论文部分内容阅读
地震事件是地球物理演变过程中的必然事件,地震活动具有潜在的巨大破坏性,在人口稠密地区发生的强烈地震事件会对人民生命财产造成巨大损失。人们已建立起分布广泛的地震观测台网监测地震活动,地震波形信号是监测地震活动的唯一手段。许多在地表附近发生的非天然地震事件如化学爆炸、地下核爆炸、泥石流、滑坡、矿塌、地面塌陷、甚至大型工程建设中的人工活动源等都会以地震波的形式向四周传播能量,随着观测台网布置密集程度的增加和观测仪器灵敏度的提高,这些地震波也会被地震观测仪器检测到。对于天然地震事件,地震三要素:震源、震级、发震时刻,可以从台网观测波形求得;当然,通过地震波反演波形传播路径的特性则是探求地球内部结构的唯一手段。如何从连续观测信号中自动截取出对应于有效事件活动源的地震波形信号、以及根据所截取的地震波形信号的波形特征分类识别出震源类型(本文只关注地震和爆炸分类)则是本研究的主要内容。本文就震源类型识别研究、地震信号P波和S波初至时刻检测及波形自动提取、波群(噪声、P波群和S波群)样本识别3个问题展开论述。提出了一种基于BP-Adaboost方法的震源类型识别算法:选取BP神经网络作为弱分类器,通过Adaboost方法组合成强分类器。通过与BP神经网络、PCA-SVM方法对所选用的地震、爆炸事件波形信号数据集的分类识别结果表明,本方法得到了 98%以上的正确识别率,且具有良好泛化能力。提出一种基于EMD-TKEO算法的P波和S波初至时刻检测及地震波形自动截取算法:首先,事件全过程波形整体滤波,滤波后波形64样本点为窗口长度分窗;接着,每一窗口信号5层EMD分解,得到IMF;然后,EMD分解之后的IMF1分量计算TKEO能量,并归一化;最后,选定合适能量阈值来推断P波和S波初至时刻。实验结果表明,与目前主流方法STA-LTA及AR_AIC方法相比,本方法计算时间较短,且更早能识别出P波初至时刻的到来。通过设定适当的阈值,还可以从连续观测信号中截取出涵盖一个事件全过程的整段有效地震波形,这样就可以去除连续观测信号中的非事件部分的信号,对实验地震数据的截取研究平均压缩比可达57%,这可减小观测地震信号的存贮空间。提出了波群检测的识别判据:平均谱能量值和均方根误差特征,在EMD-TKEO算法的基础上,准确提取出噪声、P波群和S波群样本,通过扩展的多分类SVM方法进行分类识别研究。通过网格搜索法得出(C,σ)的二元组在取值为(1,0.01)时对波群样本的识别率最好,识别率为99%,并且有较高的算法执行效率,同时实验也说明了提出波群特征的有效性,使用较少的特征就能达到理想的识别效果。