地震与核爆识别的小波包分量比方法

频谱分析法在核爆与地震识别中具有广泛的应用．但是频谱分析方法是稳态方法,即使采用Gabor变换,也因时-频窗口形状不变而分辨串较低．为提高时-频分辨率,本文将小波变换理论用于乌鲁木齐台记录的地震与核爆事件的分析,并提出了识别核爆和天然地震的小波包分量比判据．通过对加拿大黄刀地震台记录的印度地下核爆的分析,进一步验证了小波包分量比判据对核爆和地震的识别具有较高的识别效率．结果表明：对于地震信号,其小波包分量比U03/U1一般都大于1.0,而对于核爆信号,比值U03／U13一般都小于1.0.     

用小波包识别地震和矿震

在能检测到天然地震和矿震的区域，这两类地震的快速识别无论对于区域台网和矿区台网都具有现实意义。这两类震动都是非稳态信号，用传统的Fourier变换不能提取出信号的特征信息，小波包分析方法却能很好提取出信号的特征信息。本文提供了一种基于非参数识别算法，即把信号变换到频域，然后再用奇异值分解作为统计工具，提取出信号的特征信息，作为识别天然地震和矿震的识别因子。以辽宁抚顺2001年1月1日到2003年6月30的18个矿震和16个天然地震，以及北京门头沟2001年1月1日到2002年12月31日的15个矿震和14个天然地震为样本，提取出识别因子。最后，用其它的天然地震和矿震资料检验了识别因子的识别率。     

基于小波包变换的重叠地震波分离

利用dmey小波包变换提取时频特征,采用阈值熵搜索最优小波包基方法,用Matlab语言编程,实现对重叠地震信号的分离.通过对2009年2月20日柯坪M5.2地震波和其后ML4.7余震的研究,发现用该方法能清楚地找到同源地震重叠的位置,为地震定位提供准确、可靠的震相识别依据,从而提高地震定位的精度.     

基于小波变换与小波包变换的降噪方法比较

在模拟地震记录信号中加入信噪比为17的高斯白噪声,然后分别采用小波降噪和小波包降噪方法,对含噪信号进行降噪处理。在不同降噪阈值下,比较降噪后信号的信噪比。结果表明:在同一降噪阈值下,小波包降噪后信号的信噪比高于小波降噪后信号的信噪比,而且采用wbmpen方法给定的阈值明显可以提高降噪后信号的信噪比。     

应用小波包识别宁夏及邻区的地震和爆破

将小波变换理论应用于宁夏及邻区的地震和爆破的识别,利用小波包变换系数与射线能量的关系,计算了射线所包含的低频成分和高频成分的能量之比.结果表明,当分解尺度j=1时,对于地震信号,ln(Ω10/Ω11)的值一般小于3,对于爆破信号,ln(Ω10/Ω11)的值一般大于3.     

基于小波包变换的地震数据时频分析方法

介绍了瞬时频率的概念和瞬态谱的小波包计算方法,并结合时间域模拟信号给出了其时频分布,结果表明,小波包变换可准确技术地震信号的时变特征,值得推广应用。     

基于小波与分形理论的地震异常检测

为了提高地震异常检测精度,探讨了小波与分形结合的地震异常检测方法.首先采取功率谱密度对地震波的分形性质进行分析,得出其具有且仅在几个高频段具有自仿射分形性质,这为分形的合理应用提供了依据并揭示了现有单一综合分形维方法的不足;继而提出了频率、时间有序的无次采样小波包变换(FOTO-NWPT),该算法为地震波分形分析创造了优良平台.基于前两者,提出了小波与分形优势结合的地震异常检测方法：由FOTO-NWPT将地震波分解在若干尺度上,依据尺度关联维分析构建地震剖面分形参数空间,参数奇异标志了地震异常.工程实验证明,该方法比现有方法的科学性和实用性更强,为实现度量参数化精细地震勘探提供了一条新的思路.     

利用小波包变换对地震信号进行时频分析时小波基函数的选取木

通过比较几种不同的小波基函数的幅频特性,并利用不同的小波基函数对模拟地震记录进行时频分析,以期找到可以更为准确地描述地震信号时频特性的小波基函数.结果表明:利用dmey小波基函数可以更为准确地描述模拟地震信号的时频变化特征,因此,利用小波包变换对地震信号进行时频分析时选取dmey小波基函数较为合适.     

