CN106873034B - 识别强震记录中非对称波形的方法及装置 - Google Patents
识别强震记录中非对称波形的方法及装置 Download PDFInfo
- Publication number
- CN106873034B CN106873034B CN201710192974.8A CN201710192974A CN106873034B CN 106873034 B CN106873034 B CN 106873034B CN 201710192974 A CN201710192974 A CN 201710192974A CN 106873034 B CN106873034 B CN 106873034B
- Authority
- CN
- China
- Prior art keywords
- array
- acceleration information
- drawn
- waveform
- symmetrical
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 30
- 238000004458 analytical method Methods 0.000 claims abstract description 102
- 230000001133 acceleration Effects 0.000 claims abstract description 90
- 238000012937 correction Methods 0.000 claims abstract description 7
- 238000003491 array Methods 0.000 claims description 4
- 238000012216 screening Methods 0.000 abstract description 23
- 230000008901 benefit Effects 0.000 abstract description 7
- 238000011160 research Methods 0.000 description 5
- 238000002474 experimental method Methods 0.000 description 4
- 241001269238 Data Species 0.000 description 3
- 238000012545 processing Methods 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 2
- 230000003247 decreasing effect Effects 0.000 description 2
- 239000006185 dispersion Substances 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000008859 change Effects 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000004069 differentiation Effects 0.000 description 1
- 235000013399 edible fruits Nutrition 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 239000003973 paint Substances 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 230000000717 retained effect Effects 0.000 description 1
- 238000012106 screening analysis Methods 0.000 description 1
- 239000002689 soil Substances 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 230000007704 transition Effects 0.000 description 1
- 238000005303 weighing Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01V—GEOPHYSICS; GRAVITATIONAL MEASUREMENTS; DETECTING MASSES OR OBJECTS; TAGS
- G01V1/00—Seismology; Seismic or acoustic prospecting or detecting
- G01V1/28—Processing seismic data, e.g. for interpretation or for event detection
- G01V1/30—Analysis
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01V—GEOPHYSICS; GRAVITATIONAL MEASUREMENTS; DETECTING MASSES OR OBJECTS; TAGS
- G01V1/00—Seismology; Seismic or acoustic prospecting or detecting
- G01V1/28—Processing seismic data, e.g. for interpretation or for event detection
- G01V1/36—Effecting static or dynamic corrections on records, e.g. correcting spread; Correlating seismic signals; Eliminating effects of unwanted energy
