基于神經(jīng)網(wǎng)絡(luò)的近震與遠(yuǎn)震識別*

曲均浩，劉希強(qiáng)，吳丹彤，張 芹，于 澄，穆 娟，苗慶杰

(山東省地震局，山東濟(jì)南250014)

基于神經(jīng)網(wǎng)絡(luò)的近震與遠(yuǎn)震識別*

曲均浩，劉希強(qiáng)，吳丹彤，張 芹，于 澄，穆 娟，苗慶杰

(山東省地震局，山東濟(jì)南250014)

選用P波震相附近的地震波作為研究對象，對近震和遠(yuǎn)震特征信息進(jìn)行探討。選取初至P波主周期作為神經(jīng)網(wǎng)絡(luò)輸入元，P波到達(dá)后2～6 s作為地震波時間窗，選擇正確的網(wǎng)絡(luò)結(jié)構(gòu)和參數(shù)，搜集大量的地震樣本數(shù)據(jù)進(jìn)行訓(xùn)練，實現(xiàn)對近震和遠(yuǎn)震地震事件的非線性系統(tǒng)識別。結(jié)果表明:在樣本訓(xùn)練區(qū)間檢驗數(shù)據(jù)的預(yù)測結(jié)果置信度達(dá)到100%;在非樣本區(qū)間也能迅速收斂到標(biāo)識符0或1附近。近震樣本信號最大周期為0.25 s，而置信度達(dá)到80%以上的預(yù)測區(qū)間幾乎接近0.35 s;遠(yuǎn)震樣本信號最小周期為0.9 s，而置信度達(dá)到80%以上的預(yù)測區(qū)間達(dá)到0.5 s，表明模型建立得當(dāng)，具有良好的泛化能力。

BP神經(jīng)網(wǎng)絡(luò);近震;遠(yuǎn)震;震相識別

0 引言

目前識別地震震相主要依靠地震分析人員人工交互處理。地震發(fā)生后能夠快速準(zhǔn)確、穩(wěn)定可靠地測定地震三要素，使得速報的平均時間為10 min，是地震速報速度方面一個質(zhì)的飛躍。在測震臺網(wǎng)實時處理系統(tǒng)中，自動定位是一個重要的組成部分 (趙仲和，2005)，而近震和遠(yuǎn)震的識別則是自動定位的關(guān)鍵技術(shù)之一。在自動定位系統(tǒng)中，如果不能很好地識別近震與遠(yuǎn)震，則會獲取錯誤的震相，導(dǎo)致將遠(yuǎn)震錯誤定位在本區(qū)域附近，發(fā)布錯誤地震參數(shù)。

近震與遠(yuǎn)震的定義是以震中距為判斷標(biāo)準(zhǔn)的。地震波傳播過程中，由于地殼介質(zhì)、傳播距離的不同導(dǎo)致地震波衰減后震相特征信息存在差異。分析人員能夠根據(jù)地震波的振幅、周期、震中距、持續(xù)時間等特征信息識別出近震與遠(yuǎn)震，但是計算機(jī)必須掌握地震波量化的指標(biāo)才能準(zhǔn)確地識別近震與遠(yuǎn)震。

神經(jīng)網(wǎng)絡(luò)的應(yīng)用已經(jīng)滲透到各個領(lǐng)域并在智能控制、模式識別、計算機(jī)視覺、自適應(yīng)濾波和信號處理等方面取得了進(jìn)展。近年來神經(jīng)網(wǎng)絡(luò)理論已經(jīng)被逐步用來對地震信號進(jìn)行分析和處理(Coforth，Herin，1981;王娟等，2004;蔡煜東等，1994;穆星，2005;Jin，Ta-Liang，1988)。

