论文部分内容阅读
[摘 要]天然地震的发生对于人们的生活具有很大影响，专家和学者对于此类问题的研究和预测已经受到越来越多人的关注；地震观测台在记录天然地震的真实数据的时候，也会自行的将人工爆破的相关数据记录在案，这些数据的混淆无疑会加大人们预测的难度，因此，我们需要将天人地震和人工爆破区别开来。本文首先阐述了识别天然地震和人工爆破的相关理论模型，即希尔伯特一黄变换、经验模态分解以及支持向量机；然后选取了真实的相关数据，分别从选取合适的数据、提取相关的信号、识别相关信号四个方面对这个问题进行了深入研究。
[关键词]天然地震；人工爆破；特征研究
中图分类号：P315.63 文献标识码：A 文章编号：1009-914X（2014）20-0037-01
1.引言
人工爆破所形成的波形与天然地震所形成的波形是极其相似的，他们都能够带来振动，并且都以“波”的形式来进行传播。区分天然地震和人工爆破波形的特征，将所记录到的相关信息进行筛选和剔除，有助于地震学工作的全面开展和有序进行。目前，随着人工爆破情况的不断增多，地震观测台在记录信息时时常将此类信号也纳入天然地震的观测范围内，这无疑降低了地震预测的准确性。所以，为了提高地震观测台的预测效率，切实保证人们实际工作的顺利开展，需要深入的研究天然地震与人工爆破的区别之处，将人工爆破的数据从天然地震的观测数据中剔除出去，提高预测的准确性。
要想真正的区分人工爆破和天然地震，就必须从他们的特点入手，一方面需要了解他们的共同之处，如他们的波形结构都是非线性的、且都不平稳；另一方面也需要对他们的不同之处进行识别，当然，这个过程是十分困难且复杂的。但是，随着地震学研究的不断发展，信息处理技术也有了一定的成效，研究者可以利用相关理论来进行识别和区分，如线性调频变换等。另外，对于人工爆破的频谱、震相等进行研究，也有助于将其与天然地震区分开来。
2.相关理论模型
2.1 希尔伯特一黄变换
N.E.Huang是一位美籍华人，他对于瞬时频率进行了较为深入的研究，在这个基础上，提出了具有很大意义的希尔伯特——黄变换，简称HHT。这种分析方法是一种全新的概念，它对于信号分析具有很大帮助。在经验模态分解，即EMD的基础上，对时间序列资料进行分解，从而通过科学的技术来得出一些本征模态函数（英文是intrinsic mode function，简称IMF）；在得到这个函数模型以后，再运用希尔伯特变换对这个模型进行进一步处理，最终得到所分析的信号的时频能量谱以及希尔伯特谱等等，以此来提高信号分析的精确度和处理效果。
2.2 经验模态分解（EMD）
希尔伯特——黄变换的核心是经验模态分解（EMD），它通过对相关信号进行分解，得到一些本征模态函数IMF，这些信号相对于分解前而言是较为平滑的，也是便于分析的。经验模态分解的原理是以局部的时间尺度为依据的，它可以将非线性的、非平滑的信号进行分解，得到若干个本征模态函数，因此对于将人工爆破从天然地震中区分出来是十分有利的。
同时，经验模态分解还有一个好处，就是它不许要固定的基函数，它所分解出来的本征模态函数的频率是由高到低排列的，整个过程效率很高，而且适应性很强。
2.3 支持向量机（SVM）
1995年，Cortes&Vapnik提出了支持向量机这一原理，它将信号处理和分析的结构风险降到最低，是实用性很强的分析方法。同时，它对于小样本的实验而言是具有很大的优势的，对于非线性的波形研究也具有一定的指导意义。目前，支持向量机技术已经被广泛运用到社会生活、科学研究的各个方面，包括人脸识别、文本识别等等，也包括图像压缩等技术。它是以核函数为基础，提高数据的维度空间，从而对数据进行合理的分类，找到一个最优分类超平面，进而展开决策。
3.识别天然地震和人工爆破的特征分析
3.1 选取合适的数据
我们选取了19个天然地震的实际数据，对其715条相关记录进行分析，这些数据都来自于1.3——2.7级的天然地震，并且处在经度（115，4495 ，116.5135），纬度 （39.5001，40 5014 ）的区域内；我们选取了23个人工爆破的实际数据，对其868条相关记录进行分析，这些数据都来自于0.6——2.0级的人工爆破，并且处在经度（115.1448 ，115.4285） ，纬度（40.1423 ，40.3306）的区域内。
我们对于无效数据进行剔除，选取了2000个具有代表性的样本点进行分析，一共得到了1583个原始数据。
3.2 提取相关的信号
我们在选取了合适的数据之后，运用经验模态分解对原始信号进行分解，一共得到了10个IMF即本征模态函数。在这10个本征模态函数中，前3个模态分量相对更加重要，因为它们所包含的信息占据这10个IMF的一大部分，特别是频率成分信息的比重。因此，我们对这3个模态分量进行深入分析，选取它们的倒谱平均值（C）以及最大幅值对应的周期（T）作为信号特征，由此一来，我们得到了6个可供参考的信号特征。
我们所选取的这些数据，包括23个人工爆破所得到的的数据和19个天然地震所得到的数据，都是来自于相近范围的纬度和经度区域内，并且都是满足震级≤2.7，震源的深度都小于等于18千米。经过分析及查看以后，我们发现这些选取的信息都比较明显，并且都是有效的。我们对通过分析所得的1583行6列的特征信号进行组合，可以得到一个初始样本集。我们将天然地震标为序号1，对其波形数据进行经验模态分解后，可以得到10个本征模态函数。我们将人工爆破标为序号29，对其波形数据进行经验模态分解后，也得到了10个本征模态函数。
3.3 识别相关信号
在对我们分析和处理所得的信号进行识别时，要运用到SVM算法，这个算法是以最大分类间隔思想为基础，在小样本统计理论的指导下展开的，其效率非常高，而且性能很好。 首先，我们将所得到的特征数据进行预处理，按照每一列的方式将人工爆破的特征数据归一化，同时将天然地震也归一化，在这个过程中，我们运用libsvm 2.89—3工具箱，在合理的科学的实验前提下，选择C—SVC，将核函数设置为径向基函数（RBF），损失函数为32。
要确保这些数据具有一般性，就必须对偶然出现的数据进行处理，剔除掉具有显著性差异的相关数据。这个处理过程比较复杂，而SVM技术可以对这些数据进行归一化处理，其所运用的公式是：
我们将这些数据随机的分为10份，其中1份作为校验样本，它的设置目的是为了确定相关的参数，选择出最优的分类器，从而得到合适的模型；1份作为测试样本，8份作为训练样本。在保证随机性的前提下，要对不同的实验组进行分析和对比，进行100次抽样实验的过程，保证识别率的基本范围不变，即其范围为75%——94%，以此来确保实验的精确度，验证对应周期和倒谱的平均值作为识别依据的准确性。在进行实验的过程中，我们选取了四个统计参数，他们的计算公式是：
（1）识别率方差a
根据这些公式进行处理，得到有关的数据，然后根据分类模型器绘制出识别的效果图。
4.结论分析
我们对所选取的人工爆破和天人地震的真实信息进行分析处理，选取合适的变量作为参考依据，将最大振幅对应的周期、倒谱的平均值两个因素作为信号特征，运用支持向量识别方法进行分析，剔除不具有代表性的相关数据，经过100次抽样活动，随机的展开实验，保证实验的准确性和可信度，同时将识别率确定在一定的范围以内，即75%——94%。
由于受到实际情况和实验条件的约束，我们所选取的样本数量还不够多，所找到的能够反映天然地震和人工爆破特征的资料也不够全面，因此我们的实验还不能说是完全无误的。但是，由于我们所采用的实验方法比较新颖，同时进行实验的过程比较仔细，因此对于研究这个问题还是具有较大的参考意义的。
参考资料
[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》，毕明霞，黄汉明，边银菊，李锐，陈银燕，赵静，《地球物理学进展》2011年第4期.
[2] 《天然地震与人工爆破的波形小波特征研究》，黄汉明，边银菊，卢世军，蒋正锋，李锐，《地震学报》，2010年第3期.
[关键词]天然地震；人工爆破；特征研究
中图分类号：P315.63 文献标识码：A 文章编号：1009-914X（2014）20-0037-01
1.引言
人工爆破所形成的波形与天然地震所形成的波形是极其相似的，他们都能够带来振动，并且都以“波”的形式来进行传播。区分天然地震和人工爆破波形的特征，将所记录到的相关信息进行筛选和剔除，有助于地震学工作的全面开展和有序进行。目前，随着人工爆破情况的不断增多，地震观测台在记录信息时时常将此类信号也纳入天然地震的观测范围内，这无疑降低了地震预测的准确性。所以，为了提高地震观测台的预测效率，切实保证人们实际工作的顺利开展，需要深入的研究天然地震与人工爆破的区别之处，将人工爆破的数据从天然地震的观测数据中剔除出去，提高预测的准确性。
要想真正的区分人工爆破和天然地震，就必须从他们的特点入手，一方面需要了解他们的共同之处，如他们的波形结构都是非线性的、且都不平稳；另一方面也需要对他们的不同之处进行识别，当然，这个过程是十分困难且复杂的。但是，随着地震学研究的不断发展，信息处理技术也有了一定的成效，研究者可以利用相关理论来进行识别和区分，如线性调频变换等。另外，对于人工爆破的频谱、震相等进行研究，也有助于将其与天然地震区分开来。
2.相关理论模型
2.1 希尔伯特一黄变换
N.E.Huang是一位美籍华人，他对于瞬时频率进行了较为深入的研究，在这个基础上，提出了具有很大意义的希尔伯特——黄变换，简称HHT。这种分析方法是一种全新的概念，它对于信号分析具有很大帮助。在经验模态分解，即EMD的基础上，对时间序列资料进行分解，从而通过科学的技术来得出一些本征模态函数（英文是intrinsic mode function，简称IMF）；在得到这个函数模型以后，再运用希尔伯特变换对这个模型进行进一步处理，最终得到所分析的信号的时频能量谱以及希尔伯特谱等等，以此来提高信号分析的精确度和处理效果。
2.2 经验模态分解（EMD）
希尔伯特——黄变换的核心是经验模态分解（EMD），它通过对相关信号进行分解，得到一些本征模态函数IMF，这些信号相对于分解前而言是较为平滑的，也是便于分析的。经验模态分解的原理是以局部的时间尺度为依据的，它可以将非线性的、非平滑的信号进行分解，得到若干个本征模态函数，因此对于将人工爆破从天然地震中区分出来是十分有利的。
同时，经验模态分解还有一个好处，就是它不许要固定的基函数，它所分解出来的本征模态函数的频率是由高到低排列的，整个过程效率很高，而且适应性很强。
2.3 支持向量机（SVM）
1995年，Cortes&Vapnik提出了支持向量机这一原理，它将信号处理和分析的结构风险降到最低，是实用性很强的分析方法。同时，它对于小样本的实验而言是具有很大的优势的，对于非线性的波形研究也具有一定的指导意义。目前，支持向量机技术已经被广泛运用到社会生活、科学研究的各个方面，包括人脸识别、文本识别等等，也包括图像压缩等技术。它是以核函数为基础，提高数据的维度空间，从而对数据进行合理的分类，找到一个最优分类超平面，进而展开决策。
3.识别天然地震和人工爆破的特征分析
3.1 选取合适的数据
我们选取了19个天然地震的实际数据，对其715条相关记录进行分析，这些数据都来自于1.3——2.7级的天然地震，并且处在经度（115，4495 ，116.5135），纬度 （39.5001，40 5014 ）的区域内；我们选取了23个人工爆破的实际数据，对其868条相关记录进行分析，这些数据都来自于0.6——2.0级的人工爆破，并且处在经度（115.1448 ，115.4285） ，纬度（40.1423 ，40.3306）的区域内。
