支持向量机在地震与爆破识别中的应用

为研究天然地震事件和爆破事件识别算法,对上海测震台网记录的上海周边区域天然构造地震和爆破事件记录进行小波包分解,并提取特征向量,提出用支持向量机（SVM）识别天然构造地震和人工爆破的算法。结果表明,基于SVM算法的向量识别分类方法,在天然地震和爆破识别中是可用的,准确率预计达85%以上。     

爆破、塌陷识别研究进展综述

简要介绍当前国内外关于天然地震与爆破、塌陷等非天然地震特征研究及事件类型识别的进展。对各类事件的定义及主要波形特征进行简要综述,重点介绍了事件类型判定的各类识别方法。与自然界天然地震不同,非天然地震由人工干预或人类活动间接引发。爆破是炸药在爆炸瞬间能量迅速释放,部分能量以地震波形式向外传播,引起地表振动而产生破坏效应的一种地震;塌陷是由于岩层崩塌陷落而形成的地震。虽然在地震台网记录到的天然地震与爆破、塌陷的波形存在一定的共性特征,但由于震源类型、波的传播路径、震源深度等不同,各类事件的波形记录在P波初动、P波与S波最大振幅比、持续时间、震相、短周期面波发育情况、发震时刻、空间位置分布以及频谱特征等方面差异明显。目前主要有两类方法来识别地震与爆破、塌陷等非天然事件。一类为直接基于波形在信号、数据方面的特征,通过定性分析来进行事件类型判定,如波形时频分析对比法、小波变换、相关系数等;另一类为统计学领域诸如模式识别等算法,利用统计算法综合考虑多个事件特征判据的定量判定阀值来实现地震与爆破、塌陷事件类型的识别,如最小距离法、改进的连续亨明方法、Fisher方法、逐步代价最小决策法、支持向量机、前馈神经网络等。两类方法本质上均为提取有效特征判据,即对数据进行降维使用,未将事件记录的全部信息用于事件判定。因此,有必要使用一种可从全部事件记录中自动提取各类信息并可组合底层特征的算法来对各类事件进行判断识别。     

基于能量比的天然地震与人工爆破自动识别算法研究

研究了从天然地震和人工爆破事件的波形记录中提取出来的能量比特征在天然地震和人工爆破事件的自动识别中的有效性及适用性。对波形记录进行了4层小波变换,然后对变换得到的小波系数提取能量比特征,最后利用支持向量分类机ν-SVC进行识别效果检验。实验证明,由bior2.2小波包分解后提取出来的能量比特征对天然地震和人工爆破事件的识别效果很好,可用于实际的自动识别系统作为识别判据之一。     

天然地震与人工爆破的波形小波特征研究

研究了如何从天然地震和人工爆破事件的波形记录中提取出有效、适用的波形特征,以用于对爆破事件的识别.首先对波形记录进行了4层小波包变换;然后对变换得到的最后一层小波包系数提取3种波形特征:能量比特征、香农熵特征及对数能量熵特征;最后利用v-SVC支持向量分类机对这3种特征的分类能力进行了外推检验.通过选用不同地区、不同台站、不同震级的天然地震与人工爆破的波形记录,力求提取的特征量能尽可能地反映天然地震与人工爆破波形的本质区别,尽量弱化震中距、震级等因素对识别效果的影响.结果表明,上述3种特征中以香农熵特征的识别效果最好,能反映天然地震与人工爆破的本质区别,可作为识别天然地震与人工爆破的一个有效判据.     

甘肃塌陷地震震相识别研究

选取甘肃省测震台网测定的甘肃平凉地区塌陷地震、甘东南地区天然地震各50个,同地区的30个地震事件为待测事件。采用近年来计算机领域里较先进的图像识别方法——卷积神经网络识别两种地震事件类型,设定波形通道总数的80%为地震事件分类阈值,超过分类阈值的设定为“0”或“1”,即可判定该待测事件为对应的事件类型。将地震事件作为原始图像,提取图像中最具代表性特征点;接着提取图像特征进入池化层,池化层会对该图像特征点进行归类压缩,提取最具代表性的图像特征,最后输出识别图像。结果表明:塌陷地震最终分类准确识别率为86.7%,天然地震准确识别率为93.3%,总识别率为90%,为今后平凉地区塌陷地震事件类别识别工作提供了可靠的参考价值。     

地震与核爆识别的小波包分量比方法

频谱分析法在核爆与地震识别中具有广泛的应用．但是频谱分析方法是稳态方法,即使采用Gabor变换,也因时-频窗口形状不变而分辨串较低．为提高时-频分辨率,本文将小波变换理论用于乌鲁木齐台记录的地震与核爆事件的分析,并提出了识别核爆和天然地震的小波包分量比判据．通过对加拿大黄刀地震台记录的印度地下核爆的分析,进一步验证了小波包分量比判据对核爆和地震的识别具有较高的识别效率．结果表明：对于地震信号,其小波包分量比U03/U1一般都大于1.0,而对于核爆信号,比值U03／U13一般都小于1.0.     

