Page 92 - 2024年第55卷第8期

通过调整 ＴＦ层的时间窗长度 Ｌ，可将地震记录序列的时间步长度缩小到适合 Ｅｎｃｏｄｅｒ输入的长
度。一般 ＳＴＦＴ中的时间窗平移距离设为 Ｌ?２，此时经过 ＴＦ层时频变换后的时频信息在时域和频域上
２ Ｔ Ｌ
的维度分别为 Ｎ ＝ ＋ １ 和 Ｎ ＝ ＋ １ 。同时在 Ｄｅｃｏｄｅｒ的全连接层后接入 ＩＴＦ层，并设置与 ＴＦ对应的
１ ２
Ｌ ２
时间窗和窗参数，将虚拟传感器输出的虚拟地震信号的时频信息逆变换回地震信号时间序列。其中，
时频逆变换方法采用与 ＳＴＦＴ对应的短时傅里叶逆变换（ＩｎｖｅｒｓｅＳｈｏｒｔ － ＴｉｍｅＦｏｕｒｉｅｒＴｒａｎｓｆｏｒｍ，ＩＳＴＦＴ）方
法，其计算公式如下：
１
槇
ＩＳＴＦＴ（ｔ，ｆ） ＝ ∫ ｉ２ π ｆ τ （９）
Ｙ（ τ ）ｈ（ｘ－ｔ）ｅ ｄ τ
２ π
槇
式中 Ｙ（ｔ）为虚拟传感器输出的虚拟地震信号的时频信息。
此外，为了使改进后的 Ｄｅｃｏｄｅｒ能通过随机强制学习策略提高收敛性 ［３０］ ，在模型训练过程中 Ｄｅ
ｃｏｄｅｒ的输入端也同样连接 ＴＦ层，用于随机获得目标地震信号的真实时频信息以加速对子任务的学习
速度。改进 Ｄｅｃｏｄｅｒ的详细结构如图 ２所示。其中，由于引入 ＴＦ层提取地震信号的时频域特征，地震
信号序列长度由总数 Ｔ降低为时间窗的个数 Ｎ，相应的循环层的循环次数亦可降低为 Ｎ。强制学习
１ １
过程中，循环层以 ｈ、ｃ和真实地震经 ＴＦ层转换的时频矩阵 ＳＴＦＴ（ｔ，ｆ）作为输入；非强制学习阶段
ｔ ｔ
和推理过程中循环层以 ｈ、ｃ和前序时间步的输出值作为输入。即强制学习过程采用图 ２中红线和蓝
ｔ
ｔ
线进行训练，非强制学习和预测过程采用图 ２中红线和黄线进行训练和推理。

图 ２ 引入 ＴＦ层和 ＩＴＦ层改进 Ｄｅｃｏｄｅｒ的详细结构

３．２．２ 注意力机制改进的多任务 Ｓｅｑ２Ｓｅｑ模型 为改进 Ｄｅｃｏｄｅｒ对 Ｅｎｃｏｄｅｒ所有隐藏状态信息的全局搜
索能力并捕捉时序依赖关系，进一步提高基于多任务 Ｓｅｑ２Ｓｅｑ的虚拟传感器感知精度，在 Ｓｅｑ２Ｓｅｑ中
添加无须严格单向对齐限制的注意力模型 ［３１］ ，用以解决多个地震记录仪传感器的传输延迟不一致导致
的传感器信号的时间序列之间在时间维度未对齐的现象。为了三个独立的 Ｄｅｃｏｄｅｒ能够分别捕获输入
信号的时序依赖关系，给每个 Ｄｅｃｏｄｅｒ分别单独配置注意力模块。注意力机制通过改进式（２）中的 ｃ，
实现对不同时间步的隐藏状态赋予特定的权重，即输入 Ｄｅｃｏｄｅｒ的上下文向量 ｃ是通过注意力机制加
权后的输出：
Ｔ
ｔ ∑
ｃ＝ （ α ｉｊ ｊ （１０）
ｈ）
ｊ ＝１
０
— ９ ７ —