CN107944469B - 一种基于重排st的低信噪比微震事件辨识方法 - Google Patents
一种基于重排st的低信噪比微震事件辨识方法 Download PDFInfo
- Publication number
- CN107944469B CN107944469B CN201711067988.3A CN201711067988A CN107944469B CN 107944469 B CN107944469 B CN 107944469B CN 201711067988 A CN201711067988 A CN 201711067988A CN 107944469 B CN107944469 B CN 107944469B
- Authority
- CN
- China
- Prior art keywords
- signal
- microseismic
- signals
- time
- frequency spectrum
- 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
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/12—Classification; Matching
Landscapes
- Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Measurement Of Mechanical Vibrations Or Ultrasonic Waves (AREA)
Abstract
本发明公开了一种基于重排ST的低信噪比微震事件辨别方法,首先对微震数据进行S变化,得到信号的时频谱;由Parserval定理以及Fourier变换性质中关于尺度变换和平移的规则,对时频谱进行偏微分运算得到信号的瞬时频率,然后将谱图在任何点处计算的值转换到其能量分布的重心处,得到信号的时频谱在频率方向上的重排时频矩阵,最后构造多分类SVM,实现对微震信号、爆破信号以及机械噪声的分类;解决了现有技术对低信噪比的微震信号识别率低、分类粗略及分类准确率低的问题,使得低信噪比微震信号时频分辨率得到明显提高、分类精确以及实现对多种微弱信号的分类,能够很好的应用到矿井安全生产和煤矿盗采监测技术中。
Description
技术领域
本发明涉及信息处理技术领域,具体是一种基于重排ST的低信噪比微震事件辨别方法。
背景技术
微震监测是实现矿井安全生产、防止煤矿盗采的重要手段之一,微震技术为煤矿监测提供了技术保障。地震信号属于典型的低信噪比的非平稳信号,包括微震信号(本文中指岩体破裂信号)、爆破信号、钻机和矿车等机械设备噪声及溜井放矿噪声。对微震信号的监测是煤矿安全生产的重要保障,对爆破信号的监测是防止煤矿盗采的关键。因此如何从接收到的信号中准确识别出微震信号、爆破信号是微震监测技术得以应用的关键问题。
时频分析是处理非平稳信号的强有力工具,其已经广泛应用在地震资料去噪、油气储层检测等方面。现有的时频分析方法存在分辨率不足等问题。短时傅里叶变换(STFT)窗函数长度是根据经验人工选定,信号分辨率不能自适应的调节。连续小波变换(CWT)能够实现了信号的多尺度分析,但其存小波母函数选择困难,并且不同的小波母函数得到的变换结果也不同;与CWT相比,S变换(ST)算法中基本小波为固定函数,窗口大小根据信号频率自适应调节,保证分辨率自适应调节,又增强了高频弱振幅信号的能量,但由于受海森堡不确定性原理的限制,其分辨率都有限;
SVM是建立在统计学习理论基础上的机器学习方法,是一种非线性分类器。它的基本思想是将输入空间的样本通过某种非线性函数关系映射到一个特征空间中,使两类样本在此特征空间中线性可分,并寻找样本在此特征空间中的最优线性区分超平面。SVM算法最初是为二值分类问题设计的,当处理多类问题时,就需要构造合适的多分类器。本发明采用直接法,直接在二分类模型的基础上进行修改,将多个分类面的参数求解合并到一个最优化问题中,用过求解该优化问题“一次性”实现多类分类。
发明内容
本发明的目的在于克服现有技术的不足,而提供的一种基于重排ST的低信噪比微震事件辨别方法,该方法通过对ST的时频谱重排使能量归为到真实的瞬时频率上,极大地减弱了噪声对微弱信号的影响,在提高信号的时频分辨率的同时又保留了微弱信号,使信号特征提取更加精确、实时性更高;从而使分类结果更加准确。
实现本发明目的的技术方案是:
一种基于重排ST的低信噪比微震事件辨别方法,具体包括如下步骤:
1)采用三向微震监测设备24h不间断的拾取三通道的微震信号x(t);
2)对步骤1)拾取到的微震信号x(t)做S变换(ST),具体是:
上述公式(1)式中,f为采样频率,t为采样时刻,b为时间位移参数,i为虚数单位;
3)推导S变换的瞬时频率,在公式(1)中添加e-i2πf(t-b)因子改写成傅里变换的形式:
4)对步骤3)中的公式(2)进行移位变换,得到傅里叶变换形式如下:
6)根据帕塞瓦尔能量恒等定理以及傅里叶变换性质中关于尺度变换和平移的规则,公式(4)变为:
7)对S变换的时频谱求导,即对公式(5)求导,得到微震信号x(t)的瞬时频率,推导过程如下:
则信号的瞬时频率为:
8)对由公式(2)得到的时频谱在频率方向上进行重排,将中心频率f附近的频谱挤压到这一点的能量分布中心f′处,以得到的时频谱矩阵为微震信号的特征矩阵;
9)构造分类器,对微震信号进行分类,分类器的最优分类面为:
s.t yi(wφ(xi)+b)≥1-ζi
其中w和b分别为最优分类面的权向量和偏差;ζi为松弛变量,ζi≥0;C为惩罚系数,
φ(xi)由式(9)可得到:
上述公式(9)中,r为控制高斯核宽度的参数,采用网格搜索算法确定联合参数c和r;
10)分别选取微震信号的1-100组数据作为模式识别的训练组,101-200组数据作为预测组,以重排S变换的时频谱作为模式识别的特征向量,微震信号的类别作为输出向量;
经过上述步骤,提取到更精确的信号特征,其中岩石破裂信号、爆破信号及其他噪声的分类正确率达到了98%。
经过重排的时频谱得到的谱图在任何点(t′,f′)处的值等于重排到这一点的所有谱图值的和,即重排时频谱为:
有益效果:经过对信号进行重排S变换,极大地减弱噪声对微弱信号的影响,能有效检索到岩裂的发生,使信号的分类精度极大地提高;该算法运算流程简单、明了,相比以往经验模态分解耗时更短,实时性更高;
附图说明
图1为本发明的流程图;
图2为信号波形图,微震信号波形;
图3为经S变换的时频图,时频谱分辨率较低,受噪声干扰较严重,存在虚假信号;
图4为重排S变换时频图,时频分辨率非常高;
图5为分类器总体架构图;
图6为取35组信号进行仿真分析,实际分类和预测分类的结果如图所示,微震信号的标签为1,爆破信号的标签为2,非威震信号的标签为3。
具体实施方式
下面结合附图和实施例对本发明做进一步阐述,但不是对本发明的限定。
实施例:
一种基于重排ST的低信噪比微震事件辨别方法,流程图如图1所示,具体包括如下步骤:
以三道沟井田实际微震监测为项目进行测试:三道沟井田位于陕西省距县城约25KM的府谷县。行政区划隶属府谷县三道沟、庙沟门、老高川、大昌汗等乡管辖地理范围:东以流经沙梁-庙沟门-新庙村的区内主要河流沙梁川为界,南以青龙寺井田、沙沟岔井田北界及规划的地方小煤矿开采区北界为界,西以郭家湾井田和石窑店井田与本井田之间的预留区的东界为界,北以袁家梁井田的南界和陕蒙边界为界。井田地理坐标:东经110°30′22″~110°48′15″;北纬39°09′45″~39°17′45″。
(1)读取以SEGY格式的存放的微震信号数据x=[x1,x2,...,xn]T。
(2)对采集的数据,进行等间隔采样x(n)=x(kn),绘制波形图,如图2所示。
(3)对信号x(n)进行ST步骤:S转换是一种时频分析工具,通过S变换,我们可以同时从时域以及频域观察一个信号的能量分布。
对于连续时间信号x(t),其S转换为:
(4)如果x的列大于行,则进入步骤(5),否则进入步骤(6)。
(5)对x做转置,并赋给A本身x=xT;保证x是一个列向量。
(6)如果输入参数的个数为1,进入步骤(7),否则进入步骤(8)。
(7)令最小采样频率为fmin=0,最大采样频率fmax=fNyquist,采样间隔T=1。
(8)显示参数:最小采样频率fmin、最大采样频率fmax、采样间隔T、抽样频率间隔Tf、时间序列的长度N。
(10)采样时间t=[Tf,2Tf,...,(N-1)Tf]。
(12)显示频率的个数Spe_nelements;也就是采样个数。
(13)进入S变换。
(14)计算时间序列的长度n;输入为时间序列A。
(15)计算快速傅里叶变换FFT。
(18)计算采样点的S变换的值。
(20)画出时频图,如图3所示。
(21)由图3可以看出,由于受到噪声的影响,频谱分辨率较低,很多微弱信号被噪声淹没,这为信号特征的提取带来了极大地干扰,因此进行时频谱重排。
(22)如果输入的变量个数为0,则结束,否则进入(22)。
(23)xrow=size(x,2),xcol=size(x,1)。
(24)如果输入参数的个数小于2。
(25)令N=xrow。
(26)h=G(N/4)。
(27)trow=size(t,2),tcol=size(t,1)。
(28)如果xclo不等于1;则结束,否则进入(29)。
(29)如果trow不等于1,则结束,否则进入(30)。
(30)如果2nextpow2(N)≠N,则结束,否则进入(30)。
(31)hrow=size(h,2),hcol=size(h,1),Lh=(hrow-1)/2。
(32)如果hcol≠1||hrow/2≠0,则进入结束,否则进入(33)。
(33)如果tcol=1;则Dt=1;否则进入(34)。
(34)D=t(k)-t(k-1)。
(35)Dt=D min。
(37)tfr=|tfr|2
(38)绘制重排后的时频谱图,如图4所示,多分类支持向量机模型,总体架构如图5所示。
(39)选定训练集和测试集。
(40)数据预处理:对载入的矩阵做归一化处理,即:
其中x,y∈Rn;xmin=min(x);xmax=max(x),归一化的效果是原始数据被规整到[0,1]范围内,即yi∈[0,1],i=1,2...n;这种归一化方式称为[0,1]区间归一化。