1 BP神經(jīng)網(wǎng)絡(luò)

BP(Back Propagation)網(wǎng)絡(luò)是1986年由以Rumelhart和McCelland為首的科學(xué)家小組提出的，是一種按誤差逆?zhèn)鞑ニ惴ㄓ?xùn)練的多層前饋網(wǎng)絡(luò)，是目前應(yīng)用最廣泛的神經(jīng)網(wǎng)絡(luò)模型之一。BP網(wǎng)絡(luò)能學(xué)習(xí)和存貯大量的輸入—輸出模式映射關(guān)系，而無需提前揭示描述這種映射關(guān)系的數(shù)學(xué)方程。它的學(xué)習(xí)規(guī)則是使用最速下降法，通過反向傳播來不斷調(diào)整網(wǎng)絡(luò)的權(quán)值和閾值，使網(wǎng)絡(luò)的誤差平方和最小。BP神經(jīng)網(wǎng)絡(luò)模型拓?fù)浣Y(jié)構(gòu)包括輸入層(input layer)、隱層 (hide layer)和輸出層 (output layer)(圖1)。

確定神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)和權(quán)系數(shù)來描述給定映射或逼近一個未知映射，只能通過學(xué)習(xí)方式得到滿足要求的網(wǎng)絡(luò)模型。對確定的網(wǎng)絡(luò)結(jié)構(gòu)，尋找一組滿足要求的權(quán)系數(shù)，使給定誤差函數(shù)最小。設(shè)計多層前饋網(wǎng)絡(luò)時，主要側(cè)重試驗和探討多種模型方案，在實驗中不斷改進(jìn)，直到選取出一個滿意方案為止，可按下列步驟進(jìn)行:對任何實際問題先都只選用一個隱層，使用很少的隱層節(jié)點(diǎn)數(shù)，不斷增加隱層節(jié)點(diǎn)數(shù)，直到獲得滿意性能為止;再采用2個隱層重復(fù)上述過程。訓(xùn)練過程實際上是根據(jù)目標(biāo)值與網(wǎng)絡(luò)輸出值之間誤差的大小反復(fù)調(diào)整權(quán)值和閾值，直到此誤差達(dá)到預(yù)定值為止。

圖1 基本BP網(wǎng)絡(luò)的拓?fù)浣Y(jié)構(gòu)Fig.1 Topology structure of basic BP network

2 判別信息探討

近震是指震中距小于1 000 km的地震，但本文討論的近震更加接近于地方震 (震中距小于100 km的地震)。一般而言，地震遠(yuǎn)近的判斷主要依據(jù)橫波與初至波間的時間差、面波最大振幅與初至波之間的時間差、整個事件的振動持續(xù)時間等，或利用縱波、橫波、面波之間的關(guān)系進(jìn)行判斷。地方震直達(dá)縱、橫波之間的時間差小于13 s，振動持續(xù)時間通常為1～2 min(據(jù)J-B走時表)。近震首波、橫波之間的時間差小于1分43秒，振動持續(xù)時間通常在3～5 min(據(jù)中國地區(qū)近震走時表)。遠(yuǎn)震面波的最大振幅與初至波之間的到時差小于45 min，地幔折射縱橫波之間的時間差小于11分52秒，振動持續(xù)時間通常小于1.5 h(據(jù)震相走時便查表)(中國地震局監(jiān)測預(yù)報司，2007)。上述近震與遠(yuǎn)震的識別依據(jù)無法滿足自動定位系統(tǒng)的需求，區(qū)域地震自動定位系統(tǒng)識別近震與遠(yuǎn)震主要依靠初至P波到達(dá)后幾秒內(nèi)的特征信息進(jìn)行判斷，增加了判斷的難度。

