泥石流声波信号特征与类型识别
发布时间：2021-03-10 05:33
本研究依托国家自然科学基金（41572347）“泥石流次声预警机制及降低误报率的算法研究”项目。通过室内泥石流声波模拟实验及野外现场实测同步观测数据,对多组不同类型泥石流声波信号进行有效波形特征提取、初至识别以及机器学习分类算法研究。本论文主要在以下几方面进行了研究和探索:（1）针对泥石流声波信号非线性、非平稳的特点,通过引入窗函数参数,提出了广义S变换。该变换可根据信号差异灵活地调节高斯窗函数的宽度,有效的改善时频分布的分辨率。最后运用MATLAB编译了一套声波信号处理软件,实现了声波信号快速规范化处理,为后续海量泥石流声波信号的处理奠定了基础。（2）通过集成经验模式分解法（EEMD）对原始声波信号进行了预处理,利用阈值规则提取了信号的优势分量并重构,采用双尺度盒维数分形算法对重构后的信号进行分析,求得典型稀性、过渡性、粘性泥石流的原始次声信号盒维数值有明显差异,即随容重增加,盒维数值呈下降趋势,可以区分泥石流的类型。（3）利用EEMD分解的主分量IMF盒维数值,并将其作为特征值输入最小二乘支持向量机（LS-SVM）分类器进行训练和分类。通过模型训练测试,泥石流类型正确识别率达87%...
【文章来源】：中国科学院大学(中国科学院水利部成都山地灾害与环境研究所)四川省
【文章页数】：118 页
【学位级别】：硕士
【部分图文】：
典型
第1章绪论5图1.2泥石流野外观测系统(Cuietal.,2018)Fig1.2Debrisflowfieldmonitoringsystem1.2.2声波监测技术的研究现状20世纪以来，人们发现在地震(Sabotetal.,1998)、火山(Johnsonetal.,2011)、雪崩(Vilajosanaetal.,2007,Marchettietal.,2015)、海啸(Pichonetal.,2005)、流星(EversandHaak,2003)、滑坡(Surinachetal.,2005,朱星,2014)、崩塌（(Zhuetal.,2017)、泥石流(章书成,1989,Hübletal.,2013,刘敦龙,2015,何德伟,2008)等自然灾害事件中都会辐射不同类型的次声波。不同的灾害现象和事件都会产生不同特征的次声信号量，一切物体的摩擦、振动、碰撞都会产生声波（图1.4）。次声波是一种低于人耳听觉范围（即频率低于20Hz）的声波记录，频率范围0.01～20Hz，在标准温度和压力情况下，在大气中的传播速度和声波一样，均为344m/s。而且在大气中可以中能传播很长的距离，几乎不衰减，这是由于大气对声波的选择性吸收—高频（>20Hz）比低频更容易吸收(Pilgeretal.,2009)。即使遇到高山
泥石流声波信号特征与类型识别8次声阵列对2012年发生在爱达荷州的一次雪崩进行了分析，提出了一种新的技术来获得高时空分辨率的速度估计，该方法在次声阵列距离雪崩路径较近且背方位角变化较大的情况下，能够较好地估计运动源的速度(Havensetal.,2015)。StephanieMayera利用次声探测系统对阿尔卑斯山脉雪崩活动进行探测，然后将系统自动识别的事件与肉眼观察到的雪崩数据集进行比较。在观测到的839次雪崩中，只有3%与自动探测有关，21%的自动探测得到了现场观测的证实。然而，大多数观测到的雪崩都很小，大多数自动探测发生在能见度低的时期。此外，探测概率随雪崩大小而增大，随距离而减小，随雪崩类型而变化。干雪雪崩通常比湿雪雪崩和混合型雪崩更容易被发现。距离阵列3公里以内的大规模雪崩（约300米宽，1000米长）通常都能被很好地探测到，误报率估计为13%。许多研究表明雪崩会产生地震和低频次声。图1.3雪崩振动信号示意图(Kogelnigetal.,2011)Fig1.3Schematicdiagramofavalanchevibrationsignal自20世纪70年代以来，通过探讨雪崩次声信号特征(Biescasetal.,2003,Suriachetal.,2017)和雪崩速度、能量的估算(Vilajosanaetal.,2007)，这对于雪崩的监测和预警系统一直是国际学术界的热点。Marchetti(2015)在分析奥地利Ischgl地区小孔径阵列记录的次声信号基础上，提出了基于阵列波导参数，将雪崩视作次声源，定义了雪崩自动识别的阈值标准。Perez利用安装在野外试验场的传感
