基于HMM和GMM天然地震与人工爆破识别算法研究

论文摘要

地震可看作是由地震波从震源向外传播过程中造成相关介质震动过程的集合。观测到的地震包括天然地震和人工爆破。人工爆破是由人的活动引起的地震,包括工业爆破地震、矿震和核爆等。目前人工爆破发生的频率越来越高,如果不作适当处理,易误将人工爆破归为天然地震。由地震波形来判断所发生的事件是否为人工爆破,对核爆侦查也具有重要意义。地震信号是非平稳非线性时变信号,本文利用短时平稳时变信号（如语音信号）处理中的较成熟的特征抽取算法和识别模型,试图应用于天然地震与人工爆破的识别中。本文从地震与爆破波形中提取了3种特征：美尔倒谱系数（Mel-Frequency Cepstrum Coefficients,简称MFCC）特征、线性预测倒谱系数（Linear Prediction Cepstrum Coefficients,简称LPCC）特征和基于希尔伯特-黄变换（Hilbert Huang Transform,简称HHT）的特征。文中详细介绍了MFCC、LPCC的基本理论和提取过程,并且阐述了HHT变换的基本理论以及它在地震信号中的应用和基于HHT特征参数的提取过程。本文对天然地震与人工爆破识别的方法采用隐马尔可夫模型（Hidden Markov Model,简称HMM）和高斯混合模型（Gaussian Mixture Model,简称GMM）。HMM是一种基于Markov链的统计模型,由HMM训练和HMM识别两部分组成。HMM有3个基本算法：前向-后向算法、Viterbi算法和Baum-Welch算法。而GMM是一种状态数为1的连续HMM。本文在Matlab中研究了MFCC特征和LPCC特征的维数对HMM模型识别效果的影响,以及信号样本点有效长度对HMM模型识别效果的影响；研究了GMM的模型阶数对GMM模型识别效果的影响,也研究了MFCC特征和LPCC特征的维数对GMM模型识别效果的影响,以及信号样本点有效长度对GMM模型识别效果的影响。结果表明,采用HMM作为识别模型时,这3种波形特征中,MFCC和LPCC比HHT特征识别效果好；而采用GMM识别模型时,同样也是MFCC和LPCC比HHT特征识别效果好。在比较HMM和GMM两种识别模型时,GMM识别性能高于HMM的识别性能,并且GMM的训练时间比HMM的训练时间少60%以上。

论文目录

• 摘要
• Abstract
• 第1章 绪论
• 1.1 研究背景与意义
• 1.2 天然地震与人工爆破波形的差异
• 1.3 当前研究现状
• 1.4 本文的主要工作
• 第2章 HHT变换的理论知识与在地震中的应用
• 2.1 HHT变换的基本原理与方法
• 2.1.1 经验模态分解（EMD）
• 2.1.2 希尔伯特变换（HT）
• 2.2 HHT在地震信号时频领域的分析应用
• 2.3 小结
• 第3章 P波初至判断与地震信号特征提取
• 3.1 P波初至判断
• 3.1.1 STA/LTA方法的原理和计算方法
• 3.1.2 计算基于EMD的P波初至点的步骤其结果
• 3.2 分帧
• 3.3 特征提取
• 3.3.1 MFCC系数参数特征提取
• 3.3.2 LPCC系数参数特征提取
• 3.3.3 基于HHT变换特征参数提取
• 3.4 小结
• 第4章 HMM和GMM的基本理论
• 4.1 隐马尔可夫模型（HMM）
• 4.1.1 HMM基本概念
• 4.1.2 HMM识别算法
• 4.2 高斯混合模型（GMM）
• 4.2.1 GMM基本概念
• 4.2.2 GMM参数估计
• 4.2.3 GMM识别算法
• 4.3 小结
• 第5章 基于HMM和GMM实验和分析
• 5.1 软硬件平台
• 5.2 数据集的选取
• 5.3 HMM模型的建立和实验
• 5.3.1 初始化HMM参数
• 5.3.2 HMM训练
• 5.3.3 HMM识别
• 5.3.4 基于HMM的实验及其分析
• 5.4 基于GMM的实验
• 5.5 实验结果与分析
• 5.6 小结
• 第6章 结论与展望
• 参考文献
• 攻读硕士期间的科研成果和获奖情况
• 致谢