CN114626409A - 一种近断层加速度脉冲识别方法、存储介质及计算机设备 - Google Patents

一种近断层加速度脉冲识别方法、存储介质及计算机设备 Download PDF

Info

Publication number
CN114626409A
CN114626409A CN202210156748.5A CN202210156748A CN114626409A CN 114626409 A CN114626409 A CN 114626409A CN 202210156748 A CN202210156748 A CN 202210156748A CN 114626409 A CN114626409 A CN 114626409A
Authority
CN
China
Prior art keywords
pulse
acceleration
time
energy
speed
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.)
Granted
Application number
CN202210156748.5A
Other languages
English (en)
Other versions
CN114626409B (zh
Inventor
常志旺
孙红林
刘府生
李聪
张翔玮
高勤皓
刘凯锐
张迎宾
申玉生
黄国良
程印
魏江涛
余鹏程
李得建
贺建先
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Southwest Jiaotong University
China Railway Siyuan Survey and Design Group Co Ltd
Original Assignee
Southwest Jiaotong University
China Railway Siyuan Survey and Design Group Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Southwest Jiaotong University, China Railway Siyuan Survey and Design Group Co Ltd filed Critical Southwest Jiaotong University
Priority to CN202210156748.5A priority Critical patent/CN114626409B/zh
Publication of CN114626409A publication Critical patent/CN114626409A/zh
Application granted granted Critical
Publication of CN114626409B publication Critical patent/CN114626409B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06FELECTRIC DIGITAL DATA PROCESSING
    • G06F2218/00Aspects of pattern recognition specially adapted for signal processing
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06FELECTRIC DIGITAL DATA PROCESSING
    • G06F2218/00Aspects of pattern recognition specially adapted for signal processing
    • G06F2218/08Feature extraction

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Artificial Intelligence (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Signal Processing (AREA)
  • Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Geophysics And Detection Of Objects (AREA)

Abstract

本发明属于地震动信号分析领域,公开了一种近断层加速度脉冲识别方法、存储介质及计算机设备。分两步进行:首先,采用移动平均法滤除原始速度记录中的高频成分,提取出速度脉冲;然后使用峰点法,确定脉冲起始时刻和终止时刻,计算出速度脉冲能量,并由该能量判别原始速度记录是否包含典型速度脉冲。其次,根据速度脉冲起始时刻和终止时刻截取原始加速度记录,得到加速度局部序列;计算该序列中最大半周期脉冲能量,并由该能量与序列总能量之比作为加速度脉冲的自动化识别指标。本发明提出了一种基于最大半周期脉冲能量的加速度脉冲自动化识别指标,在精细化地震动输入、满足近断层工程结构的抗震设计标准方面具有重要工程应用价值。

