兼顾速度和精度的深度神经网络震相拾取

作     者：于子叶 储日升 盛敏汉 马海超 Yu Ziye;Chu Risheng;Sheng Minhan;Ma Haichao

作者机构：中国科学院测量与地球物理研究所中国武汉430077 大地测量与地球动力学国家重点实验室中国武汉430077 中国科学院大学中国北京100049 

基　　金：国家自然科学基金(41661164035)资助 

出 版 物：《地震学报》 (Acta Seismologica Sinica)

年 卷 期：2020年第42卷第3期

页      码：269-282,I0001页

摘      要：深度神经网络虽然在震相拾取中取得了良好效果,但作为高复杂度的机器学习模型,深度神经网络在取得较高精度的同时需要付出较高的计算代价,而且试验研究表明震相拾取中并不需要过高的模型复杂度。为此,本文根据地震波形的特点设计了四种具有不同复杂度的深度神经网络改进模型,可以综合具体的精度和速度需求从中选取合适的模型。在此基础上,将改进模型与现有四种到时拾取的深度学习网络模型进行了对比,结果表明本文中的网络模型在到时拾取上具有较高的速度和精度。同时,本文的深度神经网络通过使用多种深度学习模型压缩手段可将震相拾取模型的大小压缩到2.0 MB以内,从而使得模型可以在低功耗设备上完成高速震相拾取的同时尽可能地减少精度损失。

主 题 词：震相拾取 深度神经网络 编码解码结构 卷积神经网络 循环神经网络 模型压缩 

学科分类：070801[070801] 07[理学] 0707[理学-海洋科学类] 0708[理学-地球物理学类] 0825[工学-环境科学与工程类] 0704[理学-天文学类] 

核心收录：

D　O　I：10.11939/jass.20190154

馆 藏 号：203978026...