RU2202811C1 - Устройство обнаружения и классификации сейсмических сигналов - Google Patents

Abstract

Использование для идентификации удаленных источников сейсмоколебаний. Устройство содержит сейсмопреобразователь, схему автоматического регулирования усиления, блок выделения и обработки импульсных сигналов, блок классификации. Классификация производится на основе модели авторегрессии с использованием априорной информации о значении регрессии для разных источников сейсмических сигналов. Решение о классе принимается по критерию максимума апостериорной вероятности. Технический результат: повышение вероятности правильной классификации сигналов. 5 ил., 1 табл.

Description

Изобретение относится к техническим средствам обнаружения и классификации сейсмических сигналов и может быть использовано для идентификации удаленных источников сейсмоколебаний.

Известны устройства обнаружения и классификации сейсмических сигналов, реализованные на основе анализа частотного спектра принимаемых сейсмических сигналов [1, 2], где решение о наличии источника и его предполагаемом характере принимается по наличию и интенсивности сигнала в характерных полосах частот.

Сейсмическое устройство обнаружения объектов [1] работает следующим образом. Сигнал с выхода сейсмопреобразователя поступает на схему обработки сигналов, где он нормируется схемой автоматического регулирования и фильтруется в полосах частот, характерных для обнаруживаемых классов сигналов. Отфильтрованные с помощью полосовых фильтров сигналы в семи каналах выделения частотных признаков детектируются и усредняются, после чего компараторами сравниваются с опорными напряжениями. В зависимости от интенсивности сигнала в различных полосах частот, на которые настроены полосовые фильтры, и от уровня опорного напряжения на выходах компараторов будет формироваться комбинация логических нулей и единиц. С помощью схемы АРУ сигналы нормируются, т.е. компенсируется затухание сигнала с увеличением расстояния. С выхода сейсмопреобразователя сигнал также поступает на вход канала частотного детектирования, на выходе которого будет присутствовать случайный сигнал в случае отсутствия сейсмосигнала от источника и отсутствовать в случае наличия сейсмических воздействий в зоне действия сейсмопреобразователя. На входы схемы принятия решения поступают сигналы с выходов компараторов схемы обработки сигналов и с выхода канала частотного детектирования. Принятие решения о классе обнаруженного источника делается по комбинации логических нулей и единиц на выходах компараторов, порядку формирования этой комбинации во времени и при условии наличия сигнала низкого уровня на выходе канала частотного детектирования.

Наиболее близким к предлагаемому является сейсмическое устройство обнаружения и классификации объектов [2], в котором используются классификационные признаки объектов, формируемые методом фильтрации в определенных полосах частот, характерных для обнаруживаемых объектов: люди, техника и др. Устройство состоит из последовательно соединенных сейсмопреобразователя с предварительным усилителем, автоматического регулятора усиления, блока выделения и обработки импульсного сигнала, блока классификации объектов. Для классификации обнаруженных объектов используется классификатор, содержащий несколько каналов фильтрации характерных частот. Решающее правило для классификации основано на информации об уровнях сигналов в различных каналах. Устройство состоит из сейсмопреобразователя с предварительным усилителем, автоматического регулятора усиления, блока выделения и обработки импульсных сигналов, блока классификации объектов техники. Блок классификации объектов техники состоит из семи каналов выделения частотных признаков объектов, каждый из которых включает в себя активный полосовой фильтр, детектор огибающей и усредняющее устройство. Кроме того, блок классификации объектов техники включает в свой состав четыре компаратора, два генератора опорного напряжения, два аттенюатора, инвертор, сумматор и ранговый логический классификатор с блоком индикации.

Недостатком таких устройств [1, 2] является низкое качество классификации сигналов от различных объектов классификации, которые имеют близкие частотные характеристики. Кроме того, при изменении свойств грунта спектры сейсмических сигналов непостоянны. Наблюдается их смещение в область высоких или низких частот. Классификация таких сигналов возможна лишь в результате анализа временной реализации сигнала на заданном интервале времени.

Целью данного изобретения является повышение вероятности правильной классификации сигналов. Достижение данного технического результата осуществляется за счет использования регрессионного классификатора сигналов.

Существует математический аппарат на основе линейных параметрических моделей, который позволяет оценивать по отсчетам случайного процесса его поведение во времени [3, 4]. Данный математический аппарат можно применять для описания сейсмических сигналов, поскольку все сигналы можно рассматривать как реализации случайных процессов либо комбинации случайных и неслучайных процессов.

В соответствии с теоремой Котельникова минимальное число отсчетов N для описания реализации длиной Т при ширине спектра В определяется формулой (1) [5]:
N = 2BT (1)
Из (1) следует, что для цифрового представления сигнала достаточной будет частота дискретизации F = 2B.

