| 摘要 | 第3-5页 |
| Abstract | 第5-7页 |
| 第一章 引言 | 第11-23页 |
| 1.1 研究目的与意义 | 第11-12页 |
| 1.2 国内外研究现状及进展 | 第12-21页 |
| 1.2.1 长短时窗平均比法 | 第12-14页 |
| 1.2.2 赤池信息准则 | 第14-16页 |
| 1.2.3 分形分维法 | 第16-17页 |
| 1.2.4 偏振分析法 | 第17-18页 |
| 1.2.5 模板匹配法 | 第18页 |
| 1.2.6 相关法 | 第18-19页 |
| 1.2.7 人工神经网络 | 第19-20页 |
| 1.2.8 深度学习方法 | 第20-21页 |
| 1.2.9 其他方法 | 第21页 |
| 1.3 本文主要技术思路与创新点 | 第21页 |
| 1.4 论文主要研究内容 | 第21-23页 |
| 第二章 震相识别的深度学习方法 | 第23-36页 |
| 2.1 BP神经网络 | 第23-24页 |
| 2.2 卷积神经网络 | 第24-29页 |
| 2.2.1 卷积层 | 第25页 |
| 2.2.2 池化层 | 第25-26页 |
| 2.2.3 Batch Normalization层 | 第26页 |
| 2.2.4 激活层 | 第26-28页 |
| 2.2.5 dropout层 | 第28页 |
| 2.2.6 全连接层 | 第28-29页 |
| 2.3 循环神经网络 | 第29-34页 |
| 2.3.1 RNN | 第29-30页 |
| 2.3.2 LSTM | 第30-33页 |
| 2.3.3 GRU | 第33-34页 |
| 2.4 序列-序列 | 第34-35页 |
| 2.5 本章小结 | 第35-36页 |
| 第三章 双卷积结构模型方法 | 第36-41页 |
| 3.1 双卷积结构模型方法的基础模型 | 第36-38页 |
| 3.2 双卷积结构模型方法的原理 | 第38-39页 |
| 3.3 实验平台 | 第39-41页 |
| 第四章 模型训练与参数调优 | 第41-69页 |
| 4.1 训练数据 | 第42-45页 |
| 4.1.1 数据 | 第42-43页 |
| 4.1.2 数据预处理 | 第43-45页 |
| 4.1.3 训练集、测试集的构建 | 第45页 |
| 4.2 参数对识别效果的影响 | 第45-52页 |
| 4.2.1 样本增强效应 | 第45-46页 |
| 4.2.2 滤波效应 | 第46-47页 |
| 4.2.3 滑动窗口长度对结果的影响 | 第47-50页 |
| 4.2.4 学习率影响 | 第50-51页 |
| 4.2.5 Batch Size影响 | 第51-52页 |
| 4.3 识别结果及分析 | 第52-67页 |
| 4.3.1 训练及识别 | 第52-53页 |
| 4.3.2 延怀盆地及邻区地震事件对比 | 第53-62页 |
| 4.3.3 延怀盆地及邻区13 个台站对整个首都圈地区的地震与震相识别结果 | 第62-67页 |
| 4.4 问题与讨论 | 第67-68页 |
| 4.4.1 减小震相误差的途径 | 第67页 |
| 4.4.2 漏检原因与改进讨论 | 第67-68页 |
| 4.4.3 虚检率的改进 | 第68页 |
| 4.5 本章总结 | 第68-69页 |
| 第五章 模型的应用 | 第69-79页 |
| 5.1 南迦巴瓦流动测震台网中的应用 | 第69-75页 |
| 5.2 AI余震识别比赛公开数据集中的应用 | 第75-77页 |
| 5.3 本章总结 | 第77-79页 |
| 第六章 结论与展望 | 第79-81页 |
| 6.1 结论 | 第79-80页 |
| 6.2 展望 | 第80-81页 |
| 参考文献 | 第81-87页 |
| 致谢 | 第87-88页 |
| 个人简介 | 第88页 |