基于卷积神经网络的天然地震与人工爆破识别研究

地震台网记录的人工爆破事件波形特征与天然地震有相似之处,如果不能及时的予以识别和筛选,会混淆依此记录所建立的地震目录,影响日后地震学的研究工作.因此连续地震信号中的天然地震和人工爆破的识别分离有助于破坏性构造地震的监测预警.同时,随着地震仪的大规模部署以及建设行业活动的持续增强,记录的爆破事件增多,增大了识别的难度和工作强度.为了解决人工识别天然地震与爆破存在的问题,本研究基于卷积神经网络,设计了一个具有13层深度的网络模型(CNN-Epq13),选用福建数字地震台网历史地震记录和人工爆破记录,利用TensorFlow深度学习框架,采用TFrecord文件形式作为训练集,训练得出事件类别识别模型.此模型在训练中识别准确率为98.438％,损失为0.0646.用新的数据进行测试,模型能准确识别事件类别,区分天然地震和人工爆破,可以进一步在日常工作中进行应用.     

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。     

基于MFCC样本熵和灰狼算法优化支持向量机的天然地震与人工爆破自动识别

针对天然地震与人工爆破波形特征相似、难以区分的情况,结合灰狼优化算法和支持向量机,提出一种地震事件性质辨识新方法.通过梅尔频率倒谱系数法对2013年四川芦山地震地震事件信号和人工爆破信号进行分析,进过预加重、FFT、梅尔滤波及离散余弦变换等步骤,提取静态系数样本熵、一阶差分系数样本熵和二阶差分系数样本熵等作为样本特征集.使用灰狼算法优化支持向量机径向基核函数 RBF中的惩罚系数和核函数半径形成新的 GWO-SVM 分类器,然后对事件进行辨识.结果表明:GWO-SVM 分类器辨识效果明显优于 SVM、RobustBoost集成学习、LDA、PLDA 等分类器,其在1000次循环识别实验下的准确率均值相对 SVM 提高了9．2个百分点,标准差降低了3．2以上;t检验证明 MFCC样本熵各特征具有可靠的地震事件分类效果;GWO-SVM与 MFCC样本熵可作为天然地震事件与人工爆破事件的辨识方法与分类判据.     

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.     

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．      

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。     

广东地区地震与爆破事件识别方法研究

基于广东省数字遥测地震台网的天然地震动记录与人工爆破记录资料,采用直观快速识别的时域多指标对比分析方法,选取事件发震时间、波形震相特征、P波初动方向、P波和S波振幅比等多个时域判据,对广东省的天然地震和人工爆破事件进行识别和对比分析。结果表明,P波最大振幅与S波最大振幅的比值是识别天然地震和人工爆破较为有效的特征参数,P波初动方向可作为辅助识别依据。研究结果可为省地震台网天然地震和人工爆破事件的识别工作提供参考依据。     

地震事件自动识别技术及其在南岭流动台阵的应用?

地震事件识别是地震层析成像的重要组成部分。然而,在处理宽频带流动台阵天然地震记录中识别地震事件过程中,利用传统的人工识别方法耗时巨大,效率十分低。本文首先运用STA/LTA 对地震事件进行初步判断,并结合支持向量机信号检测算法和多台联合检验法来提高地震事件判别的准确度及抗干扰能力,达到天然地震事件的自动识别。南岭流动台阵数据的应用结果表明该综合识别算法可自动快速准确地判别地震事件,并可用于地震震相的拾取。     

明灯一号及邻近地区地震与爆炸的识别

通过明灯一号大当量爆破资料,挑选其周边地区天然地震和人工爆破事件,研究天然地震和人工爆破事件的波形记录特征,并应用两种模式进行识别。结果表明振幅比判据能反映天然地震与人工爆破的本质区别,可以作为识别两类事件的有效判据。两种模式识别方法的U检验效果较好,表明该研究的特征和方法具有实际应用前景。     

基于支持向量机的地震事件类型自动识别及应用

天然地震与非天然地震自动识别是地震自动编目系统的重要功能之一,是监测数据产出智能化的基础应用.从福建天然地震和人工爆破事件中,提取小波分析特征、P/S震相振幅比、波形能量分布特征,对以上特征组合联合支持向量机进行大批量数据测试分析,研究得出识别效果较好的事件类型判别算法,最优测试识别率为94.5％;采用最优算法研发基于...     

