，其中，上述目标维度的数量与上述地震信号的维度数量相同或不同。

第二卷积层，用于对上述特定特征向量进行特征复原处理，得到概率分布图，其中，上述概率分布图包括分布曲线，上述分布曲线中任一点表征在横坐标对应的时刻下的震相概率。

确定单元，用于将上述概率分布图中震相概率最大的点确定为上述地震震相拾取信息。

根据本公开的实施例，地震信号的处理装置还包括显示装置。

显示装置，用于展示处理结果，其中，上述处理结果包括上述地震极性分类信息和上述地震震相拾取信息，上述处理结果还包括以下至少一种：应力状态、地质构造和上述概率分布图。

根据本公开的实施例，上述目标地震信号处理模型是通过如下方式训练的：

获取地震训练样本集，其中，上述地震训练样本集包括多个地震训练信号样本和与每个上述地震训练信号样本对应的标签数据，上述标签数据包括极性分类标签和震相拾取标签。

将上述地震训练信号样本输入初始地震信号处理模型，输出预测结果，其中，上述预测结果包括预测极性分类信息和预测震相拾取信息。

将上述预测结果和上述标签数据输入损失函数，得到损失结果。

根据上述损失结果迭代地调整上述初始地震信号处理模型的网络参数，生成经训练的上述目标地震信号处理模型。

根据本公开的实施例，地震信号的处理装置还包括第一处理单元、第二处理单元和第三处理单元。

第一处理单元，用于对上述地震信号进行去均值处理，得到第一过渡信号。

第二处理单元，用于对上述第一过渡信号进行去线性趋势处理，得到第二过渡信号。

第三处理单元，用于对上述第二过渡信号进行滤波处理，得到目标频率的上述地震信号，以利用目标地震信号处理模型处理上述目标频率的上述地震信号。

图7示意性示出了根据本公开实施例的适于实现上文描述的方法的电子设备的框图。图7示出的电子设备仅仅是一个示例，不应对本公开实施例的功能和使用范围带来任何限制。

如图7所示，根据本公开实施例的电子设备700包括处理器701，其可以根据存储在只读存储器(Read-Only Memory，ROM)702中的程序或者从存储部分708加载到随机访问存储器(Random Access Memory，RAM)703中的程序而执行各种适当的动作和处理。处理器701例如可以包括通用微处理器(例如CPU)、指令集处理器和/或相关芯片组和/或专用微处理器(例如，专用集成电路(ASIC))，等等。处理器701还可以包括用于缓存用途的板载存储器。处理器701可以包括用于执行根据本公开实施例的方法流程的不同动作的单一处理单元或者是多个处理单元。

在RAM 703中，存储有电子设备700操作所需的各种程序和数据。处理器701、ROM702以及RAM 703通过总线704彼此相连。处理器701通过执行ROM 702和/或RAM 703中的程序来执行根据本公开实施例的方法流程的各种操作。需要注意，所述程序也可以存储在除ROM 702和RAM703以外的一个或多个存储器中。处理器701也可以通过执行存储在所述一个或多个存储器中的程序来执行根据本公开实施例的方法流程的各种操作。

根据本公开的实施例，电子设备700还可以包括输入/输出(I/O)接口705，输入/输出(I/O)接口705也连接至总线704。系统700还可以包括连接至I/O接口705的以下部件中的一项或多项：包括键盘、鼠标等的输入部分706；包括诸如阴极射线管(CRT)、液晶显示器(Liquid Crystal Display，LCD)等以及扬声器等的输出部分707；包括硬盘等的存储部分708；以及包括诸如LAN卡、调制解调器等的网络接口卡的通信部分709。通信部分709经由诸如因特网的网络执行通信处理。驱动器710也根据需要连接至I/O接口705。可拆卸介质711，诸如磁盘、光盘、磁光盘、半导体存储器等等，根据需要安装在驱动器710上，以便于从其上读出的计算机程序根据需要被安装入存储部分708。

