本文是一篇土木工程论文，本文对比分析了几个迁移学习模型对强震动记录高通截止频率搜索的适用性，采用不同深度的残差网络（ResNet）对强震动记录的质量进行了分类，并进行了分类效果的对比分析，然后将训练好的模型应用到了日本316强震动记录中。
1 绪论
1.1 选题背景与意义
在1933年的加州长滩地震中，历史上的首条强震动记录被人类获得[1]。从模拟记录到数字强震动记录，截止到目前，强震动观测技术已经有了很大的进步。在全球范围内，强震动台网的建设和使用在不断的增加，记录各种强震动已逐渐成为现实。例如在1999年的台湾集集发生的7.6级地震与2008年四川汶川发生的8.0级地震[2]和2013年四川芦山7.0级地震中获得的强震动记录为专业科学研究人员提供了大量宝贵的数据资料。在最近的这几年中，随着数字强震仪的快速发展，得到了大量的高质量的强震动记录。这些强震动记录为地震工程的研究提供了重要的基础数据。在2007年年底，中国强震动观测台网开始了试运行，且随着中国“国家地震烈度速报与预警工程”的建设，截止到目前，已经获取了大量的高质量记录。
强震动记录是提高对地震地面运动和地震期间结构行为理解的宝贵资源[3]，是地震工程科学研究和工程实践的重要基础数据[4]。强震动记录的重要性可见于其在地震工程中的应用。工程师使用强震动记录来制定能够承受地震活动的建筑规范和标准。通过分析地震动记录数据，工程师可以更好地了解建筑物和其他结构如何应对地震并将它们设计得更具韧性[5, 6]。这在世界上地震多发地区尤为重要，因为并非设计用于承受地震活动的结构可能会在地震期间遭受重大损坏或倒塌，从而导致生命和财产损失。强震动记录也用于评估现有结构的地震易损性[7-9]。通过将地震的地震动数据与建筑物的设计规范进行比较，工程师可以确定该结构在地震作用下是否能够按预期运行。该信息可用于识别现有建筑物的潜在弱点，并确定改造工作的优先顺序以提高其抗震能力。除了工程应用，强震动记录也被地震学家用来研究地震的性质和地壳的动力学[10]。地震学家可以利用强震动记录的数据研究不同类型地震波的行为，研究不同地质构造对地震动的影响，以便更好地了解控制地震发生和传播的因素。强震动记录还被用于开发更精确的地震动预测模型[11-13]。
............................
1.2 国内外研究现状
1.2.1 强震动记录滤波方法国内外研究现状
美国NGA项目强震数据库[24]PEER(The Pacific Earthquake Engineering Research Center，PEER)[25]的数据处理过程是在从加速度时间序列中去除仪器响应和零线偏移后，通过滤波去除噪声干扰。欧洲地震动参考数据库（Reference database for seismic ground-motion in Europe，RESORCE）[26]的处理流程为：加速度记录的基线校正；通过四阶非因果滤波器对经过基线校正后的加速度记录滤波；将滤波后的加速度记录积分到位移然后使用多项式拟合；用滤波后的加速度减去所拟合基线的二阶导数。智利强震数据库[27]判断了所有记录的触发类型，在计算傅立叶振幅谱（FAS）之前，正常触发和触发后记录使用了不同的渐近趋零（Taper），随后的滤波过程类似于RESORCE。欧洲强震工程数据库（Engineering Strong-Motion Database，ESM）[28]和意大利强震数据库（ITACA）[29]提出的数据处理过程类似于上述过程，调整了零线校正方法、渐近收敛长度、滤波器阶数和其他数据处理参数，以及在获得滤波后的加速度时间序列之后添加后处理。
上述对强震动记录的处理几乎都使用滤波来去除噪声的影响。滤波器的高通和低通截止频率是必不可少的参数。欧洲强震动数据网站(ISESD)[30]中的几乎所有强震动记录都使用恒定的高通和低通截止频率（分别为0.25Hz和25 Hz）进行了带通滤波。NGA[24]通过目测FAS和积分到位移来选择高通截止频率。ESM[28]和ITACA[29]通过目视检查FAS以选择带通频率范围。RESORCE[26]参考双角源谱[31]的理论角频率选择高通截止频率，低通截止频率的选择基于Douglas等人的建议[32]。智利强震数据库[27]中采用信噪比(SNR)计算高通截止频率，SNR的下限为3，选择奈奎斯特频率作为低通截止频率。Parker等[33]通过限制SNR大于3来确定高通和低通截止频率。Bahrampouri等[34]通过限制SNR大于2来确定高通截止频率，通过限制SNR大于1来确定低通截止频率。Edwards等[35]使用了记录FAS的线性趋势比理论谱衰减更慢的点来定义高通截止频率[36]，将SNR等于3作为低通截止频率的下限。
...........................
2 深度学习概述
2.1 引言
深度学习是一种基于多层神经网络结构的机器学习分支，它通过大量的数据和反向传播算法进行训练，实现对数据的高效建模和预测。与传统机器学习算法相比，深度学习算法具有更高的准确率和更强的表达能力，能够处理大规模和高维度的数据，并在自然语言处理、计算机视觉、语音识别、智能推荐等领域得到广泛应用。深度学习的核心思想是通过神经网络来模拟人脑的工作原理，对输入数据进行多层非线性变换和处理，最终得到输出结果。深度学习的应用场景包括图像分类、目标检测、人脸识别、语音识别、自然语言处理等领域，并在这些领域中取得了显著的成果。随着深度学习技术的不断发展和应用场景的不断拓展，它将在未来发挥越来越重要的作用。
本章阐述了深度学习中的一些基本概念，介绍了本文所使用的卷积神经网络与迁移学习中的一些常用的特征提取网络模型。并介绍了本章所使用的孪生神经网络的基本概念。
..........................
