有效地震波段自动截取及特征抽取算法研究

发布时间：2020-06-10 06:56

【摘要】：地震活动具有潜在的危害,而地震事件是地球物理演变的结果。目前在全国范围内已经建立起了大量的地震观测台网,对地震信号进行监控。地震监测台网不仅能记录到天然地震事件信号波形,也能监控到人工爆破事件信号波形。本文主要就MFCC图、有效活动源截取、模拟实时震源类型识别等问题展开了研究。研究中所使用的事件数据集为首都圈附近的184个天然地震和门头沟地区的176个人工爆破事件的地震动波形。本文首先从地震信号波形中提取梅尔频率倒谱系数(MFCC)图,然后采用卷积神经网络(CNN)进行地震波形信号的震源类型—天然地震和爆破事件—分类识别。用于提取梅尔频率倒谱系数图的波形信号为各观测台站波形3分量中的垂直分量波形。在各个事件的所有观测台站的垂直分量波形中,通过滑动窗口按同一准则去除被噪声淹没的部分台站波形,只选择留下未被噪声淹没的台站波形,而不同事件被留下未被噪声淹没的波形则有几份至几十份(每份对应于一个台站中的垂直分量)不等。然后提取留下的未被噪声淹没的波形的梅尔频率倒谱系数图,以梅尔频率倒谱系数图作为CNN的输入,CNN的输出则为波形的震源类型(天然地震事件或爆破事件)。若识别单元改为事件,将各事件中一半波形用于训练,剩余一半波形用于测试,一个事件各台站的有效垂直分量波形中,超过一半的波形被识别为某一事件类型,则这个事件被归类为该事件类型,得到的正确识别率为96.3%。提出基于窗口能量熵的有效波形截取算法,这有助于减少地震波形记录的冗余度。本文提出了一种采用窗口能量熵值自动检测P波和S波初至时刻的新算法。首先,对涵盖事件整个过程的地震波形进行归一化;然后进行消噪处理,再对滤波后的波形以秒为单位进行时间轴分窗处理,计算各窗口能量熵;选取合适的阈值,以推断P波和S波的初至时刻,估算尾波波形结束时刻。P波初至时刻之后和尾波波形结束时刻之前期间的波形记录可以认为是事件的有效地震波段;其余是无效波段,应予舍弃,。模拟实时震源波形识别,利用长短时窗口方法定位特征抽取窗口,对短窗口波形归一化后,提取特征向量,使用支持向量机(SVM)进行训练和测试,对不同短窗口长度波形进行对比,最后以1秒作为步长,短窗口长度为5秒,长窗口长度为15秒,以事件为识别单元,达到了良好的识别效果(所有实验中,两类事件的识别率几乎都大于90%,总识别率95%或更高)。
【图文】：

波形,天然地震,波形

为地震科学研究的重要基础平台。用数据备份中心首都圈 2010年到 2016 年的天然地震事件的波形，15 年的非天然地震事件的波形。其中天然地震目录 184 条，记作，非天然地震数据为门头沟目录 176 条，，记作[Explosion-wave-201seed。仅选取有效波形进行研究，去除了明显无效信号，如等值线形后，共得到 13240 份震动波形(垂直分量)，其中源于天然地震事4 份，记作[Earthquake-wave-2010-2016]，源于人工爆破事件的震动作[Explosion-wave-2010-2015]。带有 P 波和 S 波标记的地震事件文件，其中有效波形的台站数为 5568个，记作[P-S-wave-2010-20认为人工爆破是简单的膨胀源，有较强的 P 波群，人工爆破 P 波大于天然地震 P 波和 S 波的最大振幅比[30]，可见，天然地震事件可分的。但在实际的人工爆破波形记录中，由于各种复杂因素的，人工爆破地震波形中 S 波不一定较弱，天然地震波形中 S 波也到实际数据，不难发现，天然地震事件波形和人工爆破事件波形并且繁琐的工作。

波形,爆破波

5图 2-2 爆破波形从图 2-1 和图 2-2 中可知，图 2-1 中是 2010 年 10 月 7 日的天然地震记录，选取了两个同一事件中 GUY 和 SFS 两个台站的波形；图 2-2 是 2012 年 4 月 11 日人工爆破事件记录，选取了两个同一事件中 TAS 和 YAY两个台站的波形。发现仅从 P波和 S波的角度，很难从理论经验中判断该事件类型。可见，天然地震与人工爆破在实际识别中干扰较多。2.2 震源数据波形的消噪处理由于地震台站监测仪器所处位置的周围环境各不相同，这些台站周围环境所引起的背景噪声以及设备本身的噪声都会被检测仪器检测到并且存储起来，对于这些掺杂着噪声
【学位授予单位】：广西师范大学
【学位级别】：硕士
【学位授予年份】：2018
【分类号】：P315.6

【参考文献】