地震波形特征抽取算法研究与实现

论文摘要

地震波形特征包括天然地震和人工地震（即人工爆破）波形数据的特征,抽取地震波形特征主要是根据信号处理方法和地震波形数据的自身特点从时域、频域等抽取能够用于识别天然地震和人工爆破波形的有用特征,其关键问题是信号的特征选择与提取。1998年华裔美国工程院院士N.E Huang等人提出了希尔伯特-黄变换方法,它是一种新的信号处理和分析的方法,不同于以往信号分析方法的全局分析特点,在研究信号的局部特征方面具有独特的优越性,是一种比傅里叶变换及小波变换等更具适应性的时频局部化分析方法。这种方法能够更真实的反应出信号能量在时间和频率各尺度上的分布规律,将希尔伯特-黄变换方法应用于地震资料处理中,能够有效解决使用其他方法时存在的各种困扰问题,使地震资料处理在信号分解、时频分析、瞬时参数求解等各方面得到不同程度的突破。鉴于此,本文实验选用希尔伯特-黄变换方法实现了对地震波形特征的抽取,首先分析了天然地震和人工爆破波形信号在时域和频域上的特点,进行一些必要的预处理,然后对天然地震和人工爆破波形信号进行经验模态分解,提取了最大幅值对应的周期（TAmax）、倒谱平均值（Cave）、自相关函数的最大值（M xc）三个特征,最后按照严格的样本划分方法,利用支持向量机方法对天然地震和人工爆破的波形信号进行识别。在实验中,基于C方法时,识别率较为乐观,对经验模态分解后的前三个内模函数提取的这三个特征的识别率达到99.8%。基于U方法时,采用严格的样本划分方法,经反复多次实验,对经验模态分解后的前三个内模函数提取的这三个特征的平均识别率稳定在97%以上。实验结果表明,基于希尔伯特-黄变换方法提取出的波形特征参数具有较好的识别率,基于该方法提取出的最大幅值对应的周期（TAmax）、倒谱平均值（Cave）、自相关函数的最大值（Mxc）这些特征参数可以作为一种新的特征参数应用于天然地震和人工爆破的波形信号识别。

论文目录

• 摘要
• Abstract
• 目录
• 第1章 绪论
• 1.1 课题来源及意义
• 1.2 地震波形特征抽取算法概述
• 1.3 地震波形特征抽取国内外的研究现状
• 1.4 地震波形特征抽取的主要应用和现实意义
• 1.5 论文的主要工作和组织结构
• 第2章 事件波形数据
• 2.1 事件波形数据的存储
• 2.2 事件波形数据格式
• 2.3 地震事件波形数据的获取
• 2.4 本章小结
• 第3章 地震波形信号去噪与分解——希尔伯特-黄变换
• 3.1 希尔伯特-黄变换方法的基本理论
• 3.1.1 瞬时频率
• 3.1.2 经验模态分解
• 3.1.3 希尔伯特变换和希尔伯特谱
• 3.2 地震波形信号的希尔伯特-黄变换
• 3.3 希尔伯特-黄变换用于地震波形特征提取的优缺点
• 3.4 本章小结
• 第4章 地震波形的特征提取研究
• 4.1 数据的选取和预处理
• 4.1.1 数据的选取
• 4.1.2 数据预处理
• 4.2 地震波形特征
• 4.2.1 地震波形的时域特征
• 4.2.2 BP神经网络模拟地震波形提取时域特征的展望
• 4.2.3 地震波形的频域特征
• 4.2.4 地震波形时域、频域特征提取的比较
• 4.3 特征提取算法流程设计与实现
• 4.3.1 特征提取的算法流程设计
• 4.4 本章小结
• 第5章 地震与爆破分类模型—支持向量机模型
• 5.1 支持向量机原理介绍
• 5.1.1 统计学习理论
• 5.1.2 支持向量机
• 5.2 特征数据集预处理
• 5.3 支持向量机模型参数的选取
• 5.4 试验结果
• 5.5 本章小结
• 第6章 结论与展望
• 6.1 本文工作总结
• 6.2 课题展望
• 参考文献
• 攻读硕士期间发表的论文目录
• 致谢