天然地震论文：天然地震 人工爆破 震源类型 希尔伯特黄变换 谱特征 自动识别.docVIP

【关键词】天然地震 人工爆破 震源类型 希尔伯特黄变换 谱特征 自动识别 【英文关键词】Earthquake Explosion Source Type Hilbert-Huang Transform Spectral Features Autonomous Recognition 天然地震论文：基于地震波形的震源类型自动识别研究 【中文摘要】就全球而言,地震事件每天都在发生,据观测资料统计,里氏震级4、5、6、7级地震每年分别发生一万多、一千多、一百多和十多次,一般6级以上地震就有可能造成灾害。随着人类活动强度的持续增加,观测到的地震事件源于人工爆炸等人为因素的概率也越来越大,而且小当量天然地震有可能是大当量破坏性强震的前兆事件,因此由地震波形辨别事件源于天然地震还是人工爆炸具有十分重要的意义。每天都在积累着大量的观测波形数据---如据2007年资料,单单北京首都圈台网波形数据日增量就有1.7GB,如果由工作人员来判断这每天都在大量累积的地震波形的源类型,需要工作人员具有丰富的经验,且须不间断持续地观测与分析。若要做到不出显著差错,是几乎不可能的任务。而基于地震波形的震源类型自动识别研究可为大量持续累积的地震波形数据进行科学、准确、迅速、及时的震源类型划分,是识别与监测爆炸事件、实现强震预警等任务的重要基石。由于地震信号源信号本身是非平稳、非线性时变信号,而且观测到的地震波形还受到传播路径、检测仪器自身因素的干扰,为了更好地识别地震波形的震源类型,需要对地震波形进行处理。本文首先消除地震信号的趋势项,保证信号是在横坐标附近波动；再通过差值比例法和地震信号的自相关特性来自动选波；然后采用本文提出的改进小波阈值去噪方法对地震信号进行去噪；最后,通过对地震信号进行经验模态分解(Empirical Mode Composition Method, EMD),将分解后的前三个内模函数(Intrinsic Mode Function, IMF)分量分别进行希尔伯特变换(Hilbert Transform, HT),然后分别提取三个特征(即自相关函数均值、倒谱方差、HHT谱幅比特征),再用非线性可分支持向量机(Support Vector Machine, SVM)来识别未知类型的地震信号类型。前述这些算法在MATLAB中实现,形成了基于地震波形的震源类型自动识别过程。实验结果表明：对地震记录仪采集到地震信号,用差值比例法和地震信号的自相关特性能够比较好地选出所需要的地震波形；对于受干扰越少的地震信号而言,它的自相关特性的曲线就越趋向于三角形。实验还证明了跟普通小波阈值方法相比,运用本文改进的小波阈值方法对信噪比小的地震波形去噪,其去噪效果更理想,去噪后的波形的识别率比普通的小波阈值去噪的识别率要高。对于经过希尔伯特黄变换(Hilbert-Huang Transform, HHT)后提取的特征(自相关函数均值、倒谱方差、HHT谱幅比特征),第一个IMF分量经HT变换后提取的特征使用SVM识别效果最好,识别率比其它两个IMF分量经HT变换后提取的特征的识别率大约高出5%。 【英文摘要】In the view of whole Earth, earthquakes happen every day. According to the statistics of earthquake recordings, the numbers of occurrences of earthquakes at Richter scale4,5,6and7magnitudes are respectively more than ten thousands, one thousand, one hundred and ten times annually. It may be hazardous and even incur some disasters while Richter scale is larger than6magnitudes. With the increasing intensity of human activities, the observed seismic events which originate from the explosion are also growing. The small earthquakes may be the precursor of a strong and destructive earthquake. Therefore, it is very meaningful that the event source type can be