體現(xiàn)初至P波特征的信息有振幅、周期、到時差、視出射角等。不同臺站P波的到時差會根據(jù)震中與臺站的相對位置、震中距的大小而有所差異，無法準(zhǔn)確判別近震與遠(yuǎn)震。近震與遠(yuǎn)震的初至P波振幅與地震震級有極其密切的關(guān)系，也不能作為近震與遠(yuǎn)震的判別依據(jù) (通過震相實例表1可見，同一分量近震和遠(yuǎn)震幅值沒有必然差別)。在震源深度相同的情況下，根據(jù)地震波射線理論，視出射角會隨著震中距的增大逐漸減小，能夠在一定程度上體現(xiàn)近震與遠(yuǎn)震的區(qū)別。在地震波的周期方面，一般認(rèn)為近震的卓越頻率較高，能量集中在高頻段;遠(yuǎn)震的卓越頻率較低，能量集中在低頻段，因此初至P波的主周期可以作為近震與遠(yuǎn)震的判據(jù)之一。

2.1 視出射角

視出射角是地動位移矢量與地表面的夾角，由于地震波在地面上形成了反射波，所以視出射角不等于入射波的真出射角，可根據(jù)記錄到的地面位移垂直分量和水平分量的比值確定視出射角。以觀測點(diǎn)為坐標(biāo)原點(diǎn)，規(guī)定正東、正北和垂直地表向上分別為x軸、y軸和z軸的方向。地震儀在t時刻記錄到地震體波的位移可表示為

其中，ux(t)，uy(t)和uz(t)分別是3個分向的記錄波形;ux(t)是徑向波形;e和φ分別是初至波的視出射角和臺站方位角。

地震波的3個分向位移記錄波形及其對時間t的一階和二階導(dǎo)數(shù)可寫成:

式(3)和式(4)分別表示地震波的速度記錄和加速度記錄。一般在微震記錄時采用的是地面運(yùn)動速度記錄，而在強(qiáng)震記錄時采用的是地面運(yùn)動加速度記錄。視出射角的計算公式為

根據(jù)P波的質(zhì)點(diǎn)運(yùn)動方向，在t時刻質(zhì)點(diǎn)的位移、速度和加速度向量是平行的，所以無論是用哪種記錄資料都可以直接計算視出射角。把 (2)、(3)、(4)式代入 (5)式，則有:

由式 (6)可知，在時間域計算地震初至波的視出射角時，無論使用何種記錄資料 (位移、速度和加速度)都可直接計算，無需把速度和加速度記錄轉(zhuǎn)為位移記錄再求出視出射角 (何斌等，2010)。

目前，山東測震臺網(wǎng)觀測臺站全部采用速度型記錄儀，其實際獲取的數(shù)據(jù)并不是理想化的波形數(shù)據(jù)，還存在機(jī)械干擾、脈沖等復(fù)雜情況。這種周期不定、存在干擾的波形數(shù)據(jù)難以直接進(jìn)行計算機(jī)化操作，有必要對數(shù)據(jù)進(jìn)行預(yù)處理。本文主要采用等波紋切比雪夫逼近方法來實現(xiàn)最大誤差最小化的濾波器設(shè)計 (Cichowicz，1993;Allen，1978)，以獲得唯一的最佳解。圖2為郯城臺垂直向原始波形及預(yù)處理后獲得的波形。從圖中可以看出經(jīng)過波形預(yù)處理后的事件波形震相非常清晰，有效剔除了低頻背景噪聲。

圖2 郯城臺垂直向原始波形(a)及處理后波形(b)Fig.2 Vertical original waveform(a)recorded in Tancheng Station and its waveform after pretreatment(b)

表1 近震與遠(yuǎn)震視出射角對比Tab.1 Apparent emergence angle comparison between near and distant earthquakes

以檢測到地震波初至波到時為起點(diǎn)，計算其視出射角，由表1可以看出，遠(yuǎn)震的視出射角并不一定比近震的小。對于同一個地方震，在一定震中距范圍內(nèi)，隨著震中距的增大，視出射角逐漸變小。而對于遠(yuǎn)震，初至震相主要是地幔折射波，并不同于地方震的P波直達(dá)波。不同地震的震源深度存在較大差異，也可能導(dǎo)致視出射角計算差異。由此可見，視出射角的計算機(jī)化操作尚且存在一定的困難，不能作為近震與遠(yuǎn)震識別的判斷依據(jù)。

