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1 000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。     

地震观测仪器网络化探讨

概述了我国地震前兆仪器的发展状况,分析了目前地震前兆仪器的现状及其网络化改造的必要性。介绍了DALLAS公司生产的以新型网络微控制器DS80C400 CPU为核心的TINI网络接口板的性能,提出了一种通过TINI网络接口板快速实现地震前兆仪器网络化的方案和实现该方案所必需的软件和硬件。     

新型PTH-Ⅵ型气象参数测量仪的研制

介绍一种新型气象参数测量仪的主要技术指标和功能特点.该仪器使用了高准确度的HD9008TR温湿度传感器、MS5534C气压传感器,采用先进的电子线路设计,具有准确度高、稳定性好、可扩展性强、性能价格比高等特点,满足常规气象监测.     

YRY�����Ӧ�������ݲɼ��ĸ߾���ʵ��

??????????????????YRY????????????????????????6λ???????????????24λ??-????ADC ADS1201?????????????????·??????????????Χ??????????????????????????????????????????????????????????????????????????????Ч????     

精密可控常时震源系统(ACROSS)的初步实验

地震是重大自然灾害之一 ,长期以来 ,人们不断地发展各种地震观测手段 ,探索地震预报之路。精密可控常时震源系统ＡＣＲＯＳＳ(ＡｃｃｕｒａｔｅｌｙＣｏｎｔｒｏｌｌｅｄＲｏｕｔｉｎｅｌｙＯｐｅｒａｔｅｄＳｉｇｎａｌＳｙｓ ｔｅｍ)是国际上 2 0世纪 90年代以来发展起来的一种新型可控震源技术。目的是通过产生精密可控的地震波和采用先进的观测与处理技术监测地震发生区域地层物理状态的微小变化。ＡＣＲＯＳＳ震源与通常的爆破震源相比 ,有如下主要特点 :( 1 )ＡＣＲＯＳＳ震源产生的是单一弹性波 ,从能量的角度讲 ,机械波的能量效率…     

基于机器学习的强震动监测环境抗干扰方法对比研究

引入机器学习中的决策树、随机森林、AdaBoost集成学习等方法,分别按照训练比例为10%～90%、变化率为10%的试验方式,从识别准确度、算法执行时间、异常数等角度出发,对比分析强震动数据抗干扰算法在不同样本训练量、不同验证数据量下的识别效果、执行效率及算法稳健性。实验结果表明,AdaBoost集成学习的识别效果与稳定性最好,但是算法效率较差,决策树的算法稳定性较差,但是效率较高。综合算法性能来看,随机森林的应用前景较大,具有一定实用价值。     

基于最小二乘支持向量机与熵特征的地震事件性质辨识研究

为解决天然地震事件性质辨识依赖人工检测、自动化程度不高且误差较大的问题,利用机器学习中的最小二乘支持向量机（LSSVM）和信息论中的排列熵、近似熵及香农熵等特征参数,建立Entropy-LSSVM地震波形特征提取与事件性质辨识模型。基于2021年青海玛多M_S7.4地震、云南漾濞地震事件及人工爆破干扰事件等共计500条波形数据,设计多个不同训练比例与测试比例的随机抽取子实验,采用准确率、召回率、特效度、精确度、F-measure验证该模型的有效性。实验结果表明,熵特征对天然地震和非天然地震事件波形的区分效果明显,且结合熵特征的LS-SVM模型整体性能优于QDA、LDA、朴素贝叶斯、决策树、LogitBoost及RobustBoost等方法,训练集与测试集比例为3∶2的辨识准确率和召回率分别达到99.00%和96.97%,即使训练集只有50条的辨识准确率也可达98%以上,这对天然地震事件的有效甄别有一定参考价值。     

地震与爆破波形信号的EEMD多尺度分布熵提取和WOA-SOM神经网络识别研究

针对地震信号中存在大量环境噪声的问题,基于天然地震事件和人工爆破事件建立初始数据集,利用集合经验模态分解（EEMD）技术对波形信号进行分解、降噪,提取出较纯净的各阶本征模态函数（IMF）分量,然后对前10阶分量分别计算分布熵,即EEMD多尺度分布熵,建立神经网络输入矩阵。应用鲸鱼优化算法（WOA）对自组织特征映射（SOM）神经网络参数（竞争层维数、网络训练次数）进行优化,针对不同训练样本寻找对应的最优参数值以改善模式识别的稳定性,从而提高地震识别率。结果表明,EEMD多尺度分布熵结合WOA-SOM模型可有效识别天然地震和人工地震。     

΢��̨����ľ��ܶ�λ�·���

????????GPS??λ????????????????????????λ?·???????????λ?????λ?????????????????????÷??????λ??????????????????????????????????????????м?????????     

΢�����ݲɼ��߾���ʱ��ͬ��������������

??????????????????????и????????????????н?????????GPS??????????????????????????????????????????????????????????????????????????????????0.1ms????????????????????????