本文是一篇计算机软件论文，本文提出以自注意力构建深度神经网络模型，与传统的地震信号分类方法相比，具有更高的分类准确率。
第1章 绪论
1.1 课题来源与意义
地震是一种常见的自然灾害，自2001年至今，根据中国地震局统计的数据，中国大陆地区共发生过10275次地震，由于其中大多数地震震级过于小或者距离较远，人们没有感知到。地震的发生是复杂的地球物理过程，其中涉及多种因素互相作用，使得地震难以被精确预测，当地震发生在人类密集生活区域，往往会造成大量的人员伤亡和财产损失。例如，2004年印尼苏门答腊地震造成25万人死亡；2010年海地发生7.0级地震，地震中心位于首都太子港附件，造成20多万人死亡和30多万人受伤[1-2]。因此，如何从观测地震波形信号中准确高效识别出地震事件对提升地震预警能力有着重要的意义。
天然地震主要由地壳板块之间的碰撞或挤压引起，这种碰撞或挤压会导致地壳的断裂和变形，引起地壳应力的积累，地壳应力积累达到破裂的临界值就会引发地震。非天然地震事件主要指由于人类活动导致地震波在地球介质尤其在地壳中的传播，比如矿场爆破，核爆试验以及人工爆破等。天然地震相较于非天然地震，其发生的时刻难以预测且无明显规律可循，两者具有明显的不同之处：一是地震持续的时间不同，天然地震持续时间通常较长，持续几十秒至几分钟不等，非天然地震的时间则相对较短，持续几秒至数十秒钟不等；二是频率不同，天然地震的频率范围较广，包含多个频率成分，非天然地震的频率范围相对狭窄，仅特定范围的频率成分；三是发震位置不同，天然地震的发震位置通常较深，在地球内部，如地壳、地幔柱、地震带等处，非天然地震一般较浅，通常位于地表或地下浅层，如矿山、隧道等处；四是衰减速度不同，天然地震相对于非天然地震来说，衰减得比较慢。尽管如此，从地震波形的形状上看，非天然事件所产生的地震波形信号与天然地震所产生的十分相似，往往会干扰到天然地震的识别，使地震监测站无法准确对天然地震进行识别并及时对其做出预警，对二者进行准确分类一直是地震学研究的重点之一。
1.2 国内外研究现状
地震发生会导致大量的能量被瞬间释放，这些能量会以地震波的形式从震源沿着地球内部的介质向各个方向传播，被远近不同的地震仪记录下来。自上世纪50年代以来，国内外学者就天然地震和非天然地震信号的分类识别做了大量研究工作，在这两者的分类识别中，提出大量有代表性的分类方法。
1.2.1 传统地震信号分类识别方法
传统的地震信号识别方法是通过模板匹配等经典模式识别方法来完成对天然地震和非天然地震的分类识别，提前预定义好的地震信号模板，从待识别信号提取与地震信号相关的特征，与地震信号进行诸如模板匹配式的对比比较，然后通过某种算法计算相似程度的高低判断待识别信号是否为地震信号。Mavroeidis[3]等提出基于Gabor小波基函数，拟合近断层位移、地震波速度和加速度以及加速度响应谱，确定模型系数，将其作为判断地震大小的函数。Gibbons[4]等将单通道匹配滤波器检测算法应用到地震台网中，通过缩小主信号并将其浸入地震噪声中，使用波形相关性估计区域地震台阵上的测试信号检测阈值的降低，进行自动识别和筛选虚假的地震信号。冯雪玲[5]等通过复Morlet小波计算小波相位角的相关性，分析相位角的相关性来设置合理的阈值自动检测微小地震。Brown[6]等提出一种基于波形自相关的检测方法，通过移动窗口自相关进行计算相关性，无需先验知识，对震源附近站台的波形进行自相关计算，得出互相关系数，进而设置合理的阈值以检测低频地震。Kahbasi[7]等提出基于波形互相关，通过计算地震波形之间的互相关系数，确定阈值，进行地震波形识别，并通过双差法(Double-Difference Method, DDM)鉴别出爆炸波形。基于模板匹配的地震方法相对来说过程比较繁杂，需要准备好对于的地震信号模型，且算法的泛化性能比较差。
第2章 相关理论与技术
2.1 卷积神经网络
卷积神经网络(Convolutional Neural Network, CNN)最初由Lecun等人在上世纪80年代提出来，主要是用于图像识别等方面。卷积神经网具有强大的表征学习能力，可以有效地处理高维度、复杂的图像数据，并具有平移不变性，局部性，尺度不变性等特征。目前为止，卷积神经网络在图像识别、目标检测、人脸识别、言处理等领域得到广泛应用。卷积神经网络主要包含卷积层，池化层，激活函数以及全连接层[67]，下面将具体介绍卷积神经网络的组成以及原理。
卷积核在卷积操作下沿着输入特征图的每个位置进行滑动，将卷积核和特征图的对应特征点的数值进行乘积求和，再加上偏置项得到输出特征图的每个位置的值。每一层输出特征图的每个位置的数值，受到输入特征图Kh×Kw区域每个特征点的数值都会对输出特征图有影响，这个区域称为感受野。卷积核的计算过程如图1.1所示。