2.2 主周期

主周期的計算是通過基于Morlet小波的時頻分布來確定地震波信號主頻的。小波變換能夠提供能譜分析，準(zhǔn)確提取信號的瞬時振幅和瞬時周期。地震波記錄具有時變特性 (或稱非穩(wěn)態(tài)性質(zhì)的信號)，我們需要知道在某一時刻可能出現(xiàn)何種震相，以及每一時刻在信號中所包含的頻率成分。小波變換具有極好的定位特性，可在時間域、頻率域或尺度域定位，在時間—頻率域中分辨率隨頻率變化:低頻時，使用大尺度值、長周期的小波函數(shù);高頻時，使用小尺度值、短周期的小波函數(shù)，這一變換特別適合于地震信號的表示和處理 (劉希強(qiáng)等，2000)。圖3為即墨臺初至P波到達(dá)后的一段地震信號，圖4為從初至P波到達(dá)后截取5.12 s進(jìn)行主頻計算的結(jié)果圖。

圖3 即墨臺初至P波到達(dá)后的地震信號Fig.3 Seismic waveform after initial P wave arriving in Jimo Station

圖4 主頻計算結(jié)果圖(a)能量分布圖;(b)波振周譜分布圖;(c)不同周期信號的能譜分布圖Fig.4 Results of dominant frequency calculation(a)energy distribution;(b)distribution of wavelet amplitude spectrum;(c)energy distribution of signals in different periods

3 近震與遠(yuǎn)震識別

在區(qū)域自動定位系統(tǒng)中，以往的做法往往采用前幾個波的平均周期 (用給定時間窗內(nèi)的振動過零點(diǎn)個數(shù)估算)作為判斷依據(jù)，而分界線周期是憑經(jīng)驗給定的，具有任意性。本文采用基于Morlet小波的時頻分布來確定地震波信號主周期，采用神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)得到合理的判斷依據(jù)。選取山東地震臺網(wǎng)記錄到的共200個近震和遠(yuǎn)震的樣本數(shù)據(jù)，窗長為P波到達(dá)后2～6 s，一般選擇5.12 s為計算主周期的窗長。

3.1 樣本收集

采用BP神經(jīng)網(wǎng)絡(luò)方法建模的首要條件是有充足的典型性好且精度高的樣本。訓(xùn)練集的選擇是BP神經(jīng)網(wǎng)絡(luò)能夠成功的關(guān)鍵步驟之一，本文選取了100個近震樣本和100個遠(yuǎn)震樣本。近震與遠(yuǎn)震識別主要服務(wù)于山東區(qū)域地震自動定位系統(tǒng)，因此近震選取了黃海、青島震群、冀魯豫交界地區(qū)等山東區(qū)域內(nèi)的地震作為樣本;遠(yuǎn)震選取了臺灣、四川、青海、西藏、新疆、福建等地的遠(yuǎn)震作為樣本 (表2)。