基于BP-Adaboost方法的天然地震和人工爆炸事件波形信号分类识别研究

BP神经网络和支持向量机(SVM)是两种主流的分类识别方法,用于天然地震和人工爆炸事件波形信号分类识别时取得了较好的效果。但BP神经网络存在易陷入局部最优及隐层数和隐层节点数与训练样本数据密切相关而无法有效预先确定;而支持向量机(SVM)方法则缺乏有效手段来选取合适的核函数,从中不能很好地扩展到多分类。针对天然地震和人工爆炸事件波形信号的分类识别问题,文中将上述两种方法和集成学习——BP-Adaboost方法进行了对比实验研究。据对所选用的地震、爆炸事件波形信号数据集的分类识别结果表明,BP-Adaboost方法得到了98%以上的正确识别率,并且具有较好的泛化能力。相较于BP神经网络和PCA-SVM方法,BP-Adaboost方法对于数据集的划分和识别结果具有更好的鲁棒性,应用于天然地震和人工爆炸事件波形信号分类识别时,可取得更好的识别效果。同时,结合Adaboost方法的原理,阐述了BP-Adaboost方法拥有更好分类结果和泛化能力的原因。     

基于改进EWT和LogitBoost集成分类器的地震事件分类识别算法

快速、准确地识别天然地震和人工爆破事件是地震台网监测的重要工作之一,也是提高地震观测记录质量、开展地震研究工作的重要基础.针对反向传播神经网络、支持向量机等主流分类识别方法在地震事件分类识别应用上的不足,提出一种基于改进 EWT 和 LogitBoost集成分类器的地震事件分类识别算法.首先,基于S谱能量曲线对传统经验小波变换进行改进,将信号自适应分解为按频率和能量分布的本征模函数;其次,提取 P波与S波最大振幅比,前4个本征模函数的香农熵、对数能量熵,以及去噪后重构信号主频等特征;最后,采用基于集成学习 LogitBoost的决策树集成分类器进行分类.实验结果表明,所提算法具有较高的鲁棒性,能有效解决样本不足的问题,识别准确率达93．1%以上,比集成学习 AdaBoost、反向传播神经网络和支持向量机等方法提高了1%以上,且分类识别效果好.     

基于广义S变换的地震与爆炸识别

为了进一步增强区域台网针对天然地震与人工爆炸事件的识别能力,本文利用广义S变换方法,围绕河北省三河采石场爆破以及周边发生的天然地震波形记录展开研究,总结了地震与爆炸在时频谱中的差异性。研究表明,受震源机制影响,天然地震时频谱图的频带范围更宽广,能量团分布也较人工爆炸更为复杂。为了消除震中距的影响,本文将求解的时频谱保存为规格相等的灰度图像,通过滑动窗口计算图像的灰度一致性得到新的识别判据?谱图二阶矩。对三河地区已知地震和爆炸事件的测试表明,谱图二阶矩对单台波形记录的识别率可达91%,多台求取平均值之后的识别率超过98%,因此该判据具有良好的应用前景。      

基于深度学习残差网络模型的地震和爆破识别

为加强对地震台网记录的天然地震与人工爆破事件进行准确的性质识别,本文基于深度学习技术中的残差网络模型,提出了一种新的爆破识别方法,并根据北京数字遥测地震台网及国家数字测震台网中心记录的波形数据及其发布的包含事件性质的地震报告,选取河北三河采石场的93次爆破事件和54次周边地震事件的波形功率谱,分别采用不同的训练样本比例进行了100次和1 000次独立的随机抽样子试验以及 “留一交叉验证法” 试验,对人工爆破与天然地震进行了识别研究。试验结果表明,深度学习残差网络模型在天然地震与爆破事件的性质识别中具有很高的识别率且效果稳定,具有较好的应用前景。      

基于短时傅里叶变换和卷积神经网络的地震事件分类

本文选用内蒙古区域地震台网记录到的417个爆破事件和519个天然地震事件的观测资料,对其进行截取和滤波等预处理后,经过短时傅里叶变换转换为时频域的对数振幅谱,使用含有3个卷积层的卷积神经网络作为分类器,实现地震事件自动分类。5折交叉验证结果显示,本文所使用算法的平均准确率达到97.33%,测试集的准确率达到98.03%,本文采用的模型应用了较完整的原始信息,因此获得了较高的准确率和较好的稳定性。      

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.     

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。