天然地震与人工爆破的波形小波特征研究div

研究了如何从天然地震和人工爆破事件的波形记录中提取出有效、适用的波形特征,以用于对爆破事件的识别．首先对波形记录进行了4层小波包变换;然后对变换得到的最后一层小波包系数提取3种波形特征:能量比特征、香农熵特征及对数能量熵特征;最后利用upsilon;-SVC支持向量分类机对这3种特征的分类能力进行了外推检验．通过选用不同地区、不同台站、不同震级的天然地震与人工爆破的波形记录,力求提取的特征量能尽可能地反映天然地震与人工爆破波形的本质区别,尽量弱化震中距、震级等因素对识别效果的影响．结果表明,上述３种特征中以香农熵特征的识别效果最好,能反映天然地震与人工爆破的本质区别,可作为识别天然地震与人工爆破的一个有效判据．      

基于深度学习的地震事件分类识别 ——以山东地震台网记录为例

为实现天然地震与爆破、塌陷事件类型的快速高效识别,文中应用深度学习技术中的卷积神经网络模型,设计了基于单个事件单个台站波形记录的深度学习训练模块和基于单个事件多个台站波形记录的实时测试模块.以每个事件P波到时最早的5个台站记录到的原始三分向波形为输入,分别采用目前主流的AlexNet、VGG16、VGG19、GoogL...     

基于小波变换方法的爆破、塌陷和地震信号分析

采用Matlab的小波变换方法,对山西省数字化台网记录的爆破、塌陷与地震信号进行了6层多尺度分解,通过比较、分析,得出爆破、塌陷与地震信号在各层分解后存在一定的差异,该研究为识别非天然地震中的爆破、塌陷提供了有效的方法。     

基于格拉姆角场和多尺度残差神经网络的地震事件分类方法

以江苏地震台网中心搜集并标注的天然地震、人工爆破和塌陷事件为试验数据样本,提出了一种基于格拉姆角场和多尺度残差神经网络的新的地震事件分类方法。首先对波形数据进行滤波、归一化等预处理,然后应用格拉姆角场对地震波形数据进行二维编码得到二维图像,再将此经过编码后的图像作为多尺度残差神经网络的输入进行分类模型的训练和测试,从而得出分类结果。采用上述方法对1 078个天然地震台站记录、981个爆破台站记录和830个塌陷台站记录进行试验,结果显示：最终以单条波形为单位的地震事件分类准确率为92.55%,以单个台站为单位的分类准确率为96.36%,这表明基于格拉姆角场和多尺度残差神经网络的地震分类方法具有良好的效果。     

地震与爆破的小波包识别判据研究

利用sym5小波包基函数对小震级天然地震和人工爆破波形进行4层小波包分解并绘制了时频谱图.通过时频谱图可直观得出, 爆破频率成分简单, 时频谱聚集性较好. 为寻求定量的识别指标, 综合P波和S波小波包变换结果, 提出并定义了P/S能量比. 分析识别效果较好的 P/S能量比判据得出爆破的P波主频集中在频段3.125—9.375 Hz处, 地震频率成分较复杂, S波在高频12.5—23.4375 Hz处也较发育, 在这些频段上, 爆破的P波与S波差异要大于地震的P波与S波差异. 作为小波包判据研究的补充, 文中也提取分析了P波的能量比与S波的能量比. 能量比判据识别结果表明, 人工爆破与天然地震的频率成分存在差异, 通过小波包变换能够提取有效的识别判据.      

The Time-Frequency Energy Attenuation Factor and Its Application on the Basis of Gauss Linear Frequency-Modulated Continuous Wavelet Transform

Based on the Gauss linear frequency-modulated wavelet transform, a new characteristic index is presented, namely time-frequency energy attenuation factor which can reflect the difference features of waveform in earthquake focus mechanism, wave traveling path and its attenuation characteristics in focal area or near field. In order to test its validity, we select the natural earthquakes and explosion or collapse events whose focus mechanisms vary obviously, and some natural earthquakes located at the same site or in a very small area. The study indicates that the time-frequency energy attenuation factors of the natural earthquakes are obviously different with that of explosion or collapse events, and the change of the time-frequency energy attenuation factors is relatively stable for the earthquakes under the normal seismicity background. Using the above-mentioned method, it is expected to offer a useful criterion for strong earthquake prediction by continuous earthquake observation.     

