首页 | 本学科首页   官方微博 | 高级检索  
文章检索
  按 检索   检索词:      
出版年份:   被引次数:   他引次数: 提示:输入*表示无穷大
  收费全文   11篇
  免费   6篇
地球物理   17篇
  2022年   1篇
  2021年   1篇
  2018年   1篇
  2017年   1篇
  2012年   1篇
  2011年   1篇
  2010年   4篇
  1998年   3篇
  1995年   2篇
  1994年   2篇
排序方式: 共有17条查询结果,搜索用时 15 毫秒
1.
天然地震与人工爆破波形信号HHT特征提取和SVM识别研究   总被引:5,自引:2,他引:3  
天然地震和人工爆破信号属于非线性非平稳信号,而传统信号分析方法是针对线性系统平稳信号的,本文采用希尔伯特—黄变换(Hilbert-Huang Transform,简称HHT)试图提取可明确区分天然地震和人工爆破事件的波形特征.通过经验模态分解(Empirical Mode Decomposition,简称EMD)把原信...  相似文献   
2.
用准周期(PP)方法预测地震序列中早期强余震   总被引:1,自引:0,他引:1  
研究了地震序列的准周期性,提出了预测早期强余震发生时间的准周期方法及其定量预报指标,同时进行了回溯性预报检验,R值评分为0.45。表明该方法具有一定的预报效能。  相似文献   
3.
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   
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.
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   
6.
ThestudyandapplicationofPTRalgorithmonrecognizingvariousstructuresamplesBi-QuanWANG(王碧泉);Han-MingHUANG(黄汉明)andHong-ShunFAN(范洪...  相似文献   
7.
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   
8.
明灯一号及邻近地区地震与爆炸的识别   总被引:2,自引:0,他引:2  
通过明灯一号大当量爆破资料,挑选其周边地区天然地震和人工爆破事件,研究天然地震和人工爆破事件的波形记录特征,并应用两种模式进行识别。结果表明振幅比判据能反映天然地震与人工爆破的本质区别,可以作为识别两类事件的有效判据。两种模式识别方法的U检验效果较好,表明该研究的特征和方法具有实际应用前景。  相似文献   
9.
时间序列地震前兆自动识别的探讨   总被引:2,自引:0,他引:2       下载免费PDF全文
黄汉明  范洪顺 《地震学报》1998,20(5):521-528
提出了一种新的地震前兆的定量表述方法, 即用一个二维矩阵定量地表述时间序列的前兆模式;并在此基础上,提出了一种前兆模式的自动识别或自动获取方法,简称为AA方法.然后以华北地区为例,研究了多种地震学前兆,如频度、能量、b值等,及多种非线性参数前兆,如容量维、信息维、关联维和赫斯特指数及其差值等,共得到8个时间序列,用所提出的前兆模式及AA方法进行了自动识别,并作了C方法检验及非常严格的HF(历史-未来)检验.结果表明,预报效能评价的R值较高.   相似文献   
10.
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   
设为首页 | 免责声明 | 关于勤云 | 加入收藏

Copyright©北京勤云科技发展有限公司  京ICP备09084417号