- G01V1/364—Seismic filtering
- G01V1/366—Seismic filtering by correlation of seismic signals
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01V—GEOPHYSICS; GRAVITATIONAL MEASUREMENTS; DETECTING MASSES OR OBJECTS; TAGS
- G01V2210/00—Details of seismic processing or analysis
- G01V2210/30—Noise handling
- G01V2210/32—Noise reduction
- G01V2210/324—Filtering
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01V—GEOPHYSICS; GRAVITATIONAL MEASUREMENTS; DETECTING MASSES OR OBJECTS; TAGS
- G01V2210/00—Details of seismic processing or analysis
- G01V2210/40—Transforming data representation
- G01V2210/42—Waveform, i.e. using raw or pre-filtered trace data
Landscapes
- Engineering & Computer Science (AREA)
- Remote Sensing (AREA)
- Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Acoustics & Sound (AREA)
- Environmental & Geological Engineering (AREA)
- Geology (AREA)
- General Life Sciences & Earth Sciences (AREA)
- General Physics & Mathematics (AREA)
- Geophysics (AREA)
- Geophysics And Detection Of Objects (AREA)
Abstract
本发明具体涉及一种识别强震记录中非对称波形的方法及装置。本发明提供的一种识别强震记录中非对称波形的方法,包括:对获取的强震记录中的加速度数据进行基线初始化;以基线为基准,将校正后的加速度数据分为第一数组和第二数组;对所述第一数组和所述第二数组进行初步对称性分析,判断所述加速度数据绘制的图形是否为对称波形;若初判为对称波形,则对所述第一数组和所述第二数组进行精准对称性分析,进一步判断所述加速度数据绘制的图形是否为对称波形。本发明提供的识别强震记录中非对称波形的方法及装置结合了两种对称性分析方法的优势,在保证识别效率的同时能够提高筛分的准确度,剔除强震记录中的非正常数据,提高地震分析结果的可靠性。
Description
技术领域
本发明涉及地震数据分析技术领域,具体涉及一种识别强震记录中非对称波形的方法及装置。
背景技术
在强震动观测工作中,当获得第一手地震动数据之后,需要立即展开处理工作用于烈度速报和地震动特性分析等地震应急和科学研究工作,这一过程中最直接的对象就是强震动台站所获得的加速度记录(即加速度时程曲线)通常具有很好的对称性,即时程曲线整体关于时间轴具有良好的对称性,加速度时程幅值不会出现明显向一侧偏移的现象,并且时程图形特征清晰便于分析,如图2所示。然而在实际强震观测工作中,由于诸多因素的影响(观测站上部结构受到撞击、土层某一方向的放大效应、仪器本身存在的未校正误差等)往往得到的记录比较特殊,以图3为例,其加速度时程记录曲线表现出很明显的非对称性(即时程曲线图在基线上对称性较差),如若不能将非正常数据剔除的话将会在较大程度上影响地震分析结果的可靠性。
发明内容
针对现有技术中的缺陷,本发明提供的识别强震记录中非对称波形的方法及装置结合了两种对称性分析方法的优势,在保证识别效率的同时能够提高筛分的准确度,剔除强震记录中的非正常数据,提高地震分析结果的可靠性。
第一方面,本发明提供的一种识别强震记录中非对称波形的方法,包括:对获取的强震记录中的加速度数据进行基线初始化;以基线为基准,将校正后的加速度数据分为第一数组和第二数组;对所述第一数组和所述第二数组进行初步对称性分析,判断所述加速度数据绘制的图形是否为对称波形;若初判为对称波形,则对所述第一数组和所述第二数组进行精准对称性分析,进一步判断所述加速度数据绘制的图形是否为对称波形。
本发明提供的识别强震记录中非对称波形的方法,将加速度数据按基线分为上下两组数据,通过对两组数据进行初步对称性分析得到是否为对称波形的初步判断,缩小合格数据(即被认定为是满足对称性的数据)的范围。由于初步对称性分析运算量小,判别标准简单,适合对大批量数据文件作简要对称性筛分,但筛分准确度低,其筛分得到的加速度数据绘制的图形中往往还包含一些非对称波形,因此还需要对通过初步对称性分析的数据进行精准对称性分析。精准对称性分析较为复杂,但筛分精度更高,适合对初筛后的数据进行进一步判断,进一步剔除混入对称波形中的非对称波形,使最终筛分出的数据更加精准。因此,本发明的识别强震记录中非对称波形的方法结合了两种对称性分析方法的优势,在保证识别效率的同时能够提高筛分的准确度,剔除强震记录中的非正常数据,提高地震分析结果的可靠性。
优选地,所述对所述第一数组和所述第二数组进行初步对称性分析,判断所述加速度数据绘制的图形是否为对称波形,包括:计算所述第一数组所有元素和,记为A1;计算所述第二数组所有元素和,记为A2;根据A1和A2判断所述加速度数据绘制的图形是否为对称波形。
优选地,所述根据A1和A2判断所述加速度数据绘制的图形是否为对称波形,包括:计算DIF=(A1+A2)/(A1-A2);若所述DIF大于等于第一阈值,则所述加速度数据绘制的图形为非对称波形,否则所述加速度数据绘制的图形为对称波形。