В соответствии с [3, 4] случайные процессы могут описываться как авторегрессия некоторого порядка, которая характеризует степень влияния предыдущих отсчетов сигнала х_n-3, x_n-2, x_n-1,... на текущий отсчет x_n:
x_n = φ₁x_n-1+φ₂x_n-2+φ₃x_n-3+...+a_n, (2)
где φ₁,φ₂,... - коэффициенты регрессии;
х_n - текущий отсчет реализации сигнала;
a_n - значение параметра шумовой компоненты.

С помощью модели скользящего среднего некоторого порядка текущий отсчет сигнала x_n представляется в виде суммы отсчетов шумового процесса:
x_n = θ₁a_n-1+θ₂a_n-2+θ₃a_n-3+...+a_n, (3)
где θ₁,θ₂,... - коэффициенты скользящего среднего.

Существуют комбинированные модели сигналов авторегрессии - скользящего среднего

В случае рассмотрения сигнала в качестве нестационарного процесса может применяться модель проинтегрированного скользящего среднего, а также комбинация авторегрессии и проинтегрированного скользящего среднего [3]. Модель авторегрессии требует меньших вычислительных затрат по сравнению с другими, поэтому иногда, в ущерб адекватности модели, рекомендуют использовать авторегрессию [5]. В выражениях (2)-(4) предполагается, что математическое ожидание сигнала равно нулю. При неравенстве математического ожидания нулю выражения (2)-(4) изменятся незначительно за счет прибавления постоянной составляющей сигнала.

Подбор адекватной модели заключается в определении ее типа, порядка и параметров (коэффициентов). Модель устойчива, если ряд весовых коэффициентов сходится. К рассматриваемым сигналам применима любая модель с определенной степенью погрешности, но не каждая модель является оптимальной [3].

Выбор типа модели начинается с анализа автокорреляционной функции (АКФ) сигнала. Для оцифрованного сигнала АКФ определяется в соответствии с выражением

где r₀, r₁, ..., r_y - значения АКФ соответственно на 0-м, 1-м,..., у-м сдвиге.

Эти значения рассчитываются по формуле

Доверительный интервал (АКФ считается равной нулю) определяется по критерию

[4]. При этом достаточно анализировать около 20% реализации сигнала.

Для выбора вида модели на АКФ определяется номер задержки (временного сдвига), на которой АКФ попадает в доверительный интервал (обрывается). В случае попадания АКФ в доверительный интервал поле первой задержки сигнал следует идентифицировать как скользящее среднее первого порядка. При "обрыве" на второй задержке - скользящее среднее второго порядка. Если АКФ долго не затухает или затухает, колеблясь, то сигнал описывается авторегрессией какого-либо порядка [4] . Характерные АКФ реальных сейсмосигналов представлены на фиг.1. В результате анализа АКФ можно сделать вывод о том, что затухание происходит медленно. Следовательно, все сигналы могут идентифицироваться как авторегрессия некоторого порядка.

Следующим этапом построения модели является определение ее порядка и параметров. Значения коэффициентов авторегрессии вычисляются с помощью уравнений Юла-Уокера (7) и (8) [4]:
R_y = Z_y•Φ, (7)

где R₁, R₂,..., R_y - значения автокорреляционной функции на 1-м, 2-м,... , у-м временном сдвиге.

Матрица коэффициентов регрессии Φ находится
Φ = Z $\genfrac{}{}{0ex}{}{\text{-1}}{\text{y}}$ •R_y. (9)
Для предварительной оценки параметров авторегрессии необходимо вычислить коэффициенты φ₁ и φ₂ формулам [4]:

где R₁, R₂, R₃, ... - значения АКФ соответственно для первой, второй, третьей и т.д. временной задержки.

С использованием вычисленных коэффициентов (для модели авторегрессии второго порядка) необходимо оценить частную автокорреляционную функцию (ЧАКФ) до третьего сдвига включительно по формулам (11)-(13):

C_3,2 = φ₂-C_3,3•φ₁, (12)
C_3,1 = φ₁-C_3,3•φ₂. (13)
Если ЧАКФ становится равной нулю на второй задержке, то сигнал должен идентифицироваться как авторегрессия первого порядка, при равенстве нулю ЧАКФ на третьей задержке - второго порядка и т.д., пока ЧАКФ не станет равной нулю.

