基于LMDSVD矿山微震与爆破信号特征提取分析.docVIP

基于LMDSVD矿山微震与爆破信号特征提取分析 　　摘 要：针对矿山微震与爆破信号难以识别的问题，提出一种基于局部均值分解（LMD）和奇异值分解（SVD）的微震信号特征提取方法。首先对矿山微震信号和爆破信号进行LMD分解，将多分量的调频信号分解成一系列?l率由高到低的乘积函数（PF）分量；其次，借助相关系数和方差贡献率筛选出包含信号主要信息的PF分量；最后利用SVD计算所选的PF分量构成矩阵奇异值，以此作为区分矿山微震与爆破信号的特征向量。实验结果表明，LMD和SVD相结合的特征提取方法能准确、有效地提取矿山微震和爆破信号特征，为信号识别研究提供了一种新方法。 　　关键词：局部均值分解；奇异值分解；微震信号；方差贡献率；特征向量 　　DOI：10.11907/rjdk.172237 　　中图分类号：TP301 文献标识码：A 文章编号：1672-7800（2017）009-0028-04 　　Abstract：A method of microseismic signal feature extraction based on local mean decomposition （LMD） and singular value decomposition （SVD） is proposed for the identification of microseismic and blasting signals in mines. Firstly，the mine microseismic signal and blasting signal are decomposed by LMD， and the FM multi-component signal is decomposed into a series of frequency from high to low product function （PF） components； secondly， the PF component contains the main information signal are selected by correlations and variance contribution ratios . finally the singular values of selected PF component matrix are calculated by SVD， which are used as a characteristic vector to distinguish the microseismic and blasting signals of the mine.The experimental results show that the feature extraction method combined with LMD and SVD can accurately and effectively mine the characteristics of microseismic and explosion signals， and provides a new method for signal recognition research. 　　Key Words：local mean decomposition； singular value decomposition； microseismic signal； variance contribution rate； feature vector 　　0 引言 　　矿山微震信号容易受到外界干扰，在干扰因素中，人工爆破震动源较难识别。国内外研究者在矿山微震与爆破信号的识别方面作了大量探索，主要包括多参数分析法和频谱分析法。 　　微震信号由于具有非平稳、非线性特征，利用传统信号分析方法处理较为困难。关于微震信号的特征提取，姜福兴等[1]提出基于“初步判断”、“联合判断”和“优化判断”的微震单事件多通道特征提取与联合识别方法；董陇军等[2]选取微震“能量对数”、“信号主频”等作为Fisher分类的特征值。这些多参数分析法提取的特征参数比较复杂且实现较为困难；赵毅鑫等[3]采用傅里叶变换对微震频谱特征进行分析，但是傅里叶变换只能对微震信号作初步识别；朱权洁等[4]借鉴地震学理论，采用小波包分析技术，对爆破震动与岩石破裂波形在多频带内的能量分布差异进行了对比研究。小波与小波包都是将微震信号划分到特定频带，对信号的自适应分解性较差；吴响等[5]采用经验模态分解（EMD）将原信号分解，利用Volterra级数对分解后的本征模态分量（IMF）建立非线性预测模型，提取模型参数作为