优选地,所述对所述第一数组和所述第二数组进行精准对称性分析,进一步判断所述加速度数据绘制的图形是否为对称波形,包括:步骤S31,以所述强震记录的起始时刻为中心点;步骤S32,计算所述第一数组在所述中心点附近区间内所有元素的平均值,记为B1,计算所述第二数组在所述中心点附近区间内所有元素的平均值,记为B2,得到ΔB=(B1+B2)/(B1-B2);步骤S33,移动中心点,重复步骤S32直到中心点移动至所述强震记录的截止时刻;步骤S34,统计ΔB大于第二阈值的区间数占总区间数的比例,记为D;步骤S35,若D大于第三阈值,则所述加速度数据绘制的图形为非对称波形,否则所述加速度数据绘制的图形为对称波形。
优选地,所述移动中心点包括等间距移动中心点。
第二方面,本发明提供的一种识别强震记录中非对称波形的装置,包括:基线初始化模块,用于对获取的强震记录中的加速度数据进行基线初始化;数据分组模块,用于以基线为基准,将校正后的加速度数据分为第一数组和第二数组;初步对称性分析模块,用于对所述第一数组和所述第二数组进行初步对称性分析,判断所述加速度数据绘制的图形是否为对称波形;精准对称性分析模块,用于若初判为对称波形,则对所述第一数组和所述第二数组进行精准对称性分析,进一步判断所述加速度数据绘制的图形是否为对称波形。
本发明提供的识别强震记录中非对称波形的装置,将加速度数据按基线分为上下两组数据,通过对两组数据进行初步对称性分析得到是否为对称波形的初步判断,缩小合格数据(即被认定为是满足对称性的数据)的范围。由于初步对称性分析运算量小,判别标准简单,适合对大批量数据文件作简要对称性筛分,但筛分准确度低,其筛分得到的加速度数据绘制的图形中往往还包含一些非对称波形,因此还需要对通过初步对称性分析的数据进行精准对称性分析。精准对称性分析较为复杂,但筛分精度更高,适合对初筛后的数据进行进一步判断,进一步剔除混入对称波形中的非对称波形,使最终筛分出的数据更加精准。因此,本发明的识别强震记录中非对称波形的装置结合了两种对称性分析方法的优势,在保证识别效率的同时能够提高筛分的准确度,剔除强震记录中的非正常数据,提高地震分析结果的可靠性。
优选地,所述初步对称性分析模块具体用于:计算所述第一数组所有元素和,记为A1;计算所述第二数组所有元素和,记为A2;根据A1和A2判断所述加速度数据绘制的图形是否为对称波形。
优选地,所述初步对称性分析模块中,所述根据A1和A2判断所述加速度数据绘制的图形是否为对称波形包括:计算DIF=(A1+A2)/(A1-A2);若所述DIF大于等于第一阈值,则所述加速度数据绘制的图形为非对称波形,否则所述加速度数据绘制的图形为对称波形。
优选地,所述精准对称性分析模块具体用于:步骤S31,以所述强震记录的起始时刻为中心点;步骤S32,计算所述第一数组在所述中心点附近区间内所有元素的平均值,记为B1,计算所述第二数组在所述中心点附近区间内所有元素的平均值,记为B2,得到ΔB=(B1+B2)/(B1-B2);步骤S33,移动中心点,重复步骤S32直到中心点移动至所述强震记录的截止时刻;步骤S34,统计ΔB大于第二阈值的区间数占总区间数的比例,记为D;步骤S35,若D大于第三阈值,则所述加速度数据绘制的图形为非对称波形,否则所述加速度数据绘制的图形为对称波形。
优选地,所述精准对称性分析模块中,所述移动中心点包括等间距移动中心点。
附图说明
图1为本发明实施例所提供的识别强震记录中非对称波形的方法的流程图;
图2为中国大陆某强震记录中的加速度时程曲线图;
图3为非对称性加速度时程曲线图的一个示例;
图4为根据初步对称性分析结果筛选出的一个非对称文件;
图5为根据初步对称性分析结果筛选出的另一个非对称文件;
图6为宜宾高场南北向加速度时程曲线图;
图7为日本IWTH25台站井上记录某分量加速度时程图;
图8为芦山地震记录中的ua0299数据文件的加速度时程曲线图;
图9为从芦山地震记录中筛选出的不合格文件ua0039数据文件加速度时程曲线图;
图10为从芦山地震记录中筛选出的不合格文件ua0218数据文件加速度时程曲线图;
图11为从芦山地震记录中筛选出的不合格文件ua0251数据文件加速度时程曲线图;
图12为从芦山地震记录中筛选出的不合格文件ua0299数据文件加速度时程曲线图;
图13为从芦山地震记录中筛选出的不合格文件ua1375数据文件加速度时程曲线图;
图14为从芦山地震记录中筛选出的不合格文件ua2341数据文件加速度时程曲线图;
图15为从芦山地震记录中筛选出的不合格文件ua0530数据文件加速度时程曲线图;
图16为从芦山地震记录中筛选出的不合格文件ua0037数据文件加速度时程曲线图;
图17为从日本IWTH25台站井上记录筛分出的不合格文件的加速度时程图;
图18为时间宽度为0.5s与1.0s所对应的不合格文件分布图;
图19为时间宽度为1.5s、1.75s、2.0s所对应的不合格文件分布图;
图20为本发明实施例所提供的识别强震记录中非对称波形的装置的结构框图。
具体实施方式
下面将结合附图对本发明技术方案的实施例进行详细的描述。以下实施例仅用于更加清楚地说明本发明的技术方案,因此只是作为示例,而不能以此来限制本发明的保护范围。
需要注意的是,除非另有说明,本申请使用的技术术语或者科学术语应当为本发明所属领域技术人员所理解的通常意义。
如图1所示,本实施例提供的识别强震记录中非对称波形的方法,包括:
步骤S1,对获取的强震记录中的加速度数据进行基线初始化。
其中,加速度数据为加速度时程曲线,其横轴为时间轴,表示记录时刻,纵轴表示加速度,具体参见图2。地震记录过程中由于各种外界因素的干扰会导致数据在纵轴方向发生整体偏移,使得步骤S2中对数据划分出现偏差,基线初始化是为了消除上述地震记录过程中的误差,使加速度时程曲线关于基线(加速度值等于零)对称,以保证后续数据处理的准确性,具体为取地震开始前一段时间内的加速度值的平均值,将加速度数据减去计算得到的平均值。
步骤S2,以基线为基准,将经过基线初始化后的加速度数据分为第一数组和第二数组。