В соответствии с указанной методикой (по формулам (7)-(13)) были выполнены вычисления над экспериментально полученными записями сейсмосигналов. При вычислениях использовалось по 100 реализаций от 6 различных источников, что определяет необходимость обеспечения доверительной вероятности не хуже 0,95 при степени риска 0,05. В результате установлено, что для большинства сейсмосигналов ЧАКФ не попадает в доверительный интервал на третьей задержке, после чего оценивается ЧАКФ на четвертой задержке по формулам (14)-(17):

C_4,3=C_3,3-C_4,4•C_3,2, (15)
С_4,2=С_3,2-С_4,4•С_3,1, (16)
C_4,1=C_3,1-C_4,4•C_3,3. (17)
Расчеты по формулам (7)-(17) показали, что для всех сейсмосигналов ЧАКФ становится равной нулю на четвертой задержке, что говорит о достаточности модели авторегрессии третьего порядка.

Проверка адекватности модели на "белый шум" выполнена методом накопления спектра. Для этого из реального сейсмосигнала вычитался сигнал, описываемый его моделью авторегрессии, и строился накопленный спектр остатков, который в результате попал в доверительный 95%-й интервал для всех видов записанных сигналов (фиг. 2). Таким образом подтверждено, что сейсмические сигналы адекватно описывает модель авторегрессии третьего порядка.

Экспериментально установлено, что для сейсмосигналов от различных источников и помех сочетание трех коэффициентов авторегрессии не является случайным и описывается нормальным законом распределения, что проверено на "нормальность" по критерию χ² [6]:

где σ - среднеквадратическое отклонение параметра авторегресии сигнала.

Гистограммы распределений приведены на фиг.3. Параметры законов распределения коэффициентов авторегрессии для сейсмосигналов для некоторых классов объектов распознавания, записанных с помощью сейсмопреобразователя БППС 01.15.110 (параметры оцифровки: частота дискретизации - 200 Гц, размер слова - 16 бит), представлены в таблице.

Математические ожидания и среднеквадратические отклонения коэффициентов регрессии существенно отличаются для различных классов объектов и приведены в таблице. Это дает возможность построить пространство признаков на основе параметрической модели авторегрессии третьего порядка для распознавания сейсмосигналов.

Коэффициенты регрессии - параметры нестабильные, зависящие от типа грунта, времени года, сейсмической активности местности, температуры грунта и некоторых других факторов, что требует адаптации устройства к условиям эксплуатации непосредственно на месте установки методом контрольных (тестовых) воздействий.

Таким образом, информация о классе источника сейсмических сигналов содержится в комбинации значений математических ожиданий параметров φ₁,φ₂,φ₃. Шумовая компонента а_n в выражении (2) описывается нормальным законом распределения и зависит от уровня сейсмического фона в месте установки сейсмопреобразователя.

Принимать решение о классе обнаруженного сигнала целесообразно по принципу максимума апостериорной вероятности, что обеспечивает минимум среднего риска в соответствии с теорией Байеса [7]. Условная вероятность принадлежности обнаруженного сигнала к k-му классу сигналов определяется выражением:

где P(Ω_k) - априорная вероятность появления сигнала k-го типа;
m - количество возможных классифицируемых сигналов;
p_k(φ $\genfrac{}{}{0ex}{}{\text{*}}{\text{1}}$ ,φ $\genfrac{}{}{0ex}{}{\text{*}}{\text{2}}$ ,φ $\genfrac{}{}{0ex}{}{\text{*}}{\text{3}}$ |Ω_k) - значение плотности вероятности сигнала k-го типа;
φ $\genfrac{}{}{0ex}{}{\text{*}}{\text{1}}$ ,φ $\genfrac{}{}{0ex}{}{\text{*}}{\text{2}}$ и φ $\genfrac{}{}{0ex}{}{\text{*}}{\text{3}}$ - вычисленные по реализации сейсмосигнала значения 1-го, 2-го и 3-го коэффициентов авторегрессии.

Для повышения качества распознавания рекомендуется количество каналов классификации иметь равным числу ожидаемых сигналов - классов объектов распознавания [8].

Таким образом, обоснована структура классификатора (фиг.4). В основу решающего правила положено выражение (19), где по принятому фрагменту реализации вычисляются коэффициенты регрессии и сравниваются с хранящимися в банке усредненных моделей. Решение принимается по критерию максимума апостериорной вероятности. Для практической реализации классификатора сейсмических сигналов необходимо иметь априорные сведения о параметрах авторегрессии и законах их распределения. Эти параметры сигналов должны храниться в памяти устройства. По принятому сигналу необходимо вычислять параметры авторегрессии, что в итоге позволит вычислить условную вероятность принадлежности сигнала к некоторому классу. По критерию максимума условной вероятности делается вывод о классе сигнала.

В состав устройства обнаружения и классификации сейсмических сигналов (фиг.4) входят: сейсмопреобразователь со схемой предварительной обработки 1, схема автоматического регулирования усиления (АРУ) 2, блок выделения и обработки импульсных сигналов 3, блок классификации 4. В состав блока классификации 4 входят: аналого-цифровой преобразователь (АЦП) 5, оперативное запоминающее устройство (ОЗУ) реализации 6 (на 0,5 с), схема вычисления коэффициентов авторегрессии 7, банк усредненных параметрических моделей сейсмических сигналов 8, каналы классификации 9. Каждый канал классификации состоит из вычислителей ошибок 1-го, 2-го, 3-го коэффициентов авторегрессии 10, 11, 12 и анализатора 13. Кроме того, в состав блока классификации 4 входит решающая схема 14. Практически блок классификации 4 должен быть реализован на базе микропроцессорного контроллера, который производит все необходимые вычисления.

Работает предлагаемое устройство обнаружения и классификации сейсмических сигналов следующим образом. Сейсмопреобразователь со схемой предварительной обработки 1 принимает сейсмосигнал. После предварительной фильтрации и усиления в характерных полосах частот сигнал поступает на схему АРУ 2. С выхода схемы АРУ сигнал поступает на блок выделения и обработки импульсных сигналов 3, который определяет наличие сигнала, обусловленного некоторым источником, и на вход аналого-цифрового преобразователя (АЦП) 5. При обнаружении сигнала включается в работу блок классификации 4. АЦП 5 производит оцифровку принимаемого сигнала. Отсчеты сигнала поступают в ОЗУ 6, емкость которого обеспечивает запись оцифрованного фрагмента реализации сейсмосигнала длительностью 0,5 с. После записи фрагмента реализации сигнала в ОЗУ в схеме вычисления коэффициентов авторегрессии 7 производится расчет коэффициентов в соответствии с формулами (5)-(8). В банке усредненных параметрических моделей сейсмических сигналов 8 хранятся эталонные значения параметров авторегрессии для сигналов различных классов объектов распознавания (в том числе и от возможных помех). Эталонные значения параметров записываются в энергонезависимую память устройства 8 при установке и адаптации изделия на местности методом контрольных воздействий либо рассчитываются заранее на компьютере по экспериментальным записям сигналов в конкретной местности, после чего переписываются в память. После завершения расчетов трех коэффициентов авторегрессии со схемы вычисления коэффициентов авторегрессии 7 и из банка усредненных параметрических моделей сейсмических сигналов 8 рассчитанные и эталонные значения коэффициентов поступают в каналы классификации 9. Число каналов определяется числом предполагаемых видов сейсмических сигналов (классов объектов распознавания). Эти каналы могут быть реализованы программно на базе микропроцессорного контроллера методом задания циклов обработки сигналов. В каждом канале классификации 9 значения коэффициентов поступают на входы вычислителей ошибок 10, 11, 12 соответственно 1-го, 2-го и 3-го коэффициентов авторегрессии. Вычислители ошибок 10, 11 и 12 вычисляют разность между эталонными и реально полученными значениями коэффициентов авторегрессии. После этого с выходов блоков 10, 11 и 12 значения ошибок поступают в анализатор 13, где по выражениям (18) и (19) вычисляется значение вероятности принадлежности коэффициентов авторегрессии к заданному классу сигналов. В выражении (19) присутствует априорная вероятность появления некоторого класса сигнала, значение которой определяется статистическими данными наблюдений в конкретной местности, что не всегда возможно. Поэтому рекомендуется значения априорной вероятности появления сигнала брать равновероятными [7] . Таким образом, после окончания вычислений на выходах каналов классификации 9 будут присутствовать значения вероятности принадлежности обнаруженного сигнала к некоторому заранее известному классу сейсмосигналов. Решающая схема 14 принимает решение о классе обнаруженного сейсмосигнала по принципу максимума значения на выходах каналов классификации и с учетом сигнала на выходе блока выделения и обработки импульсных сигналов 3. В случае длительного присутствия сейсмосигнала указанные выше расчеты выполняются вновь, что позволяет повысить качество классификации по результатам нескольких циклов работы блока классификации.

Описание алгоритма работы блока классификации (фиг.5).

1. Выполняется сброс ОЗУ в нулевое (начальное) состояние.

2. Начинается мажоритарный цикл приема и обработки сигнала (V = 1...3).

3. Из ПЗУ (энергонезависимой памяти) вводятся численные значения параметров авторегрессии φ₁,φ₂,φ₃ для всех подклассов объектов распознавания.

4. В ОЗУ записывается сейсмический сигнал длительностью 0,5 с, что соответствует выборке 1