Description

一种近断层加速度脉冲识别方法、存储介质及计算机设备
技术领域
本发明属于地震监测技术领域,尤其涉及一种近断层加速度脉冲识别方法、存储介质及计算机设备。
背景技术
目前,相比远场地震动,近场地震动通常会导致结构发生更严重的损坏。由于前向方向性和走滑效应,近场地震动通常具有明显强脉冲特性,这种特性一般可以在速度时程中观察到(Kalkan&Kunnath,2006)。在过去二十年中,近断层脉冲地震动已成为地震学和地震工程中的一个活跃的研究课题。在地震工程领域,大量学者已经开展脉冲状地震动对各种土木结构的破坏性影响研究,包括理想化的单(多)自由度系统,地震基础隔震结构,桥梁结构,以及一些其他特殊结构或结构元素。
在过去十几年中,部分学者已经提出几种量化识别脉冲的方法。例如:(a)基于小波分析理论、(b)基于能量法以及(c)其他方法。
但是这些研究主要集中于速度脉冲的两个方面,即结构性能评估和脉冲状地面运动特性。然而,速度脉冲可以在附加特征方面进一步区分,例如明显的加速度脉冲(acc-pulse)或连续的高频单侧加速度尖峰脉冲(non-acc-pulse)。
根据1984年摩根希尔和1989年洛马普列塔地震期间记录的两个地震动分量。通过目视观察速度时程可以检测它们的脉冲状特征。然而,这两个速度脉冲是两个不同加速度序列对时间积分的结果。对于MorganHill记录,在视觉上可以看出明显加速度脉冲;而对于LomaPrieta记录,没有检测到明确的加速度脉冲。两类速度脉冲可能对结构响应、抗震设计以及评估实践产生不同的影响。从局部加速度脉冲积分而来的速度脉冲对于大多数结构可能更有意义,而非加速度脉冲产生的速度脉冲仅考虑对长期结构(高于4s)的影响。正如Vassiliou和Makris(2011)强调的那样,目前尚未对不同特征的速度脉冲进行自动化识别,这阻碍了近断层情况下针对基于性能的地震工程的更精细框架的进一步发展。
通过上述分析,现有技术存在的问题及缺陷为:现有技术无法对不同特征的速度脉冲进行自动化识别,阻碍了精细化地震动输入的进一步发展。
解决以上问题及缺陷的难度为:目前国内外并没有加速度脉冲识别方法,本方法基于移动平均法首次提出加速度脉冲自动化识别方法。
解决以上问题及缺陷的意义为:加速度和非加速度脉冲会对结构响应、抗震设计以及评估实践产生不同的影响,而非加速度脉冲产生的速度脉冲仅考虑对长期结构(高于4s)的影响,从局部加速度脉冲积分而来的速度脉冲对于大多数结构的抗震设防更有意义。本方法在精细化地震动输入、满足近断层工程结构的抗震设计标准方面具有重要工程应用价值。
发明内容
针对现有技术存在的问题,本发明提供了一种近断层加速度脉冲识别方法、存储介质及计算机设备。
本发明是这样实现的,一种近断层加速度脉冲识别方法包括:
步骤一,采用移动平均法(MAM)滤除原始速度记录的高频成分,提取出速度脉冲;
步骤二,对提取的脉冲使用峰点法(PPM),确定脉冲起始时刻和终止时刻;
步骤三,根据脉冲起始时刻和终止时刻,计算速度脉冲的相对能量(PIv)。将PIv与脉冲阈值水平进行比较,判断原始记录是否含有典型速度脉冲;
步骤四,根据速度脉冲起始时刻和终止时刻截取原始加速度记录,得到加速度局部序列;
步骤五,计算加速度局部序列中的最大半周期脉冲能量,以此作为识别加速度脉冲的判定指标。
进一步,所述步骤一中的移动平均法(MAM)使用定义范围内相邻数据点的平均值替换每个数据点来平滑数据。移动平均法如下:
Figure BDA0003512513160000031
Figure BDA0003512513160000032
Figure BDA0003512513160000033
Figure BDA0003512513160000034
式中:x[n]——具有N个样本的输入信号;
y[n]——相应的输出信号;
m——一个奇数,用于确定适当的平均点数。
Tp——速度时程中主脉冲周期;
dt——输入信号的时间间隔;
α——经验系数。
进一步,所述步骤二中的峰点法(PPM)确定脉冲起始时刻和终止时刻原理如下:
与峰值速度相邻的波谷或波峰之间的时间间隔为脉冲周期Tp,第一个波谷或波峰对应的时刻为脉冲起始时刻(ts),第二个波谷或波峰对应的时刻为终止时刻(te)。
进一步,所述步骤三中速度脉冲相对能量(PIv)通过下式计算:
Figure BDA0003512513160000035