其中,步骤S2是为了将加速度数据分为大于零和小于零的两部分,位于基准线上部的为大于零的部分,位于基准线下部的为小于零的部分,等于零的数据可以划分到任意一部分或忽略不计,其对后续分析不会产生影响。
步骤S3,对第一数组和第二数组进行初步对称性分析,判断加速度数据绘制的图形是否为对称波形。
其中,初步对称性分析是指分析第一数组和第二数组整体上是否关于基线对称。满足对称性的加速度数据绘制的图形为对称波形,不满足对称性的加速度数据绘制的图形为非对称波形。
步骤S4,若初判为对称波形,则对第一数组和第二数组进行精准对称性分析,进一步判断加速度数据绘制的图形是否为对称波形。
其中,对于步骤S3中筛分出的非对称波形对应的加速度数据,不需要在进行精准对称性分析。精准对称性分析是指精确地分析第一数组和第二数组在局部位置上是否关于基线对称。与初步对称性分析相比,精准对称性分析采用的方法更复杂,判定条件更严苛,但分析结果更为精准。
本实施例提供的识别强震记录中非对称波形的方法,将加速度数据按基线分为上下两组数据,通过对两组数据进行初步对称性分析得到加速度数据绘制的图形是否为对称波形的初步判断,缩小合格数据(即被认定为是满足对称性的数据)的范围。由于初步对称性分析运算量小,判别标准简单,适合对大批量数据文件作简要对称性筛分,但筛分准确度低,其筛分得到的加速度数据绘制的图形中往往还包含一些非对称波形,因此还需要对通过初步对称性分析的数据进行精准对称性分析。精准对称性分析较为复杂,但筛分精度更高,适合对初筛后的数据进行进一步判断,进一步剔除混入对称波形中的非对称波形,使最终筛分出的数据更加精准。因此,本实施例的识别强震记录中非对称波形的方法结合了两种对称性分析方法的优势,在保证识别效率的同时能够提高筛分的准确度,剔除强震记录中的非正常数据,提高地震分析结果的可靠性。
本实施例中,步骤S3的实现方式有多种,如:利用曲边梯形的积分规律,计算加速度时程曲线在基线上下两部分数值的积分大小,根据计算得到的积分判断对称性。为了降低运算量,提高筛分效率,本实施例提供了步骤S3的一种优选实施方式,包括以下步骤:
步骤S31,计算第一数组所有元素和,记为A1。
步骤S32,计算第二数组所有元素和,记为A2。
步骤S33,根据A1和A2,判断加速度数据绘制的图形是否为对称波形。
其中,步骤S33的实现方式有多种,本实施例提供了步骤S33的一种优选实施方式:计算DIF=(A1+A2)/(A1-A2),若DIF大于等于第一阈值,则加速度数据绘制的图形为非对称波形,否则加速度数据绘制的图形为对称波形。第一数组为基线上部分的数据,第二数组为基线下部分的数据,因此A1>0,A2<0。
为了提高初步对称性分析的准确度,采用本实施例的方法,经过对大量强震记录分析后得到第一阈值的优选取值为0.10。
下面通过两组实验数据说明第一阈值的优选值的选取依据。
实验一:对于芦山地震数据文件按照上述方法进行对称性论证。
对于国内的芦山地震记录共3729个数据文件,分别取不同的第一阈值,按照步骤S3的优选实施方法进行分析统计得到不合格文件数统计表,如表1所示:
表1
由表1可知,将第一阈值取0.10作为判别准则能合理筛选出不合格文件(即非对称波形),并根据初步对称性分析结果筛选出70个非对称文件,并选取比较有代表性的几组绘出时程曲线图,参见图4和图5。另外,表2给出了根据初步对称性分析结果筛选出的49组不合格文件。表2中,索引号即为芦山地震中某次记录的数据编号。
表2
索引号 | 37 | 913 | 1097 | 1389 | 1775 | 1905 | 2350 |
A1值 | 30894.57 | 10852.96 | 13769.43 | 9926.56 | 11743.83 | 8872.54 | 12511.5 |
A2值 | -125840 | -2875.7 | -1071.64 | -327.7 | -404.36 | -0.01 | -4315.68 |
DIF值 | 0.61 | 0.58 | 0.86 | 0.94 | 0.93 | 1 | 0.49 |
索引号 | 736 | 914 | 1098 | 1571 | 1776 | 1999 | 2351 |
A1值 | 10339.34 | 14224.3 | 9856.02 | 21805.69 | 9421.35 | 7194.94 | 14167.4 |
A2值 | -2200.72 | -1875.59 | -44.82 | -8136.73 | -9.44 | -309.94 | -2084.69 |
DIF值 | 0.65 | 0.77 | 0.99 | 0.46 | 1 | 0.92 | 0.74 |
索引号 | 737 | 915 | 1174 | 1572 | 1807 | 2000 | 2352 |
A1值 | 14104.17 | 9949.91 | 7201.97 | 12788.6 | 8391.85 | 10690.97 | 10262.07 |
A2值 | -1209.5 | -182.01 | -335.02 | -2048.16 | -1258.66 | -29.24 | -392.21 |
DIF值 | 0.84 | 0.96 | 0.91 | 0.72 | 0.74 | 0.99 | 0.93 |
索引号 | 738 | 976 | 1175 | 1666 | 1808 | 2001 | 2539 |
A1值 | 10331.93 | 8605.76 | 11081.63 | 7722.43 | 11743.83 | 8779.59 | 9375.09 |
A2值 | -55.03 | -925.43 | -107.73 | -262.4 | -404.36 | 0 | -1427.55 |
DIF值 | 0.99 | 0.81 | 0.98 | 0.93 | 0.93 | 1 | 0.74 |
索引号 | 835 | 977 | 1176 | 1667 | 1809 | 2203 | 2540 |