(41)训练和预测:用训练集对SVM分类器进行训练,用得到的模型对测试集进行标签预测。预测结果如图6所示。
Claims (2)
1.一种基于重排ST的低信噪比微震事件辨别方法,其特征在于,具体包括如下步骤:
1)采用三向微震监测设备24h不间断的拾取三通道的微震信号x(t);
2)对步骤1)拾取到的微震信号x(t)做S变换(ST),具体是:
上述公式(1)式中,f为采样频率,t为采样时刻,b为时间位移参数,i为虚数单位;
3)推导S变换的瞬时频率,在公式(1)中添加e-i2πf(t-b)因子改写成傅里变换的形式:
4)对步骤3)中的公式(2)进行移位变换,得到傅里叶变换形式如下:
6)根据帕塞瓦尔能量恒等定理以及傅里叶变换性质中关于尺度变换和平移的规则,公式(4)变为:
7)对S变换的时频谱求导,即对公式(5)求导,得到微震信号x(t)的瞬时频率,推导过程如下:
则信号的瞬时频率为:
8)对由公式(2)得到的时频谱在频率方向上进行重排,将中心频率f附近的频谱挤压到这一点的能量分布中心f′处,以得到的时频谱矩阵为微震信号的特征矩阵;
9)构造分类器,对微震信号进行分类,分类器的最优分类面为:
其中w和b分别为最优分类面的权向量和偏差;ζi为松弛变量,ζi≥0;C为惩罚系数,
φ(xi)由式(9)可得到:
上述公式(9)中,r为控制高斯核宽度的参数,采用网格搜索算法确定联合参数c和r;
10)分别选取微震信号的1-100组数据作为模式识别的训练组,101-200组数据作为预测组,以重排S变换的时频谱作为模式识别的特征向量,微震信号的类别作为输出向量;
经过上述步骤,提取到精确的信号特征,其中岩石破裂信号、爆破信号及其他噪声的分类正确率达到98%。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711067988.3A CN107944469B (zh) | 2017-11-03 | 2017-11-03 | 一种基于重排st的低信噪比微震事件辨识方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711067988.3A CN107944469B (zh) | 2017-11-03 | 2017-11-03 | 一种基于重排st的低信噪比微震事件辨识方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN107944469A CN107944469A (zh) | 2018-04-20 |
CN107944469B true CN107944469B (zh) | 2021-12-21 |
Family
ID=61934279
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201711067988.3A Active CN107944469B (zh) | 2017-11-03 | 2017-11-03 | 一种基于重排st的低信噪比微震事件辨识方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107944469B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2020220416A1 (zh) * | 2019-04-28 | 2020-11-05 | 山东科技大学 | 一种基于深度学习的微震信号分类辨识方法 |
CN116299684B (zh) * | 2023-05-17 | 2023-07-21 | 成都理工大学 | 基于人工神经网络中双模态神经元的新型微震分类方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105740840A (zh) * | 2016-02-29 | 2016-07-06 | 中南大学 | 一种岩体破裂信号与爆破振动信号的非线性识别方法 |
CN105956526A (zh) * | 2016-04-22 | 2016-09-21 | 山东科技大学 | 基于多尺度排列熵的低信噪比微震事件辨识方法 |
WO2016172667A1 (en) * | 2015-04-24 | 2016-10-27 | Schlumberger Technology Corporation | Estimating pressure for hydraulic fracturing |
-
2017
- 2017-11-03 CN CN201711067988.3A patent/CN107944469B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2016172667A1 (en) * | 2015-04-24 | 2016-10-27 | Schlumberger Technology Corporation | Estimating pressure for hydraulic fracturing |
CN105740840A (zh) * | 2016-02-29 | 2016-07-06 | 中南大学 | 一种岩体破裂信号与爆破振动信号的非线性识别方法 |