式中,T是地震动的总持续时间,v(t)为原始速度记录;
所提方法定义速度脉冲能量的阈值水平为0.35。大于该阈值水平时,取伪率为0,即:与之对应的原始记录的脉冲属性为脉冲;小于或等于该阈值水平时,原始记录的脉冲属性为非脉冲;
进一步,所述步骤五中在对速度脉冲进行识别之后,通过下式计算加速度脉冲的PIa指标:
Figure BDA0003512513160000041
式中,t1和t2是具有最大面积(能量)的半周期脉冲的过零时刻,可通过绘图识别。通常,t1和t2不同于上述ts和te。计算出加速度脉冲的PIa指标后,按下列标准判别是否为加速度脉冲:
当PIa大于0.50时,与之对应的加速度记录的脉冲属性为脉冲;PIa小于0.25时,与之对应的加速度记录的脉冲属性为非脉冲;当PIa大于0.25且小于0.50时,与之对应的加速度记录的脉冲属性需特别处理。
本发明的另一目的在于提供一种计算机设备,所述计算机设备包括存储器和处理器,所述存储器存储有计算机程序,所述计算机程序被所述处理器执行时,使得所述处理器执行所述近断层加速度脉冲识别方法的步骤。
本发明的另一目的在于提供一种计算机可读存储介质,存储有计算机程序,所述计算机程序被处理器执行时,使得所述处理器执行所述近断层加速度脉冲识别方法的步骤。
结合上述的所有技术方案,本发明所具备的优点及积极效果为:
(1)本发明提出了两个相邻过零点之间的半周期脉冲的PIa来自动化识别加速度脉冲和非加速度脉冲,在精细化地震动输入、满足近断层工程结构的抗震设计标准方面具有重要工程应用价值。
(2)本发明与连续和离散小波变换相比,移动平均法(MAM)可有效地提取原始记录的所有低频成分;MAM不仅适用具有一个主脉冲的记录,而且也适用于具有多个脉冲的记录。
附图说明
为了更清楚地说明本申请实施例的技术方案,下面将对本申请实施例中所需要使用的附图做简单的介绍,显而易见地,下面所描述的附图仅仅是本申请的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下还可以根据这些附图获得其他的附图。
图1是本发明实施例提供的近断层加速度脉冲识别方法的流程图。
图2是本发明实施例提供的近断层加速度脉冲识别方法的原理图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白,以下结合实施例,对本发明进行进一步详细说明。应当理解,此处所描述的具体实施例仅仅用以解释本发明,并不用于限定本发明。
针对现有技术存在的问题,本发明提供了一种近断层加速度脉冲识别方法、存储介质及计算机设备,下面结合附图对本发明作详细的描述。
如图1所示,本发明实施例提供的近断层加速度脉冲识别方法包括:
S1,采用移动平均法(MAM)滤除原始速度记录中的高频成分,提取出速度脉冲;
S2,对提取的脉冲使用峰点法(PPM),确定脉冲起始时刻和终止时刻;
S3,根据脉冲起始时刻和终止时刻,计算速度脉冲的相对能量(PIv)。将PIv与脉冲阈值水平进行比较,判断原始记录是否含有典型速度脉冲;
S4,根据速度脉冲起始时刻和终止时刻截取原始加速度记录,得到加速度局部序列;
S5,计算加速度局部序列中的最大半周期脉冲能量,以此作为识别加速度脉冲的判定指标。
以下步骤概述了这种自动化方法,图2总结了图形流程图,包括以下步骤:
S1:采用移动平均法(MAM)滤除原始速度记录中的高频成分,提取出速度脉冲;本实施例中,以RSN1054_NORTHR_PAR地震动记录为提取对象。采用移动平均法对其进行脉冲提取:
Figure BDA0003512513160000051
Figure BDA0003512513160000061
Figure BDA0003512513160000062
Figure BDA0003512513160000063
式中:x[n]——具有N个样本的输入信号;
y[n]——相应的输出信号;
m——一个奇数,用于确定适当的平均点数。
Tp——速度时程中主脉冲周期;
dt——输入信号的时间间隔;
α——经验系数。
图(a)为原始速度记录,图(b)为利用移动平均法对原始记录进行提取后的速度时程图。
S2:对提取的速度脉冲使用峰点法(PPM),确定脉冲起始时刻和终止时刻;