A1值 | 11603.42 | 12408.25 | 8857.92 | 11171.34 | 9421.35 | 13724.17 | 12461.74 |
A2值 | -3159.88 | -577.04 | -2.79 | -44.31 | -9.44 | -5053.15 | -505.62 |
DIF值 | 0.57 | 0.91 | 1 | 0.99 | 1 | 0.46 | 0.92 |
索引号 | 836 | 978 | 1387 | 1668 | 1903 | 2204 | 2541 |
A1值 | 15539.07 | 9235.55 | 11376.22 | 8933.6 | 7135.51 | 16911.32 | 9451.77 |
A2值 | -2092.62 | -4.09 | -3565.18 | 0 | -199.88 | -3490.34 | -47.36 |
DIF值 | 0.76 | 1 | 0.52 | 1 | 0.95 | 0.66 | 0.99 |
索引号 | 837 | 1096 | 1388 | 1774 | 1904 | 2205 | 2641 |
A1值 | 10748.04 | 9832.19 | 13277.2 | 8391.85 | 10650 | 10715.03 | 6365.8 |
A2值 | -213.37 | -1813.33 | -1526.67 | -1258.66 | -32.19 | -358.99 | -230.86 |
DIF值 | 0.96 | 0.69 | 0.79 | 0.74 | 0.99 | 0.94 | 0.93 |
实验二:对宜宾高场部分数据文件进行对称性论证。
宜宾高场南北向分量数据文件加速度时程曲线图如图6所示。按照初步对称性分析的方法,得到A1=2.428e+03,A2=-1.5368e+06,DIF=0.997,按照第一阈值=0.10的标准,筛选出的不合格文件的非对称现象明显,进一步证明了初步对称性分析的可靠性。
为了进一步的提高筛分效率和准确率,在上述任意方法实施例的基础上,本实施例提供了步骤S4的一种优选实施方式,具体包括:
步骤S41,以强震记录的起始时刻为中心点。
步骤S42,计算第一数组在中心点附近区间内所有元素的平均值,记为B1,计算第二数组在中心点附近区间内所有元素的平均值,记为B2,得到ΔB=(B1+B2)/(B1-B2)。
其中,ΔB用来衡量局部加速度数据的对称性,每个中心点对应一个区间,根据每个区间内的数据计算得到一个ΔB。
步骤S43,移动中心点,重复步骤S2直到中心点移动至强震记录的截止时刻。
步骤S44,统计ΔB大于第二阈值的区间数占总区间数的比例,记为D。
步骤S45,若D大于第三阈值,则加速度数据绘制的图形为非对称波形,否则加速度数据绘制的图形为对称波形。
上述步骤S4的优选实施方式,对上下两部分加速度数据的局部进行精细比对,通过统计局部比对的结果判断加速度数据的对称性,提高了比对的
其中,移动中心点包括等间距移动中心点。为了保证每个加速度数据都能参加运算,提高方法的抗干扰能力,每次移动中心点的间距小于区间的时间宽度。
其中,中心点附近区间的大小以时间宽度来衡量。区间越大,参与平均值计算的数据越多,保留加速度数据的局部特征越少,得到对称性分析结果越不精确;反之,区间越小,参与平均值计算的数据越少,保留加速度数据的局部特征越多,得到对称性分析结果越精确,但随之需要分析更多的区间,这会增加数据处理量,降低处理效率。因此,固定的时间宽度并不适用于所有的记录数据。为此,本实施例中,中心点附近区间的时间宽度可以根据强震记录的数据精度确定。强震记录的精度越高,表明单位时间内包含的数据越多,因此,可以缩小时间宽度的取值,这样可以尽可能的保留住加速度数据的局部特征,有助于提高对称性的比对精度。中心点附近区间的时间宽度为优选为0.5~2.0秒。表3-9依次给出了时间宽度取0.5s、0.75s、1.0s、1.25s、1.5s、1.75s、2.0s的分析结果。
表3不合格文件数统计表(Δt=0.5s)
表4不合格文件数统计表(Δt=0.75s)
表5不合格文件数统计表(Δt=1s)
表6不合格文件数统计表(Δt=1.25s)
表7不合格文件数统计表(Δt=1.5s)
表8不合格文件数统计表(Δt=1.75s)
表9不合格文件数统计表(Δt=2.0s)
基于表中的数据,表10给出了上述7组筛选后数据的均值方差汇总值。表11给出了不同时间宽度对应的不合格文件汇总列表。从选取不同的时间宽度筛分出的不合格数据总数可以看出,当时间宽度选取得最小时,筛分出的不合格数组均值和方差均为最大,反映出当时间宽度较小时,筛选出的不合格数组的离散程度较大。且随着时间宽度的增加(如从0.5秒增加到2.0秒),均值和方差单调递减,递减的幅度比较剧烈。
表10
Δt | 0.50 | 0.75 | 1.00 | 1.25 | 1.50 | 1.75 | 2.00 |
均值 | 2142 | 1606 | 1236 | 1018 | 896 | 822 | 632 |
方差 | 2545400 | 2501748 | 2152776 | 1916045 | 1669402 | 1636274 | 1434410 |
表11不同时间宽度对应的不合格文件汇总列表
正态分布(Normal distribution),也称“常态分布”,又名高斯分布(Gaussiandistribution),最早由A.棣莫弗在求二项分布的渐近公式中得到。C.F.高斯在研究测量误差时从另一个角度导出了它。P.S.拉普拉斯和高斯研究了它的性质。是一个在数学、物理及工程等领域都非常重要的概率分布,在统计学的许多方面有着重大的影响力。正态曲线呈钟型,两头低,中间高,左右对称因其曲线呈钟形,因此人们又经常称之为钟形曲线。若随机变量X服从一个数学期望为μ、方差为σ^2的正态分布,记为N(μ,σ^2)。其概率密度函数为正态分布的期望值μ决定了其位置,其标准差σ决定了分布的幅度。当μ=0,σ=1时的正态分布是标准正态分布。
