改进主成分分析方法及其在地震数据处理中的应用.docVIP

改进主成分分析方法及其在地震数据处理中的应用 　　Improved Primary Component Analysis Method and Its Application in Seismic Data Analysis 　　Tian Shuying；Li Yueheng；Xin Xiaolong；He Ruichan；Chen Zhenxun 　　（①Northwest University，Xian 710127，China；②Xian Jiaotong University School of Electronic Information Engineering，Xian 710049，China） 　　 　　摘要： 本文基于地震数据的特征，引入向量成分化概念，提出了一种改进的PCA方法，并给出了相应的算法实现。应用改进后的PCA方法，分析了西安高陵2009年11月5日地震的前兆数据以及之前发生在西安地区的多次地震的前兆数据。分析结果表明：这种改进的PCA方法在处理地震数据时，主成分数据拟合曲线的震前特征更便于数学表示，为地震的分析和预测提供了良好的基础。 　　Abstract: This paper introduces the concept of vecter of proportions based on the characteristics of seismic data and presents an improved method of principal component analysis and a way to carry out it. Then we apply the improved PCA method to the precursor data of Gaoling earthquake which happened in Xian in November 5, 2009, as well as other precursor datas of earthquakes which happened in Xian before. The results show that this improved PCA method makes the pre-earthquake characteristics lie in the principal component data fitting curve more easier to express in mathematic when processing seismic data and that provides a good basis for earthquake analysis and prediction. 　　关键词： 地震数据 成分向量 主成分分析（PCA） 贡献率 　　Key words: Seismic Data；Vector ；Principal Component Analysis（PCA）；contribution rateof Proportions 　　中图分类号：P315 文献标识码：A文章编号：1006-4311（2011）29-0003-02 　　0引言 　　地震数据是地震遥感器从各个观测站点实时采集得到的反映地震相关特征的物理参数值的流数据，它们构成多元时间序列。由于地震遥感器能以很高的频率（按秒采集）及高维数据的无序性，给地震数据的利用构成极大障碍。与地震活动相关的多个指标，如水位、地温、电磁波、电压、气压及水温等，有可能存在一定的相关性[1]，这为利用多个指标的合成指标描述地震特征铺垫了基础。在实际预报中，常常有些参数在地震前出现较明显的异常，而另一些参数并不出现异常，或者异常持续的时段不同。这些也给实际预报带来困难。如何从大量的多指标实时数据中获得信息量大且具有代表性的综合指标，构成了本文研究的重点。由于不同指标的原始数据的拟合曲线呈现不同趋势，逐指标分析及常规PCA方法均不能得到很好的分析效果，本文提出了一种改进的主成分分析方法，并将其应用于2009年11月5日高陵地震等多次地震前兆数据，不仅实现了多项指标的化简，而且具有很好的分析效果。 　　多元时间序列数据的降维技术有很多，PCA方法是其中一种。主成分分析的基本思想是把高维欧式空间的矢量投影到它的子空间里，并且最大量地保持投影之前矢量之间的差异，从而可以利用降维以后的矢量数据代替原始数据进行相似计算。主成分分析作为一种矢量数据的降维技术，已被广泛地应用于数据分析和过程监控等领域[2，3]。本质上讲，主成分分析是一种线性方法，在处理非线性问题时，往往不能取得很好的效果；而地震前兆数据的数据阵并非线性结构[4]。