峰点法(PPM)即与峰值速度相邻的波谷或波峰之间的时间间隔定义为脉冲周期Tp,如图(b)所示,峰值速度左边的第一个波谷对应的时刻为脉冲起始时刻(ts),峰值速度右边的第一个波谷对应的时刻为终止时刻(te)。从图(b)中可以看出由MA法提取的脉冲与原始记录拟合的效果很好。
S3:根据脉冲起始时刻和终止时刻,计算速度脉冲的相对能量(PIv)。将PIv与脉冲阈值水平进行比较,判断原始记录是否含有典型速度脉冲。
步骤S3中速度脉冲相对能量(PIv)通过下式计算:
Figure BDA0003512513160000064
式中,T是地震动的总持续时间,v(t)为原始速度记录;
所提方法定义速度脉冲能量的阈值水平为0.35。大于该阈值水平时,取伪率为0,即:与之对应的原始记录的脉冲属性为脉冲;小于或等于该阈值水平时,原始记录的脉冲属性为非脉冲;从图(c)可以看出PIv=0.65-0.19=0.46>0.35,由此可以判断该记录中包含典型速度脉冲。
S4:根据起始时刻和终止时刻截取原始加速度记录,得到加速度局部序列;如图(d)为根据起始时刻和终止时刻截取的加速局部序列。
S5:计算加速度局部序列中的最大半周期脉冲能量,以此作为识别加速度脉冲的判定指标。所述步骤五中在对速度脉冲进行识别之后,通过下式计算加速度脉冲的PIa指标:
Figure BDA0003512513160000071
式中,t1和t2是具有最大面积(能量)的半周期脉冲的过零时刻,由图(d)确定出t1和t2。再通过式(6)计算出PIa=1-0.47=0.53>0.50,故判定为加速度脉冲。
下面结合实施例对本发明进一步进行说明。
数据:29次地震事件中的320套地震动(640个组成部分)(见DeLuca,Chang、Goda,2019年补充数据)。
运用该算法在640条记录中识别出234条速度脉冲,其中包含93个加速度脉冲、56个非加速度脉冲以及剩余85个分量的加速度脉冲特征需要进一步分析。
为初步探讨不同特性速度脉冲的工程意义。使用上述中93个加速度脉冲和56个非加速度脉冲。首先比较震级MW和断层距RRUP之间的分布,在具有脉冲成分时,76.3%(即93个中的71个)来自MW小于7.0的地震事件,而剩余的23.7%来自MW大于或等于7.0。然而,对于非加速度脉冲,情况恰恰相反。在56个组分中,85.7%(即56个中的48个)来自较大的地震事件(MW≥7.0),而14.3%来自较小的事件(MW≤7.0)。简而言之,在较小震级事件中更可能观察到加速度脉冲,而在较大震级事件中更可能发生非加速度脉冲。通常大的地震事件产生富含低频的地震动,而小的地震事件产生富含高频的地震动,我们可以推测加速度脉冲可能主要影响短周期范围的反应谱。而非加速度脉冲将主要影响中长期范围内的反应谱。进一步的证据可以在下面找到。
据估计,93个加速度脉冲成分中的70个(即75.3%)的TP值小于3.0s,其余23个成分的TP大于3.0s。对于非加速度脉冲,仅一种组分具有小于3.0s的TP值,并且总共56种中的55种具有大于3.0s的TP值。这意味着大多数加速度脉冲组件倾向于具有较小的TP值,而非加速度脉冲可能具有较大的TP值。因为先前的研究已经报道了MW和TP之间存在关系;然而,在他们的研究中,没有对加速度脉冲和非加速度脉冲进行系统的区分。
应当注意,本发明的实施方式可以通过硬件、软件或者软件和硬件的结合来实现。硬件部分可以利用专用逻辑来实现;软件部分可以存储在存储器中,由适当的指令执行系统,例如微处理器或者专用设计硬件来执行。本领域的普通技术人员可以理解上述的设备和方法可以使用计算机可执行指令和/或包含在处理器控制代码中来实现,例如在诸如磁盘、CD或DVD-ROM的载体介质、诸如只读存储器(固件)的可编程的存储器或者诸如光学或电子信号载体的数据载体上提供了这样的代码。本发明的设备及其模块可以由诸如超大规模集成电路或门阵列、诸如逻辑芯片、晶体管等的半导体、或者诸如现场可编程门阵列、可编程逻辑设备等的可编程硬件设备的硬件电路实现,也可以用由各种类型的处理器执行的软件实现,也可以由上述硬件电路和软件的结合例如固件来实现。
以上所述,仅为本发明的具体实施方式,但本发明的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本发明揭露的技术范围内,凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等,都应涵盖在本发明的保护范围之内。