3.2 神經(jīng)網(wǎng)絡(luò)訓(xùn)練

BP網(wǎng)絡(luò)訓(xùn)練就是通過應(yīng)用誤差反傳原理不斷調(diào)整網(wǎng)絡(luò)權(quán)值，使網(wǎng)絡(luò)模型輸出值與已知的訓(xùn)練樣本輸出值之間的誤差平方和達(dá)到最小值或小于某一期望值。目前雖有已改進(jìn)的BP算法、遺傳算法 (GA)和模擬退火算法等多種優(yōu)化方法運(yùn)用于BP網(wǎng)絡(luò)的訓(xùn)練，且這些方法可通過調(diào)整某些參數(shù)求得全局極小點(diǎn)，但在應(yīng)用中，這些參數(shù)的調(diào)整往往因各種問題，較難求得全局極小點(diǎn)。其中應(yīng)用最廣的是增加了沖量 (動量)項而改進(jìn)的BP算法。學(xué)習(xí)率影響系統(tǒng)學(xué)習(xí)過程的穩(wěn)定性，過高的學(xué)習(xí)率可能使網(wǎng)絡(luò)權(quán)值每一次的修正量過大，甚至?xí)?dǎo)致權(quán)值在修正過程中超出某個誤差的極小值呈不規(guī)則跳躍而不收斂;而過低的學(xué)習(xí)率雖導(dǎo)致學(xué)習(xí)時間過長，但能保證收斂于某個極小值。所以，一般傾向選取較低的學(xué)習(xí)率以保證學(xué)習(xí)過程的收斂性 (穩(wěn)定性)，通常選取0.01～0.8。增加沖量項的目的是為了避免網(wǎng)絡(luò)訓(xùn)練陷于較淺的局部極小點(diǎn)。理論上其值大小應(yīng)與權(quán)值修正量的大小有關(guān)，但實際應(yīng)用中一般取常量。

為了保證算法的收斂性，學(xué)習(xí)率η必須小于某一上限，一般取0＜η＜1，而且越接近極小值，由于梯度變化值逐漸趨于零，算法的收斂就越來越慢。在網(wǎng)絡(luò)參數(shù)中，學(xué)習(xí)率η和動量因子α的取值直接影響到網(wǎng)絡(luò)的性能，主要是收斂速度。為提高學(xué)習(xí)速度，應(yīng)采用大的η。但η太大卻可能導(dǎo)致在穩(wěn)定點(diǎn)附近振蕩，乃至不收斂。針對具體的網(wǎng)絡(luò)結(jié)構(gòu)模型和學(xué)習(xí)樣本，都存在一個最佳的學(xué)習(xí)率η和動量因子α，取值范圍一般為0～1，視實際情況而定。筆者在上述范圍內(nèi)通過對不同的η和α的取值進(jìn)行了試驗，確定本文神經(jīng)網(wǎng)絡(luò)模型的參數(shù)為:η=0.7，α=0.9。在網(wǎng)絡(luò)訓(xùn)練過程中應(yīng)根據(jù)實際情況預(yù)先確定誤差界值。誤差界值的選擇完全根據(jù)網(wǎng)絡(luò)模型的收斂速度大小和具體樣本的學(xué)習(xí)精度來確定。當(dāng)Emin值取得較小時，學(xué)習(xí)效果好，但收斂速度慢，訓(xùn)練次數(shù)增加。當(dāng)Emin值取得較大時，則相反。本文神經(jīng)網(wǎng)絡(luò)的誤差界值Emin為0.000 01，即在迭代計算時誤差值E＜Emin=0.000 01時，則認(rèn)為學(xué)習(xí)完成，停止計算，輸出結(jié)果。在訓(xùn)練中最大允許的相對誤差是0.000 001，設(shè)置的節(jié)點(diǎn)數(shù)為2 000，這一精度達(dá)到了要求。

