基于经验模态分解潮汐观测长趋势分析.docVIP

基于经验模态分解潮汐观测长趋势分析 　　摘要：运用经验模态分解方法，提取定点倾斜和应变固体潮观测数据的长趋势变化。通过对在震中周边600 km范围内的地震台站的倾斜潮汐长趋势变化进行倾斜矢量分析，发现在2010年4月14日青海玉树MS7.1地震前，距震中31 km的玉树台倾斜矢量曲线出现“打结”现象。同时，对该区域内的应变潮汐长趋势变化进行面应变分析，发现处于玉树―甘孜断裂带两端的格尔木台和甘孜台的面应变在玉树地震发生前半年出现了异常转折，这种变化可能反应了该断裂带在地震前的面应变的变化。经验模态分解方法可用于认识某个区域内的倾斜、应变状态。 　　 　　关键词：经验模态分解；长趋势；倾斜矢量；面应变 　　 　　中图分类号：P315.72+5文献标识码：A文章编号：1000-0666（2011）04-0453-04 　　 　　 　　0引言 　　 　　经验模态分解方法（Empirical Mode Decomposition，简称EMD）是由美国国家航空航天局的黄锷博士提出的一种信号分析方法。它依据数据自身的时间尺度特征来进行信号分解，无须预先设定任何基函数。通过EMD分解得到的各个固有模态函数（Instrinsic Mode Function，简称IMF）大多能反映真实的物理过程，大量的实验表明，EMD法是目前提取信号趋势或均值的最好方法（Huang et al，1998）。 　　 　　1EMD算法 　　 　　EMD分解算法也称为筛选过程，筛选过程主要有两个作用：一是去除叠加波，二是使波形更加对称，其算法本身也是对原始观测信号提取IMF的过程。IMF定义为满足下列两个条件的函数：① 在整个信号中，极值点的数量与过零点的数量相等或至多相差1；② 信号上任意一点，由局部极大值点确定的包络线和由局部极小值点确定的包络线的均值均为0（张义平等，2008）。 　　 　　EMD算法的具体步骤如下：首先确定原始信号x(t)的所有极值点，再用三次样条函数将所有的极大值点和极小值点分别进行插值，拟合出原始信号x(t)的上包络线xmax(t)和下包络线xmin(t)，然后从原始数据中去除包络线的均值m1(t)： 　　m1(t)=xmax(t)+xmin(t)2.（1） 　　从而得到 　　h1(t)=x(t)-m1(t).（2） 　　重复上述过程R次，得到第k次筛选的数据h1k(t)： 　　h1k(t)=h1(k-1)(t)-m1(k-1)(t).（3） 　　筛选过程终止的标准是通过两个连续处理结果之间的标准差SD的值作为判据的，即 　　SD=∑rt=0h1(k-1)(t)-h1k(t)2h21(k-1)(t).（4） 　　在判断筛选过程是否停止时，SD取值一定要谨慎。要避免过于严格的标准，以免导致IMF分量变成纯粹的频率调制信号，造成幅值恒定，同时，也应注意选取过于宽松的标准，导致SD与IMF分量要求相差太远。经验表明，SD值取0.2～0.3为宜，这样既可以保证IMF的线性和稳定性，又可以使IMF具有相应的物理意义。 　　 　　当h1k(t)满足SD值的要求时，则h1k(t)为第一阶IMF，记为c1(t)，即 　　c1(t)=h1k(t).（5） 　　从原始信号x(t)中减去c1(t)得剩余信号，即残差r1(t)： 　　r1(t)=x(t)-c1(t).（6） 　　再将r1(t)看作一组新信号重复上述模态分解过程，经多次运算可得到全部的残差r1(t)： 　　r1(t)=ri-1(t)-ci(t).（7） 　　当cn(t)或rn(t)小于预定的误差，或残差rn(t)成为一单调函数，即不可能再从中提取IMF分量时，就终止模态分析过程。至此，原始信号x(t)可由n阶IMF分量及残差rn(t)构成： 　　x(t)=∑ni=1ci(t)+rn(t).（8） 　　其中，rn(t)称为残余函数，代表信号的平均趋势。 　　 　　通过EMD分解，将原始信号进行平稳化处理，分解出的n个IMF包含了原信号从高到低不同频段的成分，残量则代表了信号的平均趋势。n为原始信号分解出的IMF分量的个数，其取值因原始信号和标准差SD取值有关，在本文的计算中取0.3作为收敛条件。 　　 　　地震研究34卷 　　第4期 　　吕品姬等：基于经验模态分解的潮汐观测长趋势分析 　　 　　2用EMD分解提取固体潮的长趋势 　　 　　2010年4月14日青海玉树发生MS7.1地震。笔者对震中600 km范围内6个台站自2009年1月1日至2010年4月13日的倾斜、应变固体潮观测数据进行EMD分解，提取各台站倾斜、应变的长趋势变化。从图1可以看出，EMD分解得到的残余分量能够非常准确地将倾斜变化拟合出来，说