用决策方法识别地震和爆破

在矩阵决策方法的基础上,建立了识别地震与爆破的矩阵决策算法（MDA）．着眼于快速识别,研究了5个判据. 其中初动方向和振幅比判据的效果较好．用MDA算法对北京附近62个事件进行了识别和检验得到:用5个判据C检验的正确识别率达到97%, U检验也达到93%,识别效果较好;依次从5个判据中任选4个判据作决策识别和检验, 10个结果中有7个的正确识别率在93.3%以上.结果表明,本文建立的MDA算法和所选的特征能有效地识别地震与爆破,可应用于两者的快速识别．      

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.     

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。     

福建地区人工爆破与天然地震的判定

利用福建地震台网的人工爆破与天然地震的数字记录,采用波形对比法,分析发生在同一地区的爆破与地震波形特征.结果发现,爆破与地震在震相、P波初动符号分布、振幅比As/Ap等方面具有不同特征,据此得出爆破识别的有效判据,并对一次疑爆事件进行有效检验,为今后爆破的识别提供依据.     

振幅衰减特性在地震与爆破识别中的应用

基于小震级地震与爆破事件,从快速识别要求出发,分析了P波初动振幅AI和P波最大振幅AP分别与S波最大振幅AS的幅值比判据及其对事件的识别能力．考虑到传播路径对地震与爆破各振幅的影响,选用合理的振幅随距离衰减公式,分别研究了P波、 S波各振幅随震中距的衰减特征,结果显示爆破振幅衰减比地震快; 在100 km处进行衰减校正后重新计算P波与S波幅值比,得到经过衰减校正后的幅值比AI/AS正确识别率从84%提高到98%,AP/AS正确识别率从92%提高到100%,表明经衰减校正后的幅值比判据可以更好地应用于小震级地震与爆破的识别中．      

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。     

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。      

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。     

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.     

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.     

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。      

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...     

江苏地区天然地震与人工爆破识别研究

选取江苏数字地震台网记录的部分天然地震与人工爆破波形数据,通过波形对比分析、震幅比以及频谱等方面的对比发现两者之间不同之处。把这些不同的方法应用到数字地震台网实际工作中,能够快速有效地分辨出天然地震和人工爆破,为今后震相的识别提供可靠依据。     

Estimation of source function and medium response function by autoregressive method

By modelling seismograms as “low” and “high” order autoregressive (AR) processes, the source function and the medium response function are separated from a single channel seismogram. Akaike's final prediction error is used as a statistic to select the appropriate “low” and “high” AR order of the process. Case studies of synthetic data show that the recovered source and reflectivity functions compare very well with the input functions. Using this method, arrivals of the surface reflected P phases of five explosions from the Soviet region and of two earthquakes from Kamchatka, recorded at Gauribidanur Seismic Array (GBA), India, are identified. Certain features of the source and source region of these events are also inferred.     

基于克隆选择原理的核爆地震特征选择方法

为了解决核爆地震自动识别中最优特征子集的选择问题,根据克隆选择原理,提出了一种过滤与封装相结合的特征选择方法.该方法融合了封装式与过滤式特征选择方法的优点,利用局部化的类别可分性判据来处理核爆地震样本的多峰分布问题,通过设定独立的记忆抗体能够保证最终结果是搜索过的最佳特征组合,并且可以处理设定和不设定最优特征子集维数两种情况下的特征选择问题.首先通过UCI数据集中呈多峰分布的玻璃数据验证了该特征选择方法的有效性,进而将其应用到核爆地震特征选择中.核爆地震特征选择实验结果表明,该方法不仅有效地降低了特征空间的维数,而且使分类精度提高了2个百分点,与封装式特征选择方法相比,该方法的计算复杂度大为降低.     

Discrimination Between Nuclear Explosions and Earthquakes: An Application of Wigner Distribution

In this paper,the nonstationary theory of Wigner Distribution is used to discriminate between underground nuclear explosions and natural earthquakes.Five underground explosions in Kazakhstan region and seven regional earthquakes in its adjacent areas have been analyzed.The result shows that the transient spectra of underground nuclear explosions are concentrated in the frequency range of 5-10 Hz,while the transient spectra of natural earthquakes are distributed widely from lower frequency to higher frequency.The transient frequency of nuclear explosions shows linearity in the first stage(0相似文献   

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。