RBF神经网络在天山地震带地震预报中的应用

运用RBF人工神经网络模型,结合中国震例,通过对1976年以来新疆天山地震带MS≥4.7地震前异常参数研究分析,筛选出15个地震异常指标使其作为RBF神经网络的输入样本,经过31组样本集的训练和5组检验样本的检验,建立了基于RBF神经网络地震震级预测模型,通过对实际震例的检验取得了较为理想的预报效果。     

用小波变换能量线性度方法识别天然地震与爆破或塌方

为了提取天然地震和爆破或塌方记录波形在震源深度、震源尺度、震源破裂机制、地震波传播途径、地震波衰减等方面的差异特征信息,本对山东数字化台网记录的天然地震和爆破或塌方波形进行了小波多分辨率的能量线性度特征分析,提出了用小波变换能量线性度方法识别天然地震与爆破或塌方事件．结果表明：在精细结构小波分解信号“能量”线性度方面,天然地震主要集中在-2．0～1．0之间,爆破或塌方主要集中在2．0～3．4之间;在精细结构小波分解信号“能量”最大值对应的小波分解尺度方面,爆破或塌方主要集中在4～5,频段集中在0．7～3．1Hz之间,而天然地震主要集中在1～2,频段集中在6．25～25Hz之间．     

高斯线调频连续小波变换的时频能量衰减因子方法及其应用

本文基于高斯线调频连续小波变换，提出了能够反映震源区或近场区小地震波形在震源深度、震源尺度、震源破裂机制、地震波传播途径、地震波衰减等方面的差异特征信息的特征指标，即小波变换的时频能量衰减因子方法。为了验证该方法的有效性，选取了震源破裂机制有明显差异特性的天然地震、爆破或塌方资料以及非强地震孕震区同一地点发生的多次小震资料。研究结果表明，天然地震与爆破或塌方记录的连续小波变换时频能量衰减因子有明显区别；正常地震活动背景下地震记录的连续小波变换时频能量衰减因子变化比较稳定；利用该方法，通过对某一地区的连续观测，可望为强震预测提供有效判据。     

基于RBF神经网络的地震与爆破识别技术

利用天然地震震源和人工爆破震源之间信号能量分布的差异,结合RBF神经网络技术,对2类事件进行分类,具体步骤如下:使用8个带通滤波器对事件波形进行滤波,并划分为4个波形段:P波、P波尾波、S波和S波尾波,分别计算每个滤波器信道和波形段的能量特征值,以所得32个特征参数作为输入向量,利用RBF神经网络,对地震和爆破事件进行分类识别。结果表明,基于RBF神经网络的地震事件识别方法,识别率为88.1%,具有较高的准确性,可作为地震与爆破事件识别的一个重要依据。     

山西运城振动事件S变换时频分析

基于S变换,对2005年以来山西南部运城及其附近地区的振动事件波形进行时频分析,并与山西南部地区的天然地震、爆破和塌陷地震波谱特征进行对比分析。结果表明：天然地震一般S波携带能量较大,衰减较慢,震相高低频成分呈现均匀分布;一般近台记录的人工爆破P波比S波发育,能量衰减较快,震相急促短暂;塌陷地震波列能量随时间和频率的展布相对集中,一般分布在频率较低区域;振动事件震相简单,被不同台站记录的波形能量优势分布及频率分布范围差异较大,衰减特征不明显。据此,基本可以排除山西南部及附近区域的振动事件为天然地震、爆破和塌陷事件的可能。     

内蒙古敖汉旗震群的微震匹配定位及其发震断层研究

内蒙古敖汉旗地区在2018—2019年间曾发生多次小震丛集活动,不同地震事件的波形记录易相互交叠,导致地震目录缺失。针对以上问题,采用匹配定位（Match & Locate）方法,对台网遗漏地震进行识别、检测与定位,并通过CAP方法反演敖汉旗震群最大地震的震源机制解,利用匹配定位后的小震分布定量地拟合发震断层面参数,从而综合判定敖汉旗震群的发震断层面几何形态和发震构造。结果显示:通过匹配定位方法共识别、定位405个小震事件,是原有地震目录事件的5.4倍,震群主体沿NW?SE向展布于红山—八里罕断裂与赤峰—开源断裂相交区域的东侧,震源深度集中于8—10 km。断层拟合结果和最大地震震源机制解表明敖汉旗震群的发震构造应是一条左旋走滑型隐伏正断层,断层面走向为157°,倾角为84°。综合分析红山—八里罕断裂和赤峰—开源断裂的断层性质和活动特征,认为敖汉旗震群的发震断层可能是这两条深大断裂在不断活动中相互作用而形成。