排序方式： 共有12条查询结果，搜索用时 15 毫秒
1.
微震源定位问题是页岩气勘探、矿山微震研究的重要内容之一。为减小微震定位误差、解决粒子群算法求解微震源反演模型不稳健的情况,采用线性定位法、Geiger法、粒子群优化算法等组成的三步反演法进行微震源定位求解,并研究了粒子群优化算法随机粒子分布类型等对定位结果的影响。第一步,建立线性定位方程组,求解得到初始震源近似解,将其作为Geiger法的初值,计算得到第一步震源近似解结果;第二步,结合第一步定位结果和阈值,设计循环判定准则,执行PSO算法的多次循环,直至达到最大迭代次数后停止,得到第2步的震源近似解;第三步,重复执行第二步若干次得到近似解集合,利用质心法得到最终结果。研究结果表明：三步反演方法相对于单一遗传算法、模拟退火算法或者粒子群算法的定位精度更高,算法更加稳健;群体优化算法的参数对定位效果影响较大,基于F分布的PSO算法更加适合微震源定位,相对于传统正态分布和均匀分布,具有更快的定位求解速度和更精确的定位结果;微震源的三步反演方法在矿山微震源定位精度和算法稳健方面有一定参考价值。 相似文献
2.
天然地震与人工爆破信号具有许多相似的特性,为实现地震类型的准确辨识,提出一种基于粒子群优化广义回归神经网络和HHT样本熵的地震类型辨识新方法．该方法先通过经验模态分解（EMD）将初始信号分解成6个本征模态函数（IMF）及1个残余向量,对前三个IMF进行Hilbert变换得到瞬时频率和瞬时能量,进而提取出样本熵并构造神经网络训练集与测试集;利用粒子群算法和训练集优化广义回归神经网络的光滑因子参数值,建立PSO-GRNN分类模型．将该模型结果与BPNN模型、GRNN模型、PNN模型及RBFNN模型等神经网络模型进行性能对照,得到该模型单次识别的准确率、MAE、MAPE、RMSE R2及MSE分别为95%、0.1604、0.1204、0.2381、0.7123、0.0567,绝大多数性能评价指标优于其他4种神经网络模型．该研究建立的PSO-GRNN模型性能较稳健,在100次循环随机试验中辨识效果仍然较突出,计算得到的上述评价指标均值为97.42、0.04、0.04、0.12、0.89、0.02,其对应的标准差为3.53、0.05、0.04、0.08、0.11、0.02,将PSO-GRNN模型... 相似文献
3.
基于常规计数型TDC设计思想,通过FPGA芯片的内部PLL延迟相位技术和内部资源构建延迟链改进常规计数型TDC,时间间隔测量精度可达200 ps。该方法对激光测距、三维激光扫描仪、绝对重力仪等仪器中精密时间测量系统的研究具有实际意义。 相似文献
4.
利用机器学习原理,提出一种基于多层全连接(multi-layer fully connected, MFC)神经网络的六分量(six-component, 6C)地震波极化向量识别方法。首先利用6C地震波各波型极化向量数学模型和一系列仿真参数得到5种波型和噪声波型各5 000个极化向量数据集,然后随机选取其中5 000个作为测试集,其余划分为训练集,进行MFC神经网络与支持向量机(support vector machine, SVM)的综合辨识性能对比实验。结果表明,MFC神经网络模型识别5种极化向量类型(SH波和Love波视为一类)和6种极化向量类型的效果均显著优于SVM模型,平均识别率分别达到99.786%和87.940%。 相似文献
5.
引入并介绍6种新型群体智能优化算法(灰狼算法、鲸鱼优化算法、蝗虫优化算法、麻雀搜索算法、蚁狮算法、蜻蜓算法)的仿生原理、核心计算公式及优化特性,在经典到时差模型基础上设计一种新型微震震源反演数学模型,利用仿真的矿山微震震源正反演数据对比分析6种方法的性能差异。结合实际矿山人工爆破数据,通过6个统计指标从精度、收敛速度、稳定性等多个角度测试这6种新型群体智能优化算法在微震震源定位中的有效性和可靠程度。 相似文献
6.
微震源反演数学模型、反演算法等对象是微震源定位误差的重要来源。针对P波速度易衰减、首波到时数据拾取误差较大的情况,基于到时差模型(ATD)和P波到时方程组,建立到时差比值法反演数学模型(ATDRM),从目标函数中消除了P波速度和发震时刻等参数;同时,引入范数概念,得到改进的L1、L2、L3、L4范数模型,设计一系列反演模型对比实验和反演算法对比实验综合分析研究这些模型的优越性。工程数据显示：ATDRM模型的定位效果整体比经典ATD模型更好,ATDRM-L1模型震源误差可减少13.437 0 m;反演模型的定位误差受反演算法影响较大,单形替换法相比遗传算法(GA)、非线性最小二乘法(NLSM)、模拟退火算法(SA)等方法定位精度更高,稳定性更好;在应用单形替换法求解模型时,反演误差会随着范数参数N的增加(L1→L4)呈现先下降再上升的现象;ATDRM模型及其范式形式对提高微震源定位精度有一定价值。 相似文献
7.
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。 相似文献
8.
9.
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。 相似文献
10.
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MS7.4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。 相似文献