2.2 注意力机制
注意力机制是一种在深度学习中广泛使用的模型，它可以使模型在处理输入数据时更加关注重要的部分。在自然语言处理中，注意力机制常常用于处理序列数据，例如文本或语音信号，以帮助模型聚焦于输入中最重要的信息。在注意力机制中，输入序列被分为多个部分，并为每个部分分配一个权重，以便在处理输入数据时更加关注重要的部分。这些权重可以根据输入数据的不同部分进行动态计算，这使得注意力机制在处理变长输入序列时非常方便。在自然语言处理中，注意力机制被广泛应用于机器翻译、语言建模、文本摘要等任务中。在机器翻译任务中，注意力机制可以帮助模型将输入语言的每个词与目标语言中的相应词汇相匹配，从而提高机器翻译的准确性和流畅性。在语言建模任务中，注意力机制可以帮助模型捕捉输入序列中的关键信息，并在生成文本时使用这些信息。在文本摘要任务中，注意力机制可以帮助模型提取输入文本中最重要的信息，并将其编码为紧凑的摘要。除了在自然语言处理中的应用，注意力机制在图像识别、语音识别等领域也有广泛应用。在图像识别中，注意力机制可以帮助模型识别图像中最重要的部分，并将其与其他部分区分开来。在语音识别中，注意力机制可以帮助模型将输入信号中最重要的信息与噪声等干扰因素区分开来。注意力机制是一种非常有用的模型，可以帮助深度学习模型更好地处理输入数据，并提高模型的性能和准确性。在本章，我们主要总结自注意力机制以及多头注意力机制和局部注意力机制。
第3章 基于自注意力的地震信号分类 ..................... 21
3.1 地震信号选取与预处理................................ 22
3.1.1 地震信号选取 ................................ 22
3.1.2 地震信号的预处理 ........................ 22
第4章 基于窗口自注意力的地震信号分类算法 ............... 36
4.1 引言 ........................... 36
4.2 基于 QSSWNet 地震信号分类算法 ....................... 36
4.2.1 QSSWNet 网络结构设计 .......................... 36
第5章 总结与展望 ............................ 46
5.1 工作总结 .............................. 46
5.2 课题展望 ...................................... 47
第4章 基于窗口自注意力的地震信号分类算法
4.2 基于QSSWNet地震信号分类算法
QSSWNet算法在窗口自注意力的基础上，引入一维窗移和空间混编提升模型的特征提取能力。一维窗移能够获取窗口自注意力窗口边界的地震信号波形特征，以获取窗口之间的特征信息。其次，利用空间混编操作，将远距离窗口的特征放在一起，建立窗口之间的远距离链接，进一步提升模型的特征提取能力。
4.2.1 QSSWNet网络结构设计
本文提出的QSSWNet整体的网络结构如图4.2所示，主要由1个卷积层、3个QSSW Block组成、2个Pool Block、1个全局池化层(global average pooling, GAP)和1个全连接层的输出组成。
第5章 总结与展望
5.1 工作总结
地震是一种破坏力强的自然灾害，极大地威胁到人们的生命安全与财产安全。非天然地震所产生的地震信号与天然地震所产生的十分相似，往往会对天然地震的识别造成干扰，若不能及时准确进行分类，会对地震目录造成污染。地震信号的准确分类有助于加强地震的监测与预警，提高监测的效率以及帮助地震预警系统提高预警的准确性和及时性。传统的地震信号分类方法往往只选取比较具有代表性的特征对地震信号进行分类，特征的选取容易受人为主观因素的影响，并且忽视了其他特征对地震信号分类的影响，同时也忽略了特征之间的依赖关系，导致训练出来的模型准确率不高或泛化能力不强。
本文主要研究工作如下：
(1) 针对传统地震信号分类方法需要人工挑选特定地震信号特征，容易受主观因素影响，无法有效利用地震信号的全部特征以及特征之间的依赖关系的问题。为有效利用地震信号的全局信息，对提取不同地震信号特征之间的依赖关系。本文提出一种基于自注意力机制的深度神经网络模型QCTNet。QCTNet由自注意力机制和MBconv模块以及相对位置编码结合而成，能够有效对地震信号进行分类 。MBconv 模块引入卷积神经网络的局部性，增强模型特征提取能力，防止模型过拟合，提升模型的泛化能力。相对位置编码能够捕捉特征图中每个位置特征与其他位置特征的距离