地震与爆破的小波包识别判据研究

利用sym5小波包基函数对小震级天然地震和人工爆破波形进行4层小波包分解并绘制了时频谱图.通过时频谱图可直观得出, 爆破频率成分简单, 时频谱聚集性较好. 为寻求定量的识别指标, 综合P波和S波小波包变换结果, 提出并定义了P/S能量比. 分析识别效果较好的 P/S能量比判据得出爆破的P波主频集中在频段3.125—9.375 Hz处, \t地震频率成分较复杂, S波在高频12.5—23.4375 Hz处也较发育, 在这些频段上, 爆破的P波与S波差异要大于地震的P波与S波差异. 作为小波包判据研究的补充, 文中也提取分析了P波的能量比与S波的能量比. 能量比判据识别结果表明, 人工爆破与天然地震的频率成分存在差异, 通过小波包变换能够提取有效的识别判据.     

基于双树复小波包变换的地震信号分析方法

尝试性地将一种双树复小波包变换方法应用于地震信号分析中 .复小波包变换综合了实小波包变换与连续复小波变换各自的优点 ,不但能提取信号的相位信息 ,而且选取与被分析信号相频特性相匹配的复小波包 ,可以对信号产生更好的“聚焦”作用 .本文描述了一种双树复小波包变换算法 ,并给出了模拟信号及实际地震记录的分析实例 .研究结果表明 ,双树复小波包变换是分析具有非线性相位地震信号的一种较为有效的方法 .     

基于RBF神经网络的地震与爆破识别技术

利用天然地震震源和人工爆破震源之间信号能量分布的差异,结合RBF神经网络技术,对2类事件进行分类,具体步骤如下:使用8个带通滤波器对事件波形进行滤波,并划分为4个波形段:P波、P波尾波、S波和S波尾波,分别计算每个滤波器信道和波形段的能量特征值,以所得32个特征参数作为输入向量,利用RBF神经网络,对地震和爆破事件进行分类识别。结果表明,基于RBF神经网络的地震事件识别方法,识别率为88.1%,具有较高的准确性,可作为地震与爆破事件识别的一个重要依据。     

基于小波分析和神经网络的框架结构损伤诊断方法

本文提出了基于“能量—损伤”原理，综合利用小波包分析和神经网络的框架结构损伤诊断方法。在结构损伤诊断中，时域信号经小波分析后其缺损特征会更加明显，把分布在不同频带的结点能量作为神经网络的训练样本能够很好地反映结构缺损特征。以美国土木工程师学会提出的基准结构为例，阐述了结构损伤的发生、位置和程度诊断过程，取得了令人满意的结果。     

Optimum design of structures against earthquake by wavelet neural network and filter banks

Optimum design of structures for earthquake is achieved by simulated annealing. To reduce the computational work, a fast wavelet transform is used by means of which the number of points in the earthquake record is decreased. The record is decomposed into two parts. One part contains the low frequency of the record, and the other contains the high frequency of the record. The low‐frequency content is the effective part, since most of the energy of the record is contained in this part of the record. Thus, the low‐frequency part of the record is used for dynamic analysis. Then, using a wavelet neural network, the dynamic responses of the structures are approximated. By such approximation, the dynamic analysis of the structure becomes unnecessary in the process of optimization. The wavelet neural networks have been employed as a general approximation tool for the time history dynamic analysis. A number of structures are designed for optimal weight and the results are compared to those corresponding to the exact dynamic analysis. Copyright © 2004 John Wiley & Sons, Ltd.     

基于神经网络的结构震后快速损伤评估

为了利用结构地震响应观测数据在震后对结构进行损伤快速评估,本文提出了基于BP传播神经网络多参数预测震后结构损伤程度的方法。本文设计了9个不同设防烈度和层数的钢筋混凝土框架结构,利用OpenSees有限元软件进行了非线性时程分析,并用损伤指数量化了结构损伤程度。利用有限元模拟结果,创建了神经网络的数据集,训练神经网络建立了结构参数与结构损伤指数之间的映射,对比了不同参数组合预测结构损伤水平的能力,提出了最优参数组合。结果表明：此方法预测结构损伤指数准确度高,耗时短,可为建筑工程震后损伤快速评估提供支撑。     