CN105956526A (zh) * | 2016-04-22 | 2016-09-21 | 山东科技大学 | 基于多尺度排列熵的低信噪比微震事件辨识方法 |
Also Published As
Publication number | Publication date |
---|---|
CN107944469A (zh) | 2018-04-20 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Huang et al. | Micro-seismic event detection and location in underground mines by using Convolutional Neural Networks (CNN) and deep learning | |
Liu et al. | Geological disaster recognition on optical remote sensing images using deep learning | |
Peng et al. | Automatic classification of microseismic signals based on MFCC and GMM-HMM in underground mines | |
CN107992802B (zh) | 一种基于nmf的微震弱信号识别方法 | |
CN112684497B (zh) | 地震波形聚类方法和装置 | |
Marwan et al. | Cross recurrence plots and their applications | |
CN107944469B (zh) | 一种基于重排st的低信噪比微震事件辨识方法 | |
CN103869362B (zh) | 体曲率获取方法和设备 | |
Peng et al. | Automatic classification of microseismic records in underground mining: a deep learning approach | |
CN104316958A (zh) | 一种识别不同尺度地层断裂的相干处理方法 | |
CN111507155A (zh) | 联合U-Net++和UDA的微地震有效信号初至拾取方法及装置 | |
CN110568495A (zh) | 基于广义目标函数的瑞雷波多模式频散曲线反演方法 | |
CN115690772A (zh) | 基于深度学习的重力断层自动识别方法 | |
Li et al. | Waveform recognition and process interpretation of microseismic monitoring based on an improved LeNet5 convolutional neural network | |
Zhao et al. | Using an improved BEMD method to analyse the characteristic scale of aeromagnetic data in the Gejiu region of Yunnan, China | |
Dwivedi | Quantifying predictability of Indian summer monsoon intraseasonal oscillations using nonlinear time series analysis | |
CN112230275A (zh) | 地震波形的识别方法、装置及电子设备 | |
Abadi et al. | Energy harvesting wearables can tell which train route you have taken | |
CN114706128A (zh) | 一种微地震资料噪声压制方法及系统、存储介质和地震信息处理设备 | |
CN111582292B (zh) | 夹层识别方法和装置 | |
CN107590824B (zh) | 基于三维图像处理技术的岩石颗粒识别及位移跟踪方法 | |
Bogomaz et al. | An artificial neural network for analysis of ionograms obtained by ionosonde at the Ukrainian Antarctic Akademik Vernadsky station | |
Kim et al. | Bayesian multiple change-point estimation and segmentation | |
CN104216015B (zh) | 基于隐含狄利克雷分布的三维地震信号分类方法 | |
CN110781749B (zh) | 基于双偏差双空间局部方向模式的人脸识别方法 |
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 |