本申请属于地震信号检测，尤其涉及一种基于神经网络的地震信号识别方法、装置、设备及存储介质。
背景技术：
1、随着科技的发展，地震探测技术经历了从传统方法到现代技术的转变。近年来，越来越多的学者通过神经网络创建模型的方法，实现对地震信号的预测，但是在使用模型对地震预测的过程中，仍然存在一些缺陷，具体如下：
2、(1)在深度学习领域将地震检测和震相识别视为一个分类任务，大多数模型都是用来处理长时间的地震窗口(30-60s)。这种模型的输出是窗口长度上的概率分布，在扫描档案、建立地震目录时具有较好的精度，但需要较长的输入窗口长度，不适合实时处理。
3、(2)对于已有的短窗口地震检测模型(generalized phase detection，gpd)，多是采用数据的时域信息而忽略了频率信息，使得模型检测的准确率较低，容易出现误检测的情况。
4、因此，如何实时准确的识别地震信号，成为了亟需要解决的问题。
技术实现思路
1、本申请提供一种基于神经网络的地震信号识别方法、装置、设备及存储介质，提高了地震信号识别的实时性和准确性。
2、第一方面，本申请实施例提供了一种基于神经网络的地震信号识别方法，所述方法包括：获取待识别地震信号，所述待识别地震信号为连续波形数据；基于所述待识别地震信号，通过滑动窗口处理，获取所述待识别地震信号的窗口数据；基于所述窗口数据，确定所述窗口数据对应的经过短时离散余弦变换处理的二维时频域数据，基于所述二维时频域数据和已经构建好的识别模型，确定识别结果，所述识别结果包括p波数据和s波数据，所述识别模型通过卷积神经网络结合通道注意力机制创建得到。
3、在一种可能的实现方式中，构建所述识别模型，包括：获取历史地震信号数据，基于历史地震信号数据构建数据集，所述历史地震信号数据包括p波数据、s波数据和噪声数据，所述噪声数据包括地震尾波数据、非地震信号以及随机噪声数据；基于所述历史地震信号数据通过预处理，确定预处理数据；基于预处理数据，通过卷积处理，获取所述预处理数据的特征图信息；基于所述特征图信息通过全局平均池化处理，确定通道信息；基于所述特征图信息、所述通道信息及卷积神经网络确定所述识别模型。
4、在一种可能的实现方式中，所述基于所述特征图信息、所述通道信息及卷积神经网络确定所述识别模型，包括：基于所述通道信息和预设公式，确定所述通道信息的一维卷积核尺寸；将所述一维卷积核尺寸应用于一维卷积，确定所述通道信息的第一权重；基于所述第一权重和sigmoid激活函数，确定所述通道信息的第二权重；基于所述第二权重和所述特征图信息，确定所述特征图信息的加权特征；基于所述加权特征和卷积神经网络确定所述识别模型。
5、在一种可能的实现方式中，所述预设公式为：
6、
7、式中，k表示一维卷积核的大小，c是通道数，γ和b为预设参数。
8、在一种可能的实现方式中，所述基于所述历史地震信号数据通过预处理，确定预处理数据，包括：对所述p波数据和所述s波数据依次通过数据位移、通道丢失、添加噪声、数据滤波、归一化处理，stdct变换处理，确定所述p波数据和所述s波数据的预处理数据；对所述噪声数据依次通过数据位移、数据滤波、归一化处理，stdct变换处理确定所述噪声数据的预处理数据。
9、在一种可能的实现方式中，对所述p波数据和所述s波数据进行数据位移处理包括：对所述p波数据和所述s波数据的到达时间进行随机移位处理，使所述p波数据和所述s波数据在预设时间窗口中的区间内变化；对所述噪声数据进行数据位移处理包括：随机截取所述噪声数据波形截止时间之后的数据片段作为噪声数据集的一部分。
10、在一种可能的实现方式中，所述卷积神经网络包括下采样层和全连接层，所述基于所述加权特征和卷积神经网络确定所述识别模型，包括：基于所述加权特征和所述下采样层，确定一维特征向量；基于所述一维特征向量和所述全连接层，确定所述识别模型。
11、第二方面，本申请实施例提供了一种基于神经网络的地震信号识别装置，所述装置包括：获取模块，用于获取待识别地震信号，所述待识别地震信号为连续波形数据；处理模块，用于基于所述待识别地震信号，通过滑动窗口处理，获取所述待识别地震信号的窗口数据；确定模块，用于基于所述窗口数据和已经构建好的识别模型，确定识别结果，所述识别结果包括p波数据、s波数据，所述识别模型通过卷积神经网络结合通道注意力机制创建得到。
12、第三方面，本申请实施例提供了一种电子设备，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现如第一方面或其中任意一种实现方式所述的方法。
13、第四方面，本申请实施例提供了一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时实现如第一方面或其中任意一种实现方式所述的方法。
14、本申请通过获取待识别地震信号；基于待识别地震信号，通过滑动窗口处理，获取待识别地震信号的窗口数据；基于窗口数据和已经构建好的识别模型，确定识别结果，识别结果包括p波数据和s波数据，识别模型通过卷积神经网络结合通道注意力机制创建得到。相对于现有技术中直接用卷积神经网络创建模型然后再通过地震信号确定识别结果，本申请通过将卷积神经网络结合通道注意力机制，然后在训练过程中引入地震尾波数据，提高了模型的准确性；将地震信号数据转换为窗口数据，通过窗口数据识别p波数据和s波数据，相比于现有技术中直接将地震数据进行处理，提高了数据处理的实时性。
1.一种基于神经网络的地震信号识别方法，其特征在于，所述方法包括：
2.根据权利要求1所述的方法，其特征在于，构建所述识别模型，包括：
3.根据权利要求2所述的方法，其特征在于，所述基于所述特征图信息、所述通道信息及卷积神经网络确定所述识别模型，包括：
4.根据权利要求3所述的方法，其特征在于，所述预设公式为：
5.根据权利要求2所述的方法，其特征在于，所述基于所述历史地震信号数据通过预处理，确定预处理数据，包括：
6.根据权利要求5所述的方法，其特征在于，
7.根据权利要求3所述的方法，其特征在于，所述卷积神经网络包括下采样层和全连接层，所述基于所述加权特征和卷积神经网络确定所述识别模型，包括：
8.一种基于神经网络的地震信号识别装置，其特征在于，所述装置包括：
9.一种电子设备，包括存储器、处理器以及存储在所述存储器中并在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现如权利要求1至7任一项所述的方法。
10.一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1至7任一项所述的方法。
