基于支持向量機的內蒙古地區(qū)臺網天然地震與人工爆破的自動識別與分析

王祿軍 尹戰(zhàn)軍 翟 浩 倪 銘 張 帆 劉 芳

1 內蒙古自治區(qū)地震局，呼和浩特市哲里木路80號，010010

測震臺網記錄的事件中包含很多非天然地震事件，如爆破、塌陷等[1]。這些非天然地震事件會造成地震臺網失誤觸發(fā)識別報警，影響地震速報的時效性和準確性[2]。因此，識別天然地震與非天然地震事件對地震速報有重要意義。

20世紀50年代以來，天然地震與人工爆破的識別取得一定的研究成果。劉強希等[3]利用小波變換能量線性度方法識別天然地震與爆破、塌方事件；邊銀菊[4]將遺傳算法(GA)和反向傳播算法(BP算法)相結合，建立遺傳BP神經網絡；沈萍等[5]基于非穩(wěn)態(tài)WD理論，利用地下核爆和天然地震的瞬態(tài)譜、瞬時頻率隨時間的變化等特征來識別天然地震與地下核爆事件；楊選輝等[6]利用小波變換理論，以小波包分量比作為識別天然地震與核爆的判據(jù)；和雪松[7]利用小波包識別地震和礦震；安鎮(zhèn)文等[8]總結了核爆炸與地震識別的研究進展。

天然地震與人工爆破事件最本質的不同在于震源性質：天然地震震源較深，為非對稱剪切源；人工爆破大多發(fā)生于地表，為膨脹源。天然地震發(fā)震持續(xù)時間較長，能量衰減較慢，各地震臺測震臺網記錄到的地震波頻率復雜；而人工爆破持續(xù)時間較短，能量衰減較快，各地震臺測震臺網記錄到的地震波高頻成分較多。由于兩者產生波形的物理性質存在差異，相對應的震幅大小、頻譜成分、能量高低也不同，導致提取的能量比、香農熵、能量熵等均會存在較大偏差，支持向量機方法可利用兩者的差異對天然地震和人工爆破事件進行分類。利用小波分析原理提取天然地震與人工爆破的特征向量，對其進行軟件自動識別，通過實驗分析和研究對比，確定影響分類準確度的因素，從而獲得可靠的識別特征參數(shù)，實現(xiàn)對天然地震和人工爆破事件的自動識別。

1 研究方法

1.1 小波變換

小波變換是一種分析信號時間-頻率的算法，具有多分辨率的特點，在時域和頻域上均能較好地表現(xiàn)信號的局部特征。小波變換在信號低頻部分具有高頻率分辨率和低時間分辨率，在高頻部分具有高時間分辨率和低頻率分辨率，因此被稱為信號分析的顯微鏡[9]。小波變換分為一維小波變換、二維小波變換等，可根據(jù)實際問題選擇不同的變換類型。

1) 離散小波(DWT)變換可表示為：

WTf(m,k)==

(1)

2) 靜態(tài)小波變換(SWT)是程序設計語言Matlab中用來實現(xiàn)ε-采樣離散小波變換的算法[10]。與離散小波變換不同的是，靜態(tài)小波變換不對信號進行下采樣，因此用SWT變換得到的近似系數(shù)和細節(jié)系數(shù)的長度與原始信號長度一致。

3) 小波包變換(WPT)可對頻帶部分進行多層次劃分，對多分辨率未細分的高頻部分進一步分解，而且能夠根據(jù)被分析信號的特征自動選擇相應的頻帶，與信號頻譜相匹配，由此提高視頻分辨率。

1.2 特征參數(shù)

1.2.1 能量比(Ewt)

設S為原始信號，長度為l，Sj為S分解后的第j個小波系數(shù)，經過DWT、SWT分析變換后將近似系數(shù)、細節(jié)系數(shù)按順序排列。對于WPT分解，將最后一層分解后的系數(shù)按小波樹節(jié)點順序排列，其長度為c，則能量比(Ewt)可表示為:

(2)

1.2.2 香農熵(Eshannon)和能量熵(Elg)

假設S為原始信號，Si為信號S分解后的第i個小波系數(shù)，其長度為c，則小波系數(shù)的香農熵和能量熵可表示為:

(3)

(4)

1.3 支持向量機方法

支持向量機(SVM)是一種對不同類別已知樣本的特征值進行訓練，來預測未知樣本類別的機器學習方法[11]。SVM在解決高維、小樣本、非線性問題的模式識別上具有很大優(yōu)勢[3]。對于非線性情形，SVM利用核函數(shù)將多維空間向量映射到高維空間上，從而把問題轉換為高維空間下的線性可分類問題。支持向量機分類算法C-SVC是指使用一個常數(shù)C來調節(jié)模型復雜程度與訓練樣本誤差大小之間的平衡[12]。由于該常數(shù)受人為因素影響較大，研究人員通過引入一個0～1的參數(shù)υ來調節(jié)算法誤差，即υ-SVC算法。在支持向量機的分類方法中，核函數(shù)的選擇具有重要意義，合適的核函數(shù)可以將二維空間中線性不可分問題轉化為高維空間中線性可分問題，因此只需要在低維空間對核函數(shù)進行運算即可進行分類。常用的核函數(shù)有線性核、多項式核、徑向基核、Sigmoid核。

