共查询到20条相似文献，搜索用时 15 毫秒
1.
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. 相似文献
2.
王军 《地震地磁观测与研究》2018,39(3):181-188
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。 相似文献
3.
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. 相似文献
4.
本文首先从震源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.事件为首都圈及其附近的72个天然地震和101个人工爆破事件,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.每一个事件有107个观测台站,故有107份垂直分量波形,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不等.然后提取被留下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).若以单份波形为识别单元,采用五折交叉验证法进行测试,得到的平均准确率为95.78%.使用训练集中单份波形为识别单元,提取梅尔频率倒谱系数图,采用CNN训练出了天然地震事件与爆破事件波形分类器,一个事件在测试集中的多份波形信号通常不会都被正确识别,很可能有些波形被识别为天然地震事件,另一些波形被识别为爆破事件;这时,若识别单元改为事件,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97.1%.实验结果表明:卷积神经网络在天然地震事件与爆破事件的识别方面表现出色.这说明MFCC与卷积神经网络可以用于识别天然地震和爆破事件,尤其是深度学习更值得在地震信号处理方面做进一步的研究. 相似文献
5.
基于经验模态分解的地震波特征提取的研究 总被引：2，自引：0，他引：2
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. 相似文献
6.
《地震学报》2010,(3)
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. 相似文献
7.
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． 相似文献
8.
BP神经网络和支持向量机(SVM)是两种主流的分类识别方法,用于天然地震和人工爆炸事件波形信号分类识别时取得了较好的效果。但BP神经网络存在易陷入局部最优及隐层数和隐层节点数与训练样本数据密切相关而无法有效预先确定;而支持向量机(SVM)方法则缺乏有效手段来选取合适的核函数,从中不能很好地扩展到多分类。针对天然地震和人工爆炸事件波形信号的分类识别问题,文中将上述两种方法和集成学习——BP-Adaboost方法进行了对比实验研究。据对所选用的地震、爆炸事件波形信号数据集的分类识别结果表明,BP-Adaboost方法得到了98%以上的正确识别率,并且具有较好的泛化能力。相较于BP神经网络和PCA-SVM方法,BP-Adaboost方法对于数据集的划分和识别结果具有更好的鲁棒性,应用于天然地震和人工爆炸事件波形信号分类识别时,可取得更好的识别效果。同时,结合Adaboost方法的原理,阐述了BP-Adaboost方法拥有更好分类结果和泛化能力的原因。 相似文献
9.
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. 相似文献
10.
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. 相似文献
11.
研究了从天然地震和人工爆破事件的波形记录中提取出来的能量比特征在天然地震和人工爆破事件的自动识别中的有效性及适用性。对波形记录进行了4层小波变换,然后对变换得到的小波系数提取能量比特征,最后利用支持向量分类机ν-SVC进行识别效果检验。实验证明,由bior2.2小波包分解后提取出来的能量比特征对天然地震和人工爆破事件的识别效果很好,可用于实际的自动识别系统作为识别判据之一。 相似文献
12.
v-SVC算法在地震与爆破识别及窗长度选取中的应用 总被引：1，自引：0，他引：1
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。 相似文献
13.
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。 相似文献
14.
介绍了人工智能领域最新的基于结构风险最小化原理的数据挖掘算法——支持向量机算法。根据支持向量机线性分类和可以具有不同核函数的非线性分类两种算法,建立了地震序列分类模型。通过试算和分析比较得到了地震序列最佳分类模型,最佳模型的分类结果与实际地震序列分类基本一致。综合分析认为支持向量机算法无论在学习或者预测精度方面都具有很大的优越性,其获得的地震序列分类知识库可以较为准确地实现地震序列类型的分类,因此基于支持向量机理论建立的地震序列分类模型应该是可行的。 相似文献
15.
地震事件识别是地震层析成像的重要组成部分。然而,在处理宽频带流动台阵天然地震记录中识别地震事件过程中,利用传统的人工识别方法耗时巨大,效率十分低。本文首先运用STA/LTA 对地震事件进行初步判断,并结合支持向量机信号检测算法和多台联合检验法来提高地震事件判别的准确度及抗干扰能力,达到天然地震事件的自动识别。南岭流动台阵数据的应用结果表明该综合识别算法可自动快速准确地判别地震事件,并可用于地震震相的拾取。 相似文献
16.
17.
地震台网记录的人工爆破事件波形特征与天然地震有相似之处,如果不能及时的予以识别和筛选,会混淆依此记录所建立的地震目录,影响日后地震学的研究工作.因此连续地震信号中的天然地震和人工爆破的识别分离有助于破坏性构造地震的监测预警.同时,随着地震仪的大规模部署以及建设行业活动的持续增强,记录的爆破事件增多,增大了识别的难度和工作强度.为了解决人工识别天然地震与爆破存在的问题,本研究基于卷积神经网络,设计了一个具有13层深度的网络模型(CNN-Epq13),选用福建数字地震台网历史地震记录和人工爆破记录,利用TensorFlow深度学习框架,采用TFrecord文件形式作为训练集,训练得出事件类别识别模型.此模型在训练中识别准确率为98.438％,损失为0.0646.用新的数据进行测试,模型能准确识别事件类别,区分天然地震和人工爆破,可以进一步在日常工作中进行应用. 相似文献
18.
19.
20.
最小二乘支持向量机（LS-SVM）用于拟合回归处理时的参数设置一直是一个难题，它会受到信号类型和强度、核函数类型、噪声强度、计算精度要求等因素的影响.本文针对Ricker子波核LS-SVM去除地震勘探信号中随机噪声问题，讨论和分析了向量机参数、核参数对去噪性能的影响.实验表明，核参数f可取为地震记录的主频，不能较准确估计时宁大勿小；向量机参数γ只要不取得过小，一般情况下都是能接受的.采用此方法对含不同强度噪声的地震勘探信号进行了去噪处理. 相似文献