下面对不合格文件进行正态分布进行计算,得到图18和图19的统计结果。由图18和图19不合格文件分布图中红色正态曲线可看出,当时间宽度从0.5s向2秒逐渐过渡的过程可以看出,正态曲线的对称中轴(即期望为μ)不断向X轴左侧偏移:从2000左移至1000左右最终小于1000,反映了时间宽度越大所筛选出的不合格文件越少,时间宽度越短筛选出的不合格文件越多;从正态曲线的胖瘦(即正态曲线的方差σ^2)可以看出,曲线越胖表明数据的集中程度越高,离散性越低。为此我们需要在均值与方差中找到平衡,即在方差越小的情况下均值尽可能大,反应在筛选的过程中即为以尽可能集中的原则筛选出尽可能多的不合格数据文件。
从图18中时间宽度为0.5s与1.0s所对应的不合格文件分布图可以看出,这两种情况下筛选出的不合格文件数量虽然很多,即筛选的标准虽然严格,但是其离散程度较高,筛选结果的集中性不强,不能反应该筛选准则的准确性;从图20时间宽度为1.5s、1.75s、2.0s所对应的不合格文件分布图可以看出,在这三种情况下的筛选结果虽然集中程度较高,但筛选出的不合格数据文件数量过少(不合格文件数均小于1000),反映出在时间宽度取上述值时筛选标准不够严格,容易漏掉不合格的数据文件。基于以上分析,为了在方差与均值中寻找平衡,选取时间宽度为1s的筛选法则,对中国数据的非对称性进行有效筛分能较好的满足实际情况。
为了提高精准对称性分析的准确度,采用本实施例的方法,经过对大量强震记录分析后得到第二阈值的优选取值为0.15,第三阈值的优选取值为0.20。
下面通过两个实验说明第二阈值取0.15和第三阈值取0.20的依据和优势。
实验一:对日本KIKNET台站上部分数据文件进行对称性论证。
图7为日本IWTH25台站井上记录某分量加速度时程图。按照初步对称性分析方法,得到A1=2.413e+05,A2=-2.424e+05,DIF=0.002394,此时DIF<0.10,但明显与图形非对称事实不符,故再根据精准对称性分析来仔细甄别,得到表12。
表12
基于上文中得出的第二阈值取0.15、第三阈值取0.20的比判标准,此时D=0.3333>0.20,可以判断出该数据文件为非对称记录,在研究过程中需要引起重视,以免对研究结果的产生带来不必要的误差。
实验二:对中国芦山地震记录部分数据文件进行对称性论证。
下面以ua0299数据文件为例,ua0299加速度时程曲线图如图8所示,对该文件按照步骤S3的优选方式进行分析,计算可得A1=8172.212,A2=-8172.213,DIF=9.615e-08,DIF小于10%,较好的满足了对称需求。
但是,仔细观察图8可以看出,该数据文件虽然整体对称性良好,但局部对称性较差,当时间宽度设置为2-3秒时曲线单调性明显,图形非对称现象明显,但基于上述提到的DIF=0.1的控制原则,可认为该数据合格,却明显与事实(记录非对称性)违背,因此,虽然从数据整体把控的角度看该原文件数据总体对称性良好,但仍需作进一步对称性判别。
下面按照步骤S4的优选实施方式对ua0299数据文件进行筛选分析得到不合格区间所占比例统计表,如表13所示:
表13
基于上文中得出的ΔB=0.15、D=0.20比判标准,可以判断出该数据文件为非对称记录,在研究过程中需要引起重视,以免对研究结果的产生带来不必要的误差。
采用精准对称性分析,基于芦山地震中某次记录共3729个数据文件,对芦山地震数据原文件进行筛选,并将分析结果整理如表14所示:
表14
基于本实施例的方法,针对芦山地震记录、日本IWTH25台站井上记录、宜宾高场记录分别筛选出几组不合格文件,如图9-17,可以看出筛选出的不合格文件都具有不对称性。
基于与上述识别强震记录中非对称波形的方法相同的构思,本实施例提供了一种识别强震记录中非对称波形的装置,如图20所示,包括:
基线初始化模块101,用于对获取的强震记录中的加速度数据进行基线初始化;
数据分组模块102,用于以基线为基准,将校正后的加速度数据分为第一数组和第二数组;
初步对称性分析模块103,用于对第一数组和第二数组进行初步对称性分析,判断加速度数据绘制的图形是否为对称波形;
精准对称性分析模块104,用于若初判对称波形,则对第一数组和第二数组进行精准对称性分析,进一步判断加速度数据绘制的图形是否为对称波形。
本发明提供的识别强震记录中非对称波形的装置,将加速度数据按基线分为上下两组数据,通过对两组数据进行初步对称性分析得到是否为对称波形的初步判断,缩小合格数据(即被认定为是满足对称性的数据)的范围。由于初步对称性分析运算量小,判别标准简单,适合对大批量数据文件作简要对称性筛分,但筛分准确度低,其筛分得到的加速度数据绘制的图形中往往还包含一些非对称波形,因此还需要对通过初步对称性分析的数据进行精准对称性分析。精准对称性分析较为复杂,但筛分精度更高,适合对初筛后的数据进行进一步判断,进一步剔除混入对称波形中的非对称波形,使最终筛分出的数据更加精准。因此,本发明的识别强震记录中非对称波形的装置结合了两种对称性分析方法的优势,在保证识别效率的同时能够提高筛分的准确度,剔除强震记录中的非正常数据,提高地震分析结果的可靠性。
优选地,初步对称性分析模块103具体用于:计算第一数组所有元素和,记为A1;计算第二数组所有元素和,记为A2;根据A1和A2判断加速度数据绘制的图形是否为对称波形。
优选地,初步对称性分析模块103中,根据A1和A2判断加速度数据绘制的图形是否为对称波形包括:计算DIF=(A1+A2)/(A1-A2);若DIF大于等于第一阈值,则加速度数据绘制的图形为非对称波形,否则加速度数据绘制的图形为对称波形。
优选地,精准对称性分析模块104具体用于:
步骤S31,以强震记录的起始时刻为中心点;
步骤S32,计算第一数组在中心点附近区间内所有元素的平均值,记为B1,计算第二数组在中心点附近区间内所有元素的平均值,记为B2,得到ΔB=(B1+B2)/(B1-B2);
步骤S33,移动中心点,重复步骤S2直到中心点移动至强震记录的截止时刻;
步骤S34,统计ΔB大于第二阈值的区间数占总区间数的比例,记为D;
步骤S35,若D大于第三阈值,则加速度数据绘制的图形为非对称波形,否则加速度数据绘制的图形为对称波形。
