基于深度学习的主动源P波初至自动拾取研究
| 摘要 | 第5-7页 |
| ABSTRACT | 第7-10页 |
| 第一章引言 | 第10-20页 |
| 1.1研究背景与意义 | 第10页 |
| 1.2传统震相自动拾取方法 | 第10-19页 |
| 1.2.1短长时窗平均比值法（STA/LTA法） | 第11-13页 |
| 1.2.2Akaike信息论准则法（AIC法） | 第13-15页 |
| 1.2.3偏振分析法 | 第15-17页 |
| 1.2.4相关法 | 第17-18页 |
| 1.2.5时频分析法 | 第18-19页 |
| 1.3本文主要研究内容和创新点 | 第19-20页 |
| 第二章深度学习概述 | 第20-33页 |
| 2.1深度学习技术发展历程 | 第20-22页 |
| 2.2深度学习原理与方法 | 第22-30页 |
| 2.2.1反向传播神经网络 | 第22-24页 |
| 2.2.2反向传播算法 | 第24-26页 |
| 2.2.3卷积神经网络 | 第26-28页 |
| 2.2.4常用优化策略 | 第28-30页 |
| 2.3深度学习在地震学中的应用 | 第30-33页 |
| 2.3.1地震信号识别和拾取 | 第30-31页 |
| 2.3.2地震数据去噪 | 第31页 |
| 2.3.3地震定位 | 第31页 |
| 2.3.4地震数据重构 | 第31-32页 |
| 2.3.5地震预警 | 第32页 |
| 2.3.6地震预报 | 第32-33页 |
| 第三章深度学习拾取P波初至 | 第33-59页 |
| 3.1卷积神经网络拾取P波初至 | 第33-47页 |
| 3.1.1数据来源与预处理 | 第33-36页 |
| 3.1.2卷积神经网络的建立和训练 | 第36-39页 |
| 3.1.3卷积神经网络信号识别 | 第39-41页 |
| 3.1.4卷积神经网络P波初至拾取 | 第41-47页 |
| 3.2U-Net拾取P波初至 | 第47-59页 |
| 3.2.1数据预处理 | 第47-50页 |
| 3.2.2U-Net的建立和训练 | 第50-55页 |
| 3.2.3U-Net的测试 | 第55-59页 |
| 第四章不同因素对拾取P波初至的影响 | 第59-62页 |
| 4.1样本比例对结果的影响 | 第59-60页 |
| 4.2网络结构对结果的影响 | 第60-62页 |
| 第五章结论与认识 | 第62-64页 |
| 致谢 | 第64-66页 |
| 攻读硕士学位期间发表论文情况 | 第66-67页 |
| 参考文献（References） | 第67-74页 |