本文编号：3074136
【文章来源】：中国科学院大学(中国科学院水利部成都山地灾害与环境研究所)四川省
【文章页数】：118 页
【学位级别】：硕士
【部分图文】：
典型
第1章绪论5图1.2泥石流野外观测系统(Cuietal.,2018)Fig1.2Debrisflowfieldmonitoringsystem1.2.2声波监测技术的研究现状20世纪以来，人们发现在地震(Sabotetal.,1998)、火山(Johnsonetal.,2011)、雪崩(Vilajosanaetal.,2007,Marchettietal.,2015)、海啸(Pichonetal.,2005)、流星(EversandHaak,2003)、滑坡(Surinachetal.,2005,朱星,2014)、崩塌（(Zhuetal.,2017)、泥石流(章书成,1989,Hübletal.,2013,刘敦龙,2015,何德伟,2008)等自然灾害事件中都会辐射不同类型的次声波。不同的灾害现象和事件都会产生不同特征的次声信号量，一切物体的摩擦、振动、碰撞都会产生声波（图1.4）。次声波是一种低于人耳听觉范围（即频率低于20Hz）的声波记录，频率范围0.01～20Hz，在标准温度和压力情况下，在大气中的传播速度和声波一样，均为344m/s。而且在大气中可以中能传播很长的距离，几乎不衰减，这是由于大气对声波的选择性吸收—高频（>20Hz）比低频更容易吸收(Pilgeretal.,2009)。即使遇到高山
泥石流声波信号特征与类型识别8次声阵列对2012年发生在爱达荷州的一次雪崩进行了分析，提出了一种新的技术来获得高时空分辨率的速度估计，该方法在次声阵列距离雪崩路径较近且背方位角变化较大的情况下，能够较好地估计运动源的速度(Havensetal.,2015)。StephanieMayera利用次声探测系统对阿尔卑斯山脉雪崩活动进行探测，然后将系统自动识别的事件与肉眼观察到的雪崩数据集进行比较。在观测到的839次雪崩中，只有3%与自动探测有关，21%的自动探测得到了现场观测的证实。然而，大多数观测到的雪崩都很小，大多数自动探测发生在能见度低的时期。此外，探测概率随雪崩大小而增大，随距离而减小，随雪崩类型而变化。干雪雪崩通常比湿雪雪崩和混合型雪崩更容易被发现。距离阵列3公里以内的大规模雪崩（约300米宽，1000米长）通常都能被很好地探测到，误报率估计为13%。许多研究表明雪崩会产生地震和低频次声。图1.3雪崩振动信号示意图(Kogelnigetal.,2011)Fig1.3Schematicdiagramofavalanchevibrationsignal自20世纪70年代以来，通过探讨雪崩次声信号特征(Biescasetal.,2003,Suriachetal.,2017)和雪崩速度、能量的估算(Vilajosanaetal.,2007)，这对于雪崩的监测和预警系统一直是国际学术界的热点。Marchetti(2015)在分析奥地利Ischgl地区小孔径阵列记录的次声信号基础上，提出了基于阵列波导参数，将雪崩视作次声源，定义了雪崩自动识别的阈值标准。Perez利用安装在野外试验场的传感
本文编号：3074136
本文链接：https://www.wllwen.com/guanlilunwen/gongchengguanli/3074136.html