优选地,精准对称性分析模块104中,移动中心点包括等间距移动中心点。
最后应说明的是:以上各实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述各实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分或者全部技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明各实施例技术方案的范围,其均应涵盖在本发明的权利要求和说明书的范围当中。
Claims (10)
1.一种识别强震记录中非对称波形的方法,其特征在于,包括:
对获取的强震记录中的加速度数据进行基线初始化;
以基线为基准,将校正后的加速度数据分为第一数组和第二数组;
对所述第一数组和所述第二数组进行初步对称性分析,判断所述加速度数据绘制的图形是否为对称波形,初步对称性分析是指分析第一数组和第二数组整体上是否关于基线对称;
若初判为对称波形,则对所述第一数组和所述第二数组进行精准对称性分析,进一步判断所述加速度数据绘制的图形是否为对称波形,精准对称性分析是指精确地分析第一数组和第二数组在局部位置上是否关于基线对称。
2.根据权利要求1所述的方法,其特征在于,所述对所述第一数组和所述第二数组进行初步对称性分析,判断所述加速度数据绘制的图形是否为对称波形,包括:
计算所述第一数组所有元素和,记为A1;
计算所述第二数组所有元素和,记为A2;
根据A1和A2判断所述加速度数据绘制的图形是否为对称波形。
3.根据权利要求2所述的方法,其特征在于,所述根据A1和A2判断所述加速度数据绘制的图形是否为对称波形,包括:
计算DIF=(A1+A2)/(A1-A2);
若所述DIF大于等于第一阈值,则所述加速度数据绘制的图形为非对称波形,否则所述加速度数据绘制的图形为对称波形。
4.根据权利要求1-3中任一项所述的方法,其特征在于,所述对所述第一数组和所述第二数组进行精准对称性分析,进一步判断所述加速度数据绘制的图形是否为对称波形,包括:
步骤S31,以所述强震记录的起始时刻为中心点;
步骤S32,计算所述第一数组在所述中心点附近区间内所有元素的平均值,记为B1,计算所述第二数组在所述中心点附近区间内所有元素的平均值,记为B2,得到ΔB=(B1+B2)/(B1-B2);
步骤S33,移动中心点,重复步骤S32直到中心点移动至所述强震记录的截止时刻;
步骤S34,统计ΔB大于第二阈值的区间数占总区间数的比例,记为D;
步骤S35,若D大于第三阈值,则所述加速度数据绘制的图形为非对称波形,否则所述加速度数据绘制的图形为对称波形。
5.根据权利要求4所述的方法,其特征在于,所述移动中心点包括等间距移动中心点。
6.一种识别强震记录中非对称波形的装置,其特征在于,包括:
基线初始化模块,用于对获取的强震记录中的加速度数据进行基线初始化;
数据分组模块,用于以基线为基准,将校正后的加速度数据分为第一数组和第二数组;
初步对称性分析模块,用于对所述第一数组和所述第二数组进行初步对称性分析,判断所述加速度数据绘制的图形是否为对称波形,初步对称性分析是指分析第一数组和第二数组整体上是否关于基线对称;
精准对称性分析模块,用于若初判为对称波形,则对所述第一数组和所述第二数组进行精准对称性分析,进一步判断所述加速度数据绘制的图形是否为对称波形精准对称性分析是指精确地分析第一数组和第二数组在局部位置上是否关于基线对称。
7.根据权利要求6所述的装置,其特征在于,所述初步对称性分析模块具体用于:
计算所述第一数组所有元素和,记为A1;
计算所述第二数组所有元素和,记为A2;
根据A1和A2判断所述加速度数据绘制的图形是否为对称波形。
8.根据权利要求7所述的装置,其特征在于,所述初步对称性分析模块中,所述根据A1和A2判断所述加速度数据绘制的图形是否为对称波形包括:
计算DIF=(A1+A2)/(A1-A2);
若所述DIF大于等于第一阈值,则所述加速度数据绘制的图形为非对称波形,否则所述加速度数据绘制的图形为对称波形。
9.根据权利要求6-8中任一项所述的装置,其特征在于,所述精准对称性分析模块具体用于:
步骤S31,以所述强震记录的起始时刻为中心点;
步骤S32,计算所述第一数组在所述中心点附近区间内所有元素的平均值,记为B1,计算所述第二数组在所述中心点附近区间内所有元素的平均值,记为B2,得到ΔB=(B1+B2)/(B1-B2);
步骤S33,移动中心点,重复步骤S32直到中心点移动至所述强震记录的截止时刻;
步骤S34,统计ΔB大于第二阈值的区间数占总区间数的比例,记为D;
步骤S35,若D大于第三阈值,则所述加速度数据绘制的图形为非对称波形,否则所述加速度数据绘制的图形为对称波形。
10.根据权利要求9所述的装置,其特征在于,所述精准对称性分析模块中,所述移动中心点包括等间距移动中心点。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710192974.8A CN106873034B (zh) | 2017-03-28 | 2017-03-28 | 识别强震记录中非对称波形的方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710192974.8A CN106873034B (zh) | 2017-03-28 | 2017-03-28 | 识别强震记录中非对称波形的方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN106873034A CN106873034A (zh) | 2017-06-20 |
CN106873034B true CN106873034B (zh) | 2018-09-04 |
Family
ID=59160344
