兼顾速度和精度的深度神经网络震相拾取
于子叶1
储日升2
盛敏汉2
马海超1
1.中国武汉 430077 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;中国北京 100049 中国科学院大学2.中国武汉 430077 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
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.
关键词：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
分类号：P315.63(大地（岩石界）物理学（固体地球物理学）)
资助基金：国家自然科学基金(41661164035)
论文发表日期：2020-06-28
在线出版日期：2025-08-15（本平台首次上网日期，不代表文献的发表时间）
页数：14( 269-282 )
英文信息