2 實 驗

2.1 數(shù)據(jù)選取

選取2016～2021年內蒙古地區(qū)測震臺網人工記錄的內蒙古境內及其周邊(96°～126°E, 36°～54°N)信噪比較高、記錄清晰的BHZ分量地震事件(M≥1.5)和爆破事件(M≥1.0)共計200次，其中地震事件100次，爆破事件100次。從中隨機選取各80次事件數(shù)據(jù)作為訓練樣本，其余20次事件數(shù)據(jù)作為測試樣本。

2.2 小波變換對事件進行分解

利用小波變換對事件進行分解的步驟為：1)使用msdp軟件將seed格式事件轉換成ASCⅡ碼格式；2)利用小波變換分解程序，實現(xiàn)對天然地震事件和爆破事件DWT、SWT、WPT的4層小波分解。圖1為DWT對爆破和地震事件的5個分解系數(shù)結果，圖2為SWT對爆破和地震事件的8個分解系數(shù)結果，圖3為WPT對爆破和地震事件的16個分解系數(shù)結果。

圖1 DWT對爆破和天然地震事件的分解(db4)Fig.1 Decomposition of blasting and natural earthquake events by DWT (db4)

圖2 SWT對爆破和天然地震事件的分解(db4)Fig.2 Decomposition of blasting and natural earthquake events by SWT (db4)

圖3 WPT對爆破和天然地震事件的分解(db4)Fig.3 Decomposition of blasting and natural earthquake events by WPT (db4)

2.3 特征參數(shù)提取

特征參數(shù)的提取是指在DWT、SWT、WPT采用db7、rbio1.5、sym6小波基分析的基礎上對事件進行4層分解，得到小波低頻系數(shù)和高頻系數(shù)，然后分別計算其能量比、香濃熵、能量熵，最后采用不同的核函數(shù)和支持向量機按照隨機組合的方式作為特征參數(shù)進行實驗。

2.4 波形分類及檢驗效果

為研究經過小波變換后提取的特征向量對天然地震和人工爆破的影響，設定具體實驗參數(shù)如下：1)小波基函數(shù)為db7小波、sym6小波、rbio1.5小波；2)支持向量機類型為C-SVC和υ-SVC；3)核函數(shù)為線性核、多項式核、徑向基核、Sigmoid核。

利用不同的小波分解方式、小波基函數(shù)提取特征參數(shù)能量比、香農熵、能量熵，采用2種支持向量機和4種核函數(shù)的隨機組合，共進行288組識別實驗，表1為4種最優(yōu)識別結果。結果表明，“DWT+υ-SVC+db7+線性核+能量比+香農熵+能量熵”識別率最高為95%，圖4為該組合的效果圖。

表1 最優(yōu)識別結果

圖4 識別效果Fig.4 Identification effect

3 結 語

采用支持向量機方法對內蒙古地區(qū)天然地震和爆破事件進行識別，得到以下結論：

1)將特征參數(shù)能量比、香農熵、能量熵與小波分解方式、小波基類型、支持向量機類型、核函數(shù)類型進行隨機組合，識別結果表明，“DWT+υ-SVC+db7+線性核+能量比+香農熵+能量熵”識別率最高為95%，表明該方法更適合內蒙古地區(qū)。

2)內蒙古地區(qū)非天然地震數(shù)據(jù)量較少，無法達到數(shù)據(jù)訓練與測試的要求，故只對天然地震和爆破事件進行自動識別。盡管“DWT+υ-SVC+db7+線性核+能量比+香農熵+能量熵”識別率高達95%，但還需要繼續(xù)使用其他機器學習算法，不斷提高事件類型的識別率，為日常地震臺網工作提供輔助決策支持。

3)內蒙古地區(qū)測震臺網可以監(jiān)測記錄到境內及周邊省份一定范圍內的所有爆破事件，如山西省朔州市和陜西省榆林市爆破。距離較近的臺網記錄到的爆破事件地表面波特征較為明顯，但隨著震中距的增加，爆破事件面波的波形會趨向于天然地震事件記錄波形，從而造成地震與爆破事件的誤識別。因此，需要盡量選擇離震中位置最近的臺站。

4)天然地震與爆破事件的識別原則上屬于二分類問題，從表1可以看出，線性核能更好地對兩類事件進行識別，識別率均在80%以上。

5)目前自動編目軟件還未將天然地震與非天然地震事件進行有效區(qū)分，部分無需處理的非天然事件還需進行人工核實，必然會增加編目的工作量。在后續(xù)研究中，可將本文支持向量機方法與自動編目軟件進行對接，將天然地震和非天然地震事件進行區(qū)分，以便更好地服務測震臺網編目工作。