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710192974.8A Active CN106873034B (zh) | 2017-03-28 | 2017-03-28 | 识别强震记录中非对称波形的方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN106873034B (zh) |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102043165A (zh) * | 2010-09-01 | 2011-05-04 | 中国石油天然气股份有限公司 | 基于基追踪算法的面波分离与压制方法 |
CN104121985A (zh) * | 2013-04-29 | 2014-10-29 | 艾默生电气(美国)控股公司(智利)有限公司 | 过采样数据的选择性抽取和分析 |
Family Cites Families (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US7646673B2 (en) * | 2006-11-29 | 2010-01-12 | Baker Hughes Incorporated | Wave analysis using phase velocity processing |
CN103344989B (zh) * | 2013-07-11 | 2015-09-30 | 吉林大学 | 可控震源地震记录中脉冲噪声干扰的分析方法 |
CN106154324A (zh) * | 2015-04-13 | 2016-11-23 | 中石化石油工程地球物理有限公司胜利分公司 | 基于多道扫描叠加的井下微地震事件自动识别方法 |
CN105954800B (zh) * | 2016-04-29 | 2018-01-16 | 地大汇能(北京)科技有限公司 | 利用地震纹理特性识别小断层的方法 |
-
2017
- 2017-03-28 CN CN201710192974.8A patent/CN106873034B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102043165A (zh) * | 2010-09-01 | 2011-05-04 | 中国石油天然气股份有限公司 | 基于基追踪算法的面波分离与压制方法 |
CN104121985A (zh) * | 2013-04-29 | 2014-10-29 | 艾默生电气(美国)控股公司(智利)有限公司 | 过采样数据的选择性抽取和分析 |
Also Published As
Publication number | Publication date |
---|---|
CN106873034A (zh) | 2017-06-20 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US20240212149A1 (en) | System and method of classification of biological particles | |
US7697764B2 (en) | Similar pattern searching apparatus, method of similar pattern searching, program for similar pattern searching, and fractionation apparatus | |
CN104008399B (zh) | 一种仪表检测中基于支持向量机的仪表指针抖动的识别方法 | |
EP3657154A1 (en) | Method and system for determining fluorescence intensity of fluorescence image | |
CN105335745B (zh) | 图像中数字的识别方法、装置及设备 | |
CN106529559A (zh) | 一种指针式圆形多仪表盘实时读数识别方法 | |
KR100303608B1 (ko) | 혈구세포자동인식방법및장치 | |
CN108491077A (zh) | 一种基于多流分治卷积神经网络的表面肌电信号手势识别方法 | |
CN106228554B (zh) | 基于多属性约简的模糊粗糙集煤粉尘图像分割方法 | |
CN105608456A (zh) | 一种基于全卷积网络的多方向文本检测方法 | |
CN106412573A (zh) | 一种检测镜头污点的方法和装置 | |
CN112330616A (zh) | 一种脑脊液细胞图像自动化识别和计数的方法 | |
CN105241811B (zh) | 多层次聚焦自动采图方法与系统 | |
CN108257124A (zh) | 一种基于图像的白细胞计数方法和系统 | |
CN115019158A (zh) | 一种基于图像识别的海洋污染区域识别方法及系统 | |
Kovalev et al. | Robust recognition of white blood cell images | |
CN103364324A (zh) | 一种用于血液细胞分析仪的自适应分类计算方法 | |
CN107451192A (zh) | 一种基于分解聚合的电信诈骗电话的分类检测方法 | |
CN106408002A (zh) | 手写满文字母识别的系统 | |
CN106227300B (zh) | 一种智能手环抬手亮屏的方法 | |
CN106873034B (zh) | 识别强震记录中非对称波形的方法及装置 | |
CN107886113A (zh) | 一种基于卡方检验的电磁频谱噪声提取和滤波算法 | |
CN107729877B (zh) | 一种基于级联分类器的人脸检测方法及装置 | |
CN104134073B (zh) | 一种基于一类归一化的遥感影像单类分类方法 | |
CN106548195A (zh) | 一种基于改进型hog‑ulbp特征算子的目标检测方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |