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。     

v-SVC算法在地震与爆破识别及窗长度选取中的应用

对天然地震与人工爆破的波形记录,本文用v—SVC支持向量分类机对由波形记录获取的香农熵特征进行了分类识别,效果较好;并对波形记录选取不同的信号窗长度,用v—SVC支持向量分类机分别进行了识别检验。结果表明:窗长度对识别效果有影响,以窗长度为2000点的识别效果最好,识别率达98%。这也表明,在地震与爆破的识别中,合理地选取波形记录的信号窗长度也是重要的。     

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.     

基于经验模态分解的地震波特征提取的研究

本文原始数据为35个天然地震和27个人工爆破事件的离震中最近的5个台站的垂直分量波形数据.从原始波形数据分别提取最大振幅对应的周期、倒谱的方差、自相关函数的最大值3个特征.依据希尔伯特黄变换原理,用经验模态分解方法把原始波形信号分解为10个左右的本征模态函数分量后,再从每个分量中分别提取这3个特征.接着对所获取的特征样本集合采用随机划分法分为学习样本集与检验样本集,然后再通过支持向量机进行分类识别,如此反复进行多次样本划分和分类识别.结果表明经验模态分解后的分量信号提取的这3个特征具有更高的识别率,说明了经验模态分解有利于识别天然地震和人工爆破事件,值得进一步深入研究.     

基于STFT和CNN的地震信号分类识别研究

地震信号分类——即信号震源类型的分类,尤其是天然地震和人工爆破的分类对于地震目录的清洗和强震实时预警等具有重要意义.本文首先对原始波形信号进行必要的预处理,然后对预处理后的信号进行分帧加窗,对窗内信号采用短时傅里叶变换,将原始波形信号从时域转换成时频域信号,生成时频谱图,每条波形生成一个时频图像;经过反复多次试验比较,将原尺寸时频谱图统一缩放为32×32像素大小的灰度图像,该灰度图像作为卷积神经网络(CNN)的输入,此时的分类效果和计算效率最优.采用以上方法对2010年至2016年发生在河北三河和北京通州等地区,震级为1.5 ～2.8级之间的54个天然地震事件的1674条波形和63个人工爆破事件的1509条波形,采用五折交叉验证法进行分类,得到的平均准确率为97.39％,与传统的支持向量机(SVM)方法和多层感知器(MLP)方法对比,分类准确率有大幅提升,与使用梅尔倒谱系数(MFCC)构建的CNN分类器方法对比,本文方法信噪比更低,分类准确率提高约1.5％.实验结果表明,采用短时傅里叶变换提取地震信号时频域特征,生成时频谱图,使用卷积神经网络对地震信号进行分类具有良好的分类效果.     

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。     

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支持向量机事件类型自动识别模块,将研制的自动识别软件模块应用于福建台网的日常地震编目工作,对2019年8月1日至2020年2月29日共计1531个日常触发事件进行准实时分类,自动识别软件模块分类的正确率为93.9％.另外,采用AMQ消息中间件为信息中介,从redis波形共享内存中获取事件波形,实现自动识别模块与自动编目系统对接.     

测井岩性识别新方法研究

为了更好地解决测井岩性识别问题,引入了一种基于粒子群优化的支持向量机算法.通过实际测井资料和岩性剖面资料进行学习训练支持向量机,并利用粒子群优化算法对支持向量机参数进行优化,建立了测井岩性识别的支持向量机模型,应用该方法对准噶尔盆地某井的测井岩性进行识别,并将该方法的识别结果与BP神经网络方法的识别结果进行了比较,结果表明该方法优于BP神经网络方法,具有识别正确率高、收敛速度快、推广能力强等优点.     

基于最近邻支撑向量特征线融合算法的核爆地震识别

为增强核爆地震模式分类器的泛化能力以提高对核爆炸事件的准确识别能力,论文提出了一种选择支撑向量样本集来表征训练样本集的最近邻支撑向量特征线分类算法,用以训练时扩展核爆地震的训练样本库,提高分类器的泛化能力.该算法用于核爆炸和地震的识别结果发现,和最近邻特征线分类器相比,提出的算法降低了计算复杂度,但识别能力却有些许降低.对新算法的分析发现,纯粹的支撑向量集不能完全代表原始样本空间集,支撑向量比例在其中有重要作用,为发挥支撑向量比例的作用以提高核爆分类器的识别能力,提出了最近邻支撑向量特征线融合算法.最后以核爆地震数据库对上述算法进行了检验和分析,理论分析和识别结果证实,在相同的训练样本选择条件下,最近邻支撑向量特征线融合算法对于核爆炸的识别来说具有较好的泛化能力,正确识别率达到90.3%,且优于支持向量机算法和最近邻特征线算法.     

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。     

A Study of the Adaptive Method for Decoupling Overlapping Seismic Records

Signal extraction from overlapping seismic records is a common problem in geophysical data analysis. Identification and separation of multiple seismic arrivals, analysis of large earthquakes as multiple point sources, and calculation of the true yield of a large nuclear explosion from interfering small explosion, all hinge on our ability to effectively decouple two interfering wave signals. This paper presents a method for signal separation based on an adaptive filtering technique. We apply a semi-deconvolution algorithm to overlapping explosion records and S/SKS phase groups, and then perform noise reduction and signal decoupling under different a priori conditions and assess the stabilities using a variance reduction approach. We demonstrate, through numerical experiments and analysis of seismic station records, that the adaptive method can be both robust and practical for regional and teleseismic applications.     

Adaptive neuro-fuzzy inference systems for semi-automatic discrimination between seismic events: a study in Tehran region

Thisarticle presents an adaptive neuro-fuzzy inference system (ANFIS) for classification of low magnitude seismic events reported in Iran by the network of Tehran Disaster Mitigation and Management Organization (TDMMO). ANFIS classifiers were used to detect seismic events using six inputs that defined the seismic events. Neuro-fuzzy coding was applied using the six extracted features as ANFIS inputs. Two types of events were defined: weak earthquakes and mining blasts. The data comprised 748 events (6289 signals) ranging from magnitude 1.1 to 4.6 recorded at 13 seismic stations between 2004 and 2009. We surveyed that there are almost 223 earthquakes with M ≤ 2.2 included in this database. Data sets from the south, east, and southeast of the city of Tehran were used to evaluate the best short period seismic discriminants, and features as inputs such as origin time of event, distance (source to station), latitude of epicenter, longitude of epicenter, magnitude, and spectral analysis (fc of the Pg wave) were used, increasing the rate of correct classification and decreasing the confusion rate between weak earthquakes and quarry blasts. The performance of the ANFIS model was evaluated for training and classification accuracy. The results confirmed that the proposed ANFIS model has good potential for determining seismic events.     

Correlations of blast damage to ground surface targets with explosion seismic effect

For an explosion resource, to evaluate its damage power to ground surface targets is an important problem. Two direct methods, measuring of air shock wave pressures generated by explosion and experimental observation of simulation target damage, are usually used to appraise this blast damage power. However, the measuring system of air shock wave pressures is not only very complex, but there are some problems to gauge the pressure sensors and the measured pressures often exhibit a strong scatter of data. In a simulation way, the used targets, easily damaged by explosion action, are not used once again so that there is the waste of materials. A measuring system of explosion seismic waves, with the characteristics being stable in operation and convenient to arrange the sensors of seismic waves, cannot be easily damaged in the process of experiment. If the explosion seismic strength is able to reflect the damage effects of explosion resources to ground surface targets, it is possible to suggest a new evaluation method based on the seismic effect, which, to large extent, will overcome the drawbacks of those two methods mentioned above. In this work, the potential of this new method is investigated experimentally. The experimental results show that under the identical ground-layer state and within a definite distance range, it is available to employ the explosion seismic effect to evaluate the damage power of explosion resources to ground surface targets.     

天然地震和人工爆破波形特征对比分析

从反射波、面波、瑞利波等不同的角度,从波形上分析了人工爆破和天然地震的区别,从而在地震定位的过程中能够快速有效地识别出人工地震和天然地震,并把此方法应用在北京台网的实际工作中.     

不同地区人工爆炸与天然地震记录特征及识别研究

本文分析了河北怀来多次爆炸、河北三河采石场多次爆炸和低震级天然地震事件的记录特征和时频差异。结果显示:河北怀来爆炸的P波能量强、衰减快、S波发育弱;河北三河采石场爆炸的P波、S波主频均低于怀来爆炸,S波与面波混淆,不同震中距的台站记录低频发育明显;而天然地震的有效频带更宽,频率成分更为复杂。将Pg/Sg谱比判据应用于小震级地震与爆炸的识别中,探索交叉频带谱比对不同地区爆炸的识别。结果表明:高频（＞5 Hz）Pg/Sg谱比判据可将研究数据中的爆炸与小震级地震完全区分;与Sg低频（0—2 Hz）有关的交叉频带谱比可对两个不同地区的爆炸进行识别,交叉频带的谱比判据较传统的单一频带谱比判据能够更好地反映出不同类型事件的特征差异。      

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。      

首都圈地区爆破、矿塌和天然地震的识别研究

选取首都圈地区2008年8月——2009年9月ML在2.0——2.2范围内的爆破、矿塌和天然地震数据资料,从时间域和频率域进行分析对比,总结出识别爆破、矿塌和天然地震的依据．在时域方面,爆破的初动方向向上,矿塌向下,天然地震的初动方向依赖于台站的分布情况;爆破和矿塌的面波比较发育;天然地震的S波与P波最大振幅比(AS/AP)大于爆破和矿塌,同时,爆破和矿塌的能量衰减比天然地震快．在频域方面,高频成分的能量衰减快于低频;天然地震的拐角频率较高,爆破次之,矿塌的最小;在震中距200 km范围内,爆破的顶峰频率主要分布在5——7 Hz,矿塌分布在2——4 Hz,天然地震的顶峰频率较大,在10——18 Hz范围内.另外,天然地震的频率域较宽,其次为爆破、矿塌．