Claims (8)

1.一种近断层加速度脉冲识别方法,其特征在于,所述近断层加速度脉冲识别方法包括:
步骤一,采用移动平均法MAM滤除原始速度记录中的高频成分,提取出速度脉冲;
步骤二,对提取的脉冲使用峰点法PPM,确定脉冲起始时刻和终止时刻;
步骤三,根据脉冲起始时刻和终止时刻,计算速度脉冲的相对能量PIv;将PIv与脉冲阈值水平进行比较,判断原始记录是否含有典型速度脉冲;
步骤四,根据速度脉冲起始时刻和终止时刻截取原始加速度记录,得到加速度局部序列;
步骤五,计算加速度局部序列中的最大半周期脉冲能量,以此作为识别加速度脉冲的判定指标。
2.如权利要求1所述的近断层加速度脉冲识别方法,其特征在于,所述步骤一中的移动平均法MAM使用定义范围内相邻数据点的平均值替换每个数据点来平滑数据;移动平均法定义式如下:
Figure FDA0003512513150000011
Figure FDA0003512513150000012
Figure FDA0003512513150000013
Figure FDA0003512513150000014
式中:x[n]——具有N个样本的输入信号;
y[n]——相应的输出信号;
m——一个奇数,用于确定适当的平均点数。
Tp——速度时程中主脉冲周期;
dt——输入信号的时间间隔;
α——经验系数。
3.如权利要求2所述的近断层加速度脉冲识别方法,其特征在于,所述步骤二中的峰点法PPM采用以下定义确定脉冲起始时刻和截止时刻:
峰点法PPM与峰值速度相邻的波谷或波峰之间的时间间隔定义为脉冲周期Tp,第一个波谷或波峰对应的时刻为脉冲起始时刻(ts),第二个波谷或波峰对应的时刻为终止时刻(te)。
4.如权利要求1所述的近断层加速度脉冲识别方法,其特征在于,所述步骤三中速度脉冲能量PIv定义如下:
Figure FDA0003512513150000021
式中,T是地震动的总持续时间,v(t)为原始速度记录;
所提方法定义速度脉冲能量的阈值水平为0.35;大于阈值水平时,取伪率为0,与之对应的原始记录的脉冲属性为脉冲;小于或等于该阈值水平时,原始记录的脉冲属性为非脉冲。
5.如权利要求1所述的近断层加速度脉冲识别方法,其特征在于,所述步骤五中在对速度脉冲进行识别之后,通过下式计算加速度脉冲的PIa指标:
Figure FDA0003512513150000022
式中,t1和t2是具有最大面积的半周期脉冲的过零时刻,可通过绘图识别。通常,t1和t2不同于上述ts和te
6.如权利要求5所述的近断层加速度脉冲识别方法,其特征在于,计算出加速度脉冲的PIa指标后,按下列标准判别是否为加速度脉冲:
当PIa大于0.50时,与之对应的加速度记录的脉冲属性为脉冲;PIa小于0.25时,与之对应的加速度记录的脉冲属性为非脉冲;当PIa大于0.25且小于0.50时,与之对应的加速度记录的脉冲属性需特别处理。
7.一种计算机设备,其特征在于,所述计算机设备包括存储器和处理器,所述存储器存储有计算机程序,所述计算机程序被所述处理器执行时,使得所述处理器执行权利要求1~6任意一项所述近断层加速度脉冲识别方法的步骤。
8.一种计算机可读存储介质,存储有计算机程序,所述计算机程序被处理器执行时,使得所述处理器执行权利要求1~6任意一项所述近断层加速度脉冲识别方法的步骤。
CN202210156748.5A 2022-02-21 2022-02-21 一种近断层加速度脉冲识别方法、存储介质及计算机设备 Active CN114626409B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210156748.5A CN114626409B (zh) 2022-02-21 2022-02-21 一种近断层加速度脉冲识别方法、存储介质及计算机设备