基于多输入卷积神经网络的天然地震和爆破事件识别

天然地震和爆破事件识别是地震监测预警的重要内容.近年来, 快速发展的深度学习算法以其强大的数据特征挖掘和图像识别能力, 能够较快并准确地约束地震事件属性.利用多输入卷积神经网络算法构建天然地震和爆破事件自动分类网络模型, 其中输入信息包括多台站地震波形和单台站的地震时频数据, 使得卷积神经网络同时获取事件的波形、频谱和极性特征.根据美国犹他州2012年记录到的天然地震和采石场爆破的观测资料, 构建深度学习的训练数据集并进行模型训练, 并据此判断2013—2016年间已知的天然地震和爆破事件.结果表明, 多输入卷积神经网络具有较高的识别精度, 识别率高达97%.

     

基于大数据挖掘的地震前兆台网观测数据跟踪分析

为提高地下水位观测数据中干扰事件的识别效率,利用决策树算法对宝坻等5个台站近5年的水位观测数据进行样本训练和数据验证。结果表明,决策树算法对观测系统干扰和场地环境干扰事件的分类准确率在80%以上。在大量准确的训练样本基础上,决策树算法对于各种水位干扰事件具有良好的识别效果。     

基于卷积神经网络的地震波形智能识别研究

随着世界上多个国家和地区的地震预警系统投入运行,误报和漏报等问题逐渐突显,特别是将标定以及强干扰波形误识别为大震事件,快速、精确地区分地震与其他波形是一个难题。针对于此,该研究提出了基于卷积神经网络地震波形智能识别方法。首先收集并处理了2012—2017年中国境内福建以及周边邻省共683个地震和478个爆破事件,并对这些样本筛选、截取和基线校正等预处理,共得到了27 500条三通道波形。在此基础上,构建了3 s波形输入的卷积神经网络模型(SW-CNN)。结果表明：模型对地震、噪声、爆破和异常波形的识别率分别为97.9、99、99.2和99.3%。相比于人工手动分类识别,该模型更省时和更稳定,为地震预警目前所面临的问题提供了一个新的解决方法。     

基于卷积神经网络的天然地震与人工爆破识别研究

地震台网记录的人工爆破事件波形特征与天然地震有相似之处,如果不能及时的予以识别和筛选,会混淆依此记录所建立的地震目录,影响日后地震学的研究工作.因此连续地震信号中的天然地震和人工爆破的识别分离有助于破坏性构造地震的监测预警.同时,随着地震仪的大规模部署以及建设行业活动的持续增强,记录的爆破事件增多,增大了识别的难度和工作强度.为了解决人工识别天然地震与爆破存在的问题,本研究基于卷积神经网络,设计了一个具有13层深度的网络模型(CNN-Epq13),选用福建数字地震台网历史地震记录和人工爆破记录,利用TensorFlow深度学习框架,采用TFrecord文件形式作为训练集,训练得出事件类别识别模型.此模型在训练中识别准确率为98.438％,损失为0.0646.用新的数据进行测试,模型能准确识别事件类别,区分天然地震和人工爆破,可以进一步在日常工作中进行应用.     

基于小波包和峰度赤池信息量准则的P波震相自动识别方法

基于小波包变换和峰度赤池信息量准则(AIC), 提出了一种新的自动识别P波震相的综合方法, 即小波包-峰度AIC方法． 首先对由加权长短时窗平均比(STA/LTA)法粗略确定的P波到时前后3 s的记录进行小波包三尺度的分解与重构, 分别计算每个尺度重构信号的峰度AIC曲线并将其叠加, 叠加曲线的最小值则为P波震相到时; 然后对原始地震记录进行有限冲激响应自适应滤波以提高信噪比和识别精度; 最后将小波包-峰度AIC方法应用到合成理论地震图及实际地震记录的P波初至自动识别中. 结果表明: 初至清晰度对识别精度的影响比信噪比对其影响更大; 与单独使用加权STA/LTA方法和峰度AIC法相比, 小波包-峰度AIC法具有更强的抗噪能力, 识别精度更高; 当初至清晰时, 小波包-峰度AIC法自动识别与人工识别的P波到时平均绝对差值为(0.077±0.075) s．