我们对于无效数据进行剔除，选取了2000个具有代表性的样本点进行分析，一共得到了1583个原始数据。
3.2 提取相关的信号
我们在选取了合适的数据之后，运用经验模态分解对原始信号进行分解，一共得到了10个IMF即本征模态函数。在这10个本征模态函数中，前3个模态分量相对更加重要，因为它们所包含的信息占据这10个IMF的一大部分，特别是频率成分信息的比重。因此，我们对这3个模态分量进行深入分析，选取它们的倒谱平均值（C）以及最大幅值对应的周期（T）作为信号特征，由此一来，我们得到了6个可供参考的信号特征。
我们所选取的这些数据，包括23个人工爆破所得到的的数据和19个天然地震所得到的数据，都是来自于相近范围的纬度和经度区域内，并且都是满足震级≤2.7，震源的深度都小于等于18千米。经过分析及查看以后，我们发现这些选取的信息都比较明显，并且都是有效的。我们对通过分析所得的1583行6列的特征信号进行组合，可以得到一个初始样本集。我们将天然地震标为序号1，对其波形数据进行经验模态分解后，可以得到10个本征模态函数。我们将人工爆破标为序号29，对其波形数据进行经验模态分解后，也得到了10个本征模态函数。
3.3 识别相关信号
在对我们分析和处理所得的信号进行识别时，要运用到SVM算法，这个算法是以最大分类间隔思想为基础，在小样本统计理论的指导下展开的，其效率非常高，而且性能很好。 首先，我们将所得到的特征数据进行预处理，按照每一列的方式将人工爆破的特征数据归一化，同时将天然地震也归一化，在这个过程中，我们运用libsvm 2.89—3工具箱，在合理的科学的实验前提下，选择C—SVC，将核函数设置为径向基函数（RBF），损失函数为32。
要确保这些数据具有一般性，就必须对偶然出现的数据进行处理，剔除掉具有显著性差异的相关数据。这个处理过程比较复杂，而SVM技术可以对这些数据进行归一化处理，其所运用的公式是：
我们将这些数据随机的分为10份，其中1份作为校验样本，它的设置目的是为了确定相关的参数，选择出最优的分类器，从而得到合适的模型；1份作为测试样本，8份作为训练样本。在保证随机性的前提下，要对不同的实验组进行分析和对比，进行100次抽样实验的过程，保证识别率的基本范围不变，即其范围为75%——94%，以此来确保实验的精确度，验证对应周期和倒谱的平均值作为识别依据的准确性。在进行实验的过程中，我们选取了四个统计参数，他们的计算公式是：
（1）识别率方差a
根据这些公式进行处理，得到有关的数据，然后根据分类模型器绘制出识别的效果图。
4.结论分析
我们对所选取的人工爆破和天人地震的真实信息进行分析处理，选取合适的变量作为参考依据，将最大振幅对应的周期、倒谱的平均值两个因素作为信号特征，运用支持向量识别方法进行分析，剔除不具有代表性的相关数据，经过100次抽样活动，随机的展开实验，保证实验的准确性和可信度，同时将识别率确定在一定的范围以内，即75%——94%。
由于受到实际情况和实验条件的约束，我们所选取的样本数量还不够多，所找到的能够反映天然地震和人工爆破特征的资料也不够全面，因此我们的实验还不能说是完全无误的。但是，由于我们所采用的实验方法比较新颖，同时进行实验的过程比较仔细，因此对于研究这个问题还是具有较大的参考意义的。
参考资料
[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》，毕明霞，黄汉明，边银菊，李锐，陈银燕，赵静，《地球物理学进展》2011年第4期.
[2] 《天然地震与人工爆破的波形小波特征研究》，黄汉明，边银菊，卢世军，蒋正锋，李锐，《地震学报》，2010年第3期.