表2 近震遠(yuǎn)震訓(xùn)練樣本Tab.2 Training samples of near and distant earthquakes

3.3 測試結(jié)果

為了驗證BP神經(jīng)網(wǎng)絡(luò)的實用性，筆者利用BP神經(jīng)網(wǎng)絡(luò)程序?qū)?00個地震波形樣本數(shù)據(jù)進(jìn)行了訓(xùn)練，并將計算結(jié)果和理論標(biāo)識結(jié)果進(jìn)行了對比，給出檢驗數(shù)據(jù)個體的置信水平 (即置信度) (表3)。本文采用了全面的檢驗數(shù)據(jù)，對目前測震臺網(wǎng)接收到的地震信號周期從0.06 s到4.5 s逐個進(jìn)行了檢驗。在實際選取地震波樣本數(shù)據(jù)的過程中，發(fā)現(xiàn)近震周期一般在0.06～0.25 s范圍內(nèi)。理論上我們規(guī)定近震標(biāo)識符為0，通過1～9號實驗數(shù)據(jù)計算的預(yù)測結(jié)果幾乎都完全接近0，置信度達(dá)到100%，表明計算結(jié)果與理論標(biāo)識結(jié)果完全相符。在實際選取遠(yuǎn)震樣本數(shù)據(jù)時，遠(yuǎn)震周期范圍較廣，一般周期大于0.9 s，選取的樣本數(shù)據(jù)主要集中在1～3 s，也有5 s以上的，本文設(shè)定最大范圍參數(shù)為5 s，大于5 s的標(biāo)識符認(rèn)為是1。通過13～18號數(shù)據(jù)可以發(fā)現(xiàn)預(yù)測結(jié)果幾乎都完全接近于1，置信度達(dá)到100%，表明預(yù)測結(jié)果非常理想。在檢驗數(shù)據(jù)中的0.25～0.9 s區(qū)間，是樣本數(shù)據(jù)的空白區(qū)，應(yīng)該是網(wǎng)緣地震震相主周期區(qū)間。僅就近震遠(yuǎn)震的識別而言，通過采集大量樣本數(shù)據(jù)的非線性識別，0.35 s以下偏重于近震的成分較多，0.5 s以上偏重于遠(yuǎn)震的成分較大。

表3 近震遠(yuǎn)震檢驗結(jié)果Tab.3 Testing result of near and distant earthquakes

4 結(jié)論與討論

近震和遠(yuǎn)震的自動識別是一個非常復(fù)雜的問題，把神經(jīng)網(wǎng)絡(luò)理論引入到該領(lǐng)域是一個新的嘗試。BP神經(jīng)網(wǎng)絡(luò)具有優(yōu)良的非線性逼近能力，本文成功地將BP神經(jīng)網(wǎng)絡(luò)用于復(fù)雜非線性系統(tǒng)模式識別的技術(shù)路線具有一定的創(chuàng)新性，對地震震相識別等問題具有很大的參考價值。

(1)通過對初至P波特征信息的討論，筆者認(rèn)為振幅、到時差、視出射角等都不能作為近震與遠(yuǎn)震識別的判斷依據(jù)。對同一個地震，雖然視出射角隨震中距增加呈現(xiàn)逐漸變小的趨勢，但是在計算過程中發(fā)現(xiàn)近震與遠(yuǎn)震視出射角沒有明顯的差異。

(2)本文的檢驗數(shù)據(jù)在樣本訓(xùn)練區(qū)間，預(yù)測結(jié)果置信度達(dá)到100%。在非樣本區(qū)間 (樣本區(qū)間向外延伸一定范圍)也能夠迅速收斂到標(biāo)識符0或1附近，近震樣本信號周期最大0.25 s，而置信度達(dá)到80%以上的預(yù)測區(qū)間幾乎接近0.35 s;遠(yuǎn)震樣本信號最小周期為0.9 s，而置信度達(dá)到80%以上的預(yù)測區(qū)間達(dá)到0.5 s，表明模型建立得當(dāng)，具有良好的泛化能力。

(3)作為區(qū)域測震臺網(wǎng)自動定位系統(tǒng)，只要判斷為近震的置信度低于80%，即可定義為非處理地震事件。本文的研究雖然足夠滿足區(qū)域測震臺網(wǎng)的需要，但是神經(jīng)網(wǎng)絡(luò)作為非線性識別系統(tǒng)，應(yīng)增加更多體現(xiàn)波形特征的輸入元，以后將進(jìn)一步研究近震與遠(yuǎn)震震相差異的特征信息，使神經(jīng)網(wǎng)絡(luò)發(fā)揮更好的識別效果。

