地磁时变观测数据中高压直流输电干扰事件多尺度表示及识别方法

高效准确地识别地磁时变观测数据中受高压直流输电干扰的波形对于提高地磁时变观测数据质量具有重要意义.然而,由于高压直流输电干扰事件持续时间长短不一、干扰程度变化多样,给识别任务带来巨大困难.为了能自动识别长短不同的高压直流输电干扰事件,本文提出一种高压输电干扰事件的多尺度表示及识别方法:利用小波技术具有多尺度的特性,卷积神经网络具有自动特征提取的特性,将二者结合,设计了一个多输入卷积神经网络模型来识别地磁中的高压直流输电干扰事件.首先使用离散小波技术将地磁时变观测样本进行多尺度分解,得到原始样本的多尺度表示,再将分解后的多尺度地磁时变观测样本分别输入到含有多个输入分支的卷积神经网络中,每个分支分别自动提取不同尺度的特征,然后将多个尺度的特征融合,并加入注意力机制来自适应计算每个尺度特征的权重,对多尺度特征进行加权处理,再采用全连接层和SoftMax层进行分类,本文将该模型命名为CBAM-MCNN.在中国地震前兆台网中心提供的高压直流输电干扰样本上进行试验,并将本文所提出模型的识别效果与现有的全卷积网络、残差神经网络、多输入卷积神经网络、IICM-HVDCT-CNN-LSTM进行了对比,在5271条测试样本集上,本文所提出的CBAM-MCNN模型识别准确率达到了97.14%,F_1值达到了97.12%,远远高于其他4种对比模型.