位场各阶垂向导数换算的新正则化方法

位场垂向导数大量应用于位场数据处理与解释中.当前广泛采用的位场各阶垂向导数换算方法为基于Laplace方程并结合波数域和空间域方法的具有递推特性的ISVD(integrated second vertical derivative)算法.本文在位场垂向导数换算的正则化方法和径向平均功率谱的基础上,提出一种位场各阶垂向导数换算的新正则化方法.新正则化方法仅需通过分析位场径向平均功率谱来确定一个截止波数,即可稳定换算位场各阶垂向导数.理论模型和实测数据实验结果表明:(1)新正则化方法物理意义明确、计算简单,且各阶垂向导数换算的稳定性和精度明显优于ISVD算法;(2)在用新正则化方法求得各阶垂向导数的基础上,利用泰勒级数法可以获得大深度、高精度的位场向下延拓结果.     

基于递归高通滤波的经验模态分解及其在地震信号分析中的应用

将地震信号分解成包含频谱互不重叠的单主周期的分量有利于地震信号的分析.分析了经验模态分解(EMD)中模态混叠的内在原因和已有的解决方法,梳理了解决模态混叠的思路框架,进而提出了一种新的基于输入递归高通滤波的EMD算法.首先用递归高通滤波器将信号预分解成频率由高到低的多个分量,实现信号的等价带通滤波,再用EMD对各带通分量按频率高低逐级递归筛分,获得完备的经验模态分量.通过合成信号和地震信号的仿真实验表明,该算法较好地克服了模态混叠,获得了频谱互不重叠的单主周期分量,并成功用于震相分离和分析,为地震信号分析提供了一种新思路.     

北京地磁台K指数3小时扰幅修正及 K指数计算机标定

我国基本处于磁纬40°以下地区,K指数的3小时扰幅一般取:3-6-12-24-40-70-120-200-300 nT.这一K指数3小时扰幅是以磁纬20.88°的佘山地磁台观测数据为基础,按照Bartels 提出的一系列准则而确定的.然而,由于不同地磁台地磁纬度的不同,K指数的3小时扰幅也需要进行相应的修正.本文以北京地磁台(磁纬29.63°)为例,通过频次比较的方法,分别以佘山台K指数和Kp为标准,根据1994~1999年共6年的北京地磁台H分量分均值数据,给出了一个比较合理的北京地磁台K指数3小时扰幅:3.9-7.8-15.6-31.2-47.5-70-120-200-300 nT.基于这一3小时扰幅,采用修正的FMI方法标定了1997年北京地磁台的K指数.将标定结果与磁暴基础数据库中北京台、佘山台和Kp指数进行频次比对,并进行同一3小时段标定差异统计.数据分析表明,修正后比修正前K指数的标定更加合理.     

基于最近邻支撑向量特征线融合算法的核爆地震识别

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.     

地磁变化场的MEEMD-样本熵-LSSVM预测模型

针对地磁变化场时间序列的混沌特性,提出了一种改进的集成经验模态分解(modified ensemble empirical mode decomposition,MEEMD)-样本熵-最小二乘支持向量机(least square support vector machine,LSSVM)的地磁变化场预测模型。首先,利用MEEMD-样本熵将非平稳的地磁变化场时间序列分解为一系列复杂度差异明显的地磁变化场子序列;然后,针对每一个子序列分别建立LSSVM模型,选择各自适合的最优模型参数;最后,以地磁台站实测的地磁变化场数据为例进行实验,并与基于单一LSSVM以及RBF径向基神经网络的两种预测模型进行比较。实验结果表明,MEEMD-样本熵-LSSVM模型的预测值能紧跟地磁变化场的变化趋势,相比另外两种模型,体现出更好的预测效果,在地磁Kp指数小于3时,预测3h平均绝对误差为1.63nT。     

一种基于径向基神经网络的地磁场K指数实时标定方

K指数是一种重要的地磁活动指数,标定K指数的难点在于规则日变化S_R的确定,尽管FMI（Finnish Meteorological Institute,芬兰气象学院）方法能够比较准确地识别规则日变化S_R,给出合理的K指数,但是该方法存在一天的延迟,无法实现实时标定.为了解决这一问题,本文提出了一种基于径向基神经网络的K指数实时标定方法：首先用修正后的FMI方法提取H分量的时均值序列,接着以径向基神经网络对该序列进行建模,最后基于神经网络模型实时获取规则日变化,并结合H分量分均值观测数据标定K指数.实验结果表明：该方法能够以3.8598 nT的标准误差实时获取规则日变化S_R;实时标定的K指数与直接用FMI-H方法延迟一天标定的K指数相比,完全吻合的占69.8%,差别大于一个标度的仅占0.77%.     

基于地磁水平分量序列的磁暴自动识别

应用小波包分析技术提取了地磁水平分量序列的能量特征,用Fisher方法进行识别,研究了磁暴与非磁暴的识别率在不同时间长度t下的变化规律.当t=1h时,对磁暴与非磁暴的平均识别率达到83.8%;在确定为磁暴的前提下,进一步将磁暴按强度分为强磁暴(磁情指数K≥8)和非强磁暴(K≤7),平均识别率为72.9%.在对地磁水平分量进行连续实时监测的情况下,用这种方法可实现对磁暴的自动识别.     

基于复杂度理论的地磁变化场时间序列特征分析

复杂度理论为研究地磁变化场提供了新思路和新途径.地磁变化场从物理起源上可以看作是一种复杂系统,因此,本文从军事工程应用需求出发,基于复杂度理论,提出运用样本熵、多尺度熵及滑动窗样本熵方法对不同磁扰程度下的地磁变化场时间序列进行复杂度特征分析,结果表明：（1）样本熵和多尺度熵能够很好地表征地磁扰动强度及演化特征,启发我们可设计一种新的“熵指数”来衡量地磁扰动大小;（2）滑动窗样本熵能够准确定位地磁扰动时间段,对于磁暴识别与预测、空间灾害性天气预警等有一定的参考价值;（3）Mackey-Glass时滞混沌方程随时间的演化呈现出与地磁场日变曲线非常相似的形态,因此,地磁变化场或许可用时滞混沌方程来表示,对于我们更好地认识地磁变化场物理机理、建模预测与地磁寻的等军事工程应用都有一定的意义.     

基于两点磁梯度张量的磁性目标在线定位方法

利用磁梯度张量反演磁性目标参数的方法广泛应用于是磁性目标定位,本文提出了一种通过测量两点磁梯度张量对磁性目标进行在线定位的方法.首先利用磁矩指向相同的原则从张量方程的解中得到目标方向,其次利用参数之间的线性关系解算出目标距离,最后利用两点磁感应强度之差,结合Levenberg-Marquardt优化算法对距离做进一步修正.基于所设计的两点张量测量阵列的仿真实验表明:(1)在相同条件下,本文方法定位成功率为64.24%,而2015年吕俊伟改进的STAR方法为59.85%;(2)仪器测量噪声强度达到某一阈值时,一定区域内定位成功率随噪声强度的增加迅速下降;(3)优化算法迭代次数上限取10次即可;(4)其他条件不变时,随着基线长度的增加,定位成功率先升高后降低.     

基于小波包分解及AR模型的单通道地震波信号初至点检测

地震波信号的初至点检测在核爆地震的自动识别中起着重要作用，本文描述了一种单通道地震波信号初至点检测方法，它是基于小波包分解及对大地噪声信号进行统计分析后建立的大地噪声模型——AR模型而提出的. 文中对该方法进行了理论分析及实际地震波信号检验. 研究结果表明，该方法对地震波信号具有很强的自适应能力，能定量确定初至点的位置.