(4)由于地震波形的區(qū)域性和不同臺網(wǎng)之間地震儀器的差別，目前在近震與遠(yuǎn)震識別方面的發(fā)展趨勢仍然是從區(qū)域測震臺網(wǎng)實際需要出發(fā)，充分利用臺網(wǎng)的現(xiàn)有波形資料和地震的區(qū)域特點(diǎn)，建立盡可能多的樣本數(shù)據(jù)，增加特征控制參數(shù)，將BP神經(jīng)網(wǎng)絡(luò)方法應(yīng)用到更廣泛的震相識別中。在自動定位系統(tǒng)中，爆破、地震、礦震波形的差異，地方震、網(wǎng)緣地震、遠(yuǎn)震等地震的識別都是對自動定位系統(tǒng)的一項挑戰(zhàn)，掌握這些波形的特征信息，設(shè)置有效的參數(shù)，盡可能地全面訓(xùn)練各種樣本，將大大提高自動定位震相判斷的準(zhǔn)確性。

致謝:趙仲和研究員對本文提出建議和思路指導(dǎo)，在此表示衷心感謝。

蔡煜東，宮家文，甘俊人，等.1994.地震序列類型預(yù)測的人工神經(jīng)網(wǎng)絡(luò)方法［J］.地震研究，17(1):40－45.

何斌，張元生，李穩(wěn).2010.計算地震初至波視出射角方法［J］.西北地震學(xué)報，32(1):11－15.

劉希強(qiáng)，周惠蘭，沈萍，等.2000.用于三分向記錄震相識別的小波變換方法［J］.地震學(xué)報，32(2):125－131.

穆星.2005.利用地震幾何屬性和自組織神經(jīng)網(wǎng)絡(luò)進(jìn)行地震相得自動識別［J］.地質(zhì)科技情報，24(3):109－112.

王娟，劉俊民，范萬春.2004.神經(jīng)網(wǎng)絡(luò)在震相識別中的應(yīng)用［J］.網(wǎng)絡(luò)與通信，(5):35－37.

趙仲和.2005.地震自動定位的綜合解決方案［J］.地震地磁觀測與研究，26(2):50－56.

中國地震局監(jiān)測預(yù)報司.2007.地震學(xué)與地震觀測［M］.北京:地震出版社.

Allen.1978.Automatic earthquake recognition and timing from single traces［J］.BSSA，68(5):1521 －1532.

Cichowicz.1993.An automatic S － phase picker［J］.BSSA，83(1):180－189.

Coforth T，Herin E.1981.An automatic seismic signal detection algorithm based on the walsh transform［J］.BSSA，71(4):1 351 －1 360.

Jin W，Ta-Liang T.1988.Artificial neutral network based seismic detector［J］.BSSA，85(1):308 －319.

Identification between Near and Distant Earthquakes Based on Neutral Network

QU Jun-hao，LIU Xi-qiang，WU Dan-tong，ZHANG Qin，YU Cheng，MU Juan，MIAO Qing-jie
(Earthquake Administration of Shandong Province，Jinan 250014，Shandong，China)

We studied seismic waves near the P wave phase to discuss the characteristic of near and distant earthquakes.Firstly，we selected main period of initial P wave as the input element of neural network and picked up 2 ～6 s of initial P wave arriving time as time window of seismic wave.Secondly，we chose the right network structure and parameters and collected a large number of earthquake training data to realize the nonlinear system identification between near and distant earthquake.The results show that the predictable result of test data whose confidence reaches 100%in sample training interval can converge to identifier 0 or 1 quickly in non-sample training interval.The maximum period of near earthquake sample is 0.25 s and its prediction interval whose confidence reaches more than 80%is almost close to 0.35 s.The minimum period of distant earthquake sample is 0.9 s and its prediction interval whose confidence reaches more than 80%is 0.5 s，which shows that the model we select is proper and has good generalization ability.

BP neutral network;near earthquake;distant earthquake;phase identification

P315.6

A

1000－0666(2012)03－0360－07

2011－11－30.

山東省自然科學(xué)基金 (Y2007E09)，山東省科學(xué)技術(shù)發(fā)展計劃項目 (2009GG10008002)和山東省地震局重大基金項目 (JJ1105Y)聯(lián)合資助.