2.2 卷积神经网络
卷积神经网络（Convolutional Neural Network, CNN）是一种前馈神经网络，最初是为了处理图像和视频等数据而设计的。相较于传统的全连接神经网络，CNN在处理图像等数据时具有更好的效果，特别适用于图像识别、计算机视觉等领域的任务。它的核心思想是使用卷积运算捕捉图像的特征，使用池化（pooling）运算来降低数据的维度并保留重要信息，最后通过全连接（fully connected）层将抽象的特征映射为最终的预测结果。
2.2.1 卷积层
卷积层(Convolutional Layer)通过将卷积核（Convolutional Kernel）（也称为滤波器或过滤器）在输入数据上进行滑动操作，从而提取出输入数据中的特征。卷积核是一个小矩阵，通常是3×3或5×5大小的矩阵。在卷积操作中，卷积核矩阵的每个元素都与输入数据矩阵的对应位置进行乘法运算，然后将这些乘积相加得到一个单一的输出值，这个输出值就是卷积操作的结果。然后将卷积核在输入数据上滑动一个步长（stride）进行下一个卷积操作。卷积层可以通过使用多个卷积核进行卷积操作以提取不同的特征。这些通过卷积操作获得的结果被称作为特征图，它们可以被输入到下一层的神经网络中进行进一步的处理。卷积层还有一个非常重要的参数，即填充（padding）。填充是指在输入数据的边界上添加一定数量的值（通常是0），以使卷积操作后输出的特征图的大小与输入数据的大小相同。填充可以保留输入数据中的边缘信息，避免特征图大小的不断缩小。如图2.1所示为一维特征矩阵进行卷积运算的过程。
土木工程论文怎么写
................................
3 基于迁移学习的强震动记录高通截止频率研究 .............................. 23
3.1 引言 .................................... 23
3.2 数据库的建立 ............................ 23
4 基于深度残差网络(ResNet)的强震动记录质量分类 ........................ 41
4.1 引言 ............................... 41
4.2 数据库的建立 ................................... 41
5 基于孪生神经网络的强震动记录通道方向判断 .............................. 49
5.1 引言 ..................................... 49
5.2 NGA-West2 数据库 ................................. 49
5 基于孪生神经网络的强震动记录通道方向判断
5.1 引言
在本文对强震动记录质量的研究中，发现一些记录可能存在通道颠倒现象。在第四章中，对于同一组记录的三个分量都是单独考虑的，只是简单的将各通道记录进行了质量分类，并未考虑同一组记录中各分量之间的相关性。鉴于目前地震动的研究中，竖向地震动有着十分重要的角色，而竖向通道颠倒的记录将会导致错误的分析结果。因此，本章针对强震动记录中可能出现的通道颠倒记录进行了研究，旨在区分出同一组强震动记录中的竖向分量。太平洋地震工程研究中心（PEER）[25]为了扩展NGA-West1数据库[24]并提高其质量和地震动预测方程的准确性提出了NGA-West2数据库。对于该数据库，相关工作人员对其进行了仔细的核查[101]，故该数据库中地震动记录的准确性较高。本章首先使用互相关系数对该数据库进行了统计分析，发现水平向分量之间的相关性较高。鉴于本章的主要研究内容是从每组地震动记录三分量中区分出竖向地震动，故本章深度学习数据库依赖于NGA-West2数据库建立。
土木工程论文参考
...........................
6 结论与展望
6.1 结论
本文针对强震动记录处理中的几个关键问题为研究对象。使用深度学习方法对滤波中高通截止频率获取过程、处理前的强震动记录的质量评定、强震动记录的通道方向正确性判断三个问题进行了研究。对比分析了几个迁移学习模型对强震动记录高通截止频率搜索的适用性，采用不同深度的残差网络（ResNet）对强震动记录的质量进行了分类，并进行了分类效果的对比分析，然后将训练好的模型应用到了日本316强震动记录中。最后使用孪生神经网络强震动记录的通道方向正确性进行了判断。本文得到的结论如下：
1. 训练所有层的网络模型比只训练全连接层的网络模型分类性能更高，其中InceptionResNetV2的分类性能最高，在训练和验证集的准确率分别为99.9%和99.8%，损失分别为0.003和0.009，测试集的总体准确率为97.3%。
2. 在预测类时添加概率限制可以提高模型的分类性能。R2平均增加了14.41%，RMSE、MAE和MAPE分别平均减少了12.6%、16.23%和30.01%。
3. 训练所有网络层数且在预测类别时加入概率限制的VGG19模型更适合本文的强震动记录的高通截止频率自动搜索问题。使用该模型得到的结果相比其他模型R2最高为0.82，RMSE、MAE和MAPE最低分别为0.038、0.026和2.99%。
4. ResNet18网络模型更适用于本文的强震动记录质量分类任务，其余模型都出现了不同程度的过拟合与网络退化。在验证集上的准确率最高为83.6%，该在训练集准确率为81.9%，未出现过拟合现象。
5. 日本316福岛地震的K-NET提供的536组强震动记录总体质量较高，可直接使用的记录大约87%左右（低质量记录不建议使用）。
参考文献（略）