华南地震

为实现自动检测地震噪声波形是否异常，提出应用BP神经网络技术进行地震噪声波形检测。选取福建地震台网88个测震台站2018-2019年的地震噪声原始波形，计算波形的加速度功率谱密度（PSD）值作为神经网络的输入特征值，在MATLAB中构建BP神经网络进行学习训练和仿真测试。测试验证了训练后的BP神经网络模型具备了可靠的地震噪声波形是否异常的检测能力。应用BP神经网络检测地震噪声波形免去了人工判断的工作，实现全自动处理，提高了检测效率，为今后地震噪声波形质量自动监控提供了新的技术方法。

In order to automatically detect whether the seismic noise waveform is normal，the paper proposes theapplication of BP neural network technology to detect seismic noise waveform.The paper chooses seismic noisewaveform of 88 seismic stations in Fujian Seismic Network from 2018 to 2019， calculates acceleration power spectral density（PSD）as input characteristic value of neural network， and constructs BP neural network in MATLAB for training and simulation.The result of simulation verifies that the trained BP neural network model hasreliable ability to detect whether the seismic noise waveform is abnormal.The method of detecting seismic noisewaveform using BP neural network avoids the work of manual judgment，realizes automatic processing，improves the detection efficiency，and provides a new technical method for automatic monitoring of seismic noise waveform quality in the future.

引言
1 数据资料与处理方法
2 BP神经网络应用
3 结论

表1 福建测震台网地震计型号统计表<br/>Table 1 statistical table of seismometer models in Fujian Seismic Network

表1 福建测震台网地震计型号统计表
Table 1 statistical table of seismometer models in Fujian Seismic Network

图1 BP神经网络结构<br/>Fig.1 BP neural network structure

图1 BP神经网络结构
Fig.1 BP neural network structure

图2 BP神经网络工作流程<br/>Fig.2 The working flow chart of BP neural network

图2 BP神经网络工作流程
Fig.2 The working flow chart of BP neural network

图3 正常波形的 PSD图<br/>Fig.3 PSD of normal waveform

图3 正常波形的 PSD图
Fig.3 PSD of normal waveform

图4 异常波形的PSD图<br/>Fig.4 PSD of abnormal waveform

图4 异常波形的PSD图
Fig.4 PSD of abnormal waveform

图5 BP神经网络设计流程<br/>Fig.5 Design flow chart of BP neural network

图5 BP神经网络设计流程
Fig.5 Design flow chart of BP neural network

表2 不同隐含层节点数据测试结果<br/>Table 2 Test results of different hidden layer nodes

表2 不同隐含层节点数据测试结果
Table 2 Test results of different hidden layer nodes

图6 隐含层节点数为 16的测试结果<br/>Fig.6 The test results of hidden layer with 16 nodes

图6 隐含层节点数为 16的测试结果
Fig.6 The test results of hidden layer with 16 nodes

[1]王芳，王伟涛，龙剑锋，等 .中国大陆地区宽频带地震台网台基噪声特点 [J].地震学报， 2019，41（5）：569-582.
[2]Peterson Jon. Observations and modeling of seismic background noise[R]. Virginia： U.S. Geological Survey，1993.
[3]Sleeman. Towards an automated quality control manager forthe virtual european broadband seismograph network[J].Orfeus Newsletter，2007，7（1）：5-16.
[4]廖诗荣，陈绯雯 .应用概率密度函数方法自动处理地震台站勘选测试数据 [J].华南地震， 2008，28（4）：82-92.
[5]林彬华，金星，廖诗荣，等 .地震噪声异常实时监测 [J].中国地震， 2015，31（2）：281-289.
[6]Pulli， Dysart. An experimentin the use of trained neuralnetworksfor regisonal seismic event classification[J]. Geophysical Research Letters，1990，17（2），997-980.
[7]Thibaut Perol， Michael Gharbi， Marine Denolle. Convolutional neural network for earthquake detection andlocation[J]. Science Adances，2018，4（2），1-8.
[8]边银菊 .遗传 BP网络在地震和爆破识别有的应用 [J].地震学报， 2002，24（5）：516-524.
[9]林彬华，金星，陈惠芳，等 .基于反向传播神经网络的闽台 M震级偏差分析与修正 [J].地震学报， 2019，41（6）：723-734.
[10]McNamara D.E， Boaz R.I. Seismic noise analysis system using power spectral density probability density functions：a stand-alone software package[R]. Virginia： U. S.Geological Survey，2005.
[11]Bormann.New manual of seismological observatory pract-ictice[J].Geo Forschungs Zentrum Potsdam，2002，4（11）： 5-7.
[12]阎平凡，张长水 .人工神经网络与模拟退化计算 [M].北京：清华大学出版社， 2005.
[13]陈明 . MATALAB神经网络原理与实例精讲 [M].北京：清大学出版社， 2013.

备注

引言

1 数据资料与处理方法

2 BP神经网络应用

3 结论

期刊信息