根据本公开的实施例，根据本公开实施例的方法流程可以被实现为计算机软件程序。例如，本公开的实施例包括一种计算机程序产品，其包括承载在计算机可读存储介质上的计算机程序，该计算机程序包含用于执行流程图所示的方法的程序代码。在这样的实施例中，该计算机程序可以通过通信部分709从网络上被下载和安装，和/或从可拆卸介质711被安装。在该计算机程序被处理器701执行时，执行本公开实施例的系统中限定的上述功能。根据本公开的实施例，上文描述的系统、设备、装置、模块、单元等可以通过计算机程序模块来实现。

本公开还提供了一种计算机可读存储介质，该计算机可读存储介质可以是上述实施例中描述的设备/装置/系统中所包含的；也可以是单独存在，而未装配入该设备/装置/系统中。上述计算机可读存储介质承载有一个或者多个程序，当上述一个或者多个程序被执行时，实现根据本公开实施例的方法。

根据本公开的实施例，计算机可读存储介质可以是非易失性的计算机可读存储介质。例如可以包括但不限于：便携式计算机磁盘、硬盘、随机访问存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM(Erasable Programmable Read Only Memory，EPROM)或闪存)、便携式紧凑磁盘只读存储器(Computer Disc Read-Only Memory，CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本公开中，计算机可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。

例如，根据本公开的实施例，计算机可读存储介质可以包括上文描述的ROM 702和/或RAM 703和/或ROM 702和RAM 703以外的一个或多个存储器。

本公开的实施例还包括一种计算机程序产品，其包括计算机程序，该计算机程序包含用于执行本公开实施例所提供的方法的程序代码，当计算机程序产品在电子设备上运行时，该程序代码用于使电子设备实现本公开实施例所提供的地震信号的处理方法。

在该计算机程序被处理器701执行时，执行本公开实施例的系统/装置中限定的上述功能。根据本公开的实施例，上文描述的系统、装置、模块、单元等可以通过计算机程序模块来实现。

在一种实施例中，该计算机程序可以依托于光存储器件、磁存储器件等有形存储介质。在另一种实施例中，该计算机程序也可以在网络介质上以信号的形式进行传输、分发，并通过通信部分709被下载和安装，和/或从可拆卸介质711被安装。该计算机程序包含的程序代码可以用任何适当的网络介质传输，包括但不限于：无线、有线等等，或者上述的任意合适的组合。

根据本公开的实施例，可以以一种或多种程序设计语言的任意组合来编写用于执行本公开实施例提供的计算机程序的程序代码，具体地，可以利用高级过程和/或面向对象的编程语言、和/或汇编/机器语言来实施这些计算程序。程序设计语言包括但不限于诸如Java，C++，python，“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算设备上执行、部分地在用户设备上执行、部分在远程计算设备上执行、或者完全在远程计算设备或服务器上执行。在涉及远程计算设备的情形中，远程计算设备可以通过任意种类的网络，包括局域网(LAN)或广域网(WAN)，连接到用户计算设备，或者，可以连接到外部计算设备(例如利用因特网服务提供商来通过因特网连接)。

附图中的流程图和框图，图示了按照本公开各种实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分，上述模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个接连地表示的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图或流程图中的每个方框、以及框图或流程图中的方框的组合，可以用执行规定的功能或操作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。本领域技术人员可以理解，本公开的各个实施例和/或权利要求中记载的特征可以进行多种组合和/或结合，即使这样的组合或结合没有明确记载于本公开中。特别地，在不脱离本公开精神和教导的情况下，本公开的各个实施例和/或权利要求中记载的特征可以进行多种组合和/或结合。所有这些组合和/或结合均落入本公开的范围。

以上对本公开的实施例进行了描述。但是，这些实施例仅仅是为了说明的目的，而并非为了限制本公开的范围。尽管在以上分别描述了各实施例，但是这并不意味着各个实施例中的措施不能有利地结合使用。本公开的范围由所附权利要求及其等同物限定。不脱离本公开的范围，本领域技术人员可以做出多种替代和修改，这些替代和修改都应落在本公开的范围之内。