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210156748.5A CN114626409B (zh) 2022-02-21 2022-02-21 一种近断层加速度脉冲识别方法、存储介质及计算机设备

Publications (2)

Publication Number Publication Date
CN114626409A true CN114626409A (zh) 2022-06-14
CN114626409B CN114626409B (zh) 2023-09-26

Family

ID=81900008

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210156748.5A Active CN114626409B (zh) 2022-02-21 2022-02-21 一种近断层加速度脉冲识别方法、存储介质及计算机设备

Country Status (1)

Country Link
CN (1) CN114626409B (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115826053A (zh) * 2022-11-30 2023-03-21 西南交通大学 近走滑活动断层岩土工程灾变评价地震动确定方法
CN115903017A (zh) * 2022-10-17 2023-04-04 西南交通大学 一种近断层脉冲型地震动参数化方法
CN116933144A (zh) * 2023-09-18 2023-10-24 西南交通大学 基于时-谱匹配的脉冲信号特征参数识别方法及相关装置

Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20050059363A1 (en) * 2003-09-15 2005-03-17 Hansen Christopher J. Radar detection from pulse record with interference
WO2007017840A1 (en) * 2005-08-10 2007-02-15 Nxp B.V. Method and device for digital image stabilization
CN101609326A (zh) * 2008-06-20 2009-12-23 鸿富锦精密工业(深圳)有限公司 加减速控制装置及加减速控制方法
CN107395157A (zh) * 2017-07-13 2017-11-24 国网江苏省电力公司电力科学研究院 基于小波变换和加权移动平均的接地网电位差滤波方法
CN107616798A (zh) * 2017-09-19 2018-01-23 北京工业大学 一种基于重力加速度的步态不对称性检测方法
CN108957503A (zh) * 2018-06-08 2018-12-07 南京航空航天大学 基于ads-b消息脉冲计数的定位和虚假目标识别方法
CN110389379A (zh) * 2019-07-12 2019-10-29 中国地震局地球物理研究所 能够表征地面永久位移的近断层地震加速度时程拟合方法
CN110647980A (zh) * 2019-09-18 2020-01-03 成都理工大学 一种基于gru神经网络的时间序列预测方法
CN111126499A (zh) * 2019-12-25 2020-05-08 国网河北省电力有限公司 一种基于二次聚类的用电行为模式分类方法
CN113255482A (zh) * 2021-05-11 2021-08-13 福建工程学院 一种基于hht脉冲参数识别的远场类谐和地震动合成方法

Patent Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20050059363A1 (en) * 2003-09-15 2005-03-17 Hansen Christopher J. Radar detection from pulse record with interference
WO2007017840A1 (en) * 2005-08-10 2007-02-15 Nxp B.V. Method and device for digital image stabilization
CN101609326A (zh) * 2008-06-20 2009-12-23 鸿富锦精密工业(深圳)有限公司 加减速控制装置及加减速控制方法
CN107395157A (zh) * 2017-07-13 2017-11-24 国网江苏省电力公司电力科学研究院 基于小波变换和加权移动平均的接地网电位差滤波方法
CN107616798A (zh) * 2017-09-19 2018-01-23 北京工业大学 一种基于重力加速度的步态不对称性检测方法
CN108957503A (zh) * 2018-06-08 2018-12-07 南京航空航天大学 基于ads-b消息脉冲计数的定位和虚假目标识别方法
CN110389379A (zh) * 2019-07-12 2019-10-29 中国地震局地球物理研究所 能够表征地面永久位移的近断层地震加速度时程拟合方法
CN110647980A (zh) * 2019-09-18 2020-01-03 成都理工大学 一种基于gru神经网络的时间序列预测方法
CN111126499A (zh) * 2019-12-25 2020-05-08 国网河北省电力有限公司 一种基于二次聚类的用电行为模式分类方法
CN113255482A (zh) * 2021-05-11 2021-08-13 福建工程学院 一种基于hht脉冲参数识别的远场类谐和地震动合成方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
周东晖: ""基于NB-IoT和Stm32的温室大棚环境多点监测系统"", 《辽宁科技大学学报》 *
王彪: ""一种变步长最小平均p范数自适应滤波算法"", 《电子与信息学报》 *

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115903017A (zh) * 2022-10-17 2023-04-04 西南交通大学 一种近断层脉冲型地震动参数化方法
CN115903017B (zh) * 2022-10-17 2024-03-15 西南交通大学 一种近断层脉冲型地震动参数化方法
CN115826053A (zh) * 2022-11-30 2023-03-21 西南交通大学 近走滑活动断层岩土工程灾变评价地震动确定方法
CN115826053B (zh) * 2022-11-30 2023-08-18 西南交通大学 近走滑活动断层岩土工程灾变评价地震动确定方法
CN116933144A (zh) * 2023-09-18 2023-10-24 西南交通大学 基于时-谱匹配的脉冲信号特征参数识别方法及相关装置
CN116933144B (zh) * 2023-09-18 2023-12-08 西南交通大学 基于时-谱匹配的脉冲信号特征参数识别方法及相关装置

Also Published As

Publication number Publication date
CN114626409B (zh) 2023-09-26

Similar Documents

Publication Publication Date Title
CN114626409A (zh) 一种近断层加速度脉冲识别方法、存储介质及计算机设备
CN106657057B (zh) 反爬虫系统及方法
CN110287827B (zh) 一种基于数据关联性的桥梁应变数据异常值识别方法
CN112147684B (zh) 表征同沉积断层活动强度的方法和装置
CN105530554B (zh) 一种视频摘要生成方法及装置
CN106353805B (zh) 一种直观的微地震事件分类方法
CN113343496A (zh) 一种变压器轻瓦斯保护方法、系统、存储介质及计算设备
Holliday et al. Using earthquake intensities to forecast earthquake occurrence times
CN109154651A (zh) 基于雷达的测距处理方法、装置及无人飞行器
US11560789B2 (en) Method for pre-warning deformation of casing pipe according to change feature of b-value of hydraulic fracturing induced microseismicity
US7661083B2 (en) Probabilistic noise analysis
Chen et al. CubeNet: Array‐based seismic phase picking with deep learning
CN108035708B (zh) 一种去除地层界面反射波的方法及装置
CN107132515A (zh) 一种基于多维信息约束的点迹筛选方法
CN114076841A (zh) 基于用电信息数据的窃电行为识别方法及系统
CN107920067B (zh) 一种主动对象存储系统上的入侵检测方法
Abe et al. Aftershocks in modern perspectives: Complex earthquake network, aging, and non-Markovianity
CN115903017B (zh) 一种近断层脉冲型地震动参数化方法
CN104090838A (zh) 一种生成测试用例的方法
CN116028930A (zh) 一种物联网中能源数据的防御检测方法及其系统
Draelos et al. Dynamic tuning of seismic signal detector trigger levels for local networks
CN107067608B (zh) 一种基于三级阈值判定的有效振动波形截取方法
Segou et al. Prospective earthquake forecasts at the Himalayan Front after the 25 April 2015 M 7.8 Gorkha mainshock
Sun et al. Satellite micro anomaly detection based on telemetry data
CN114154146A (zh) 一种工控系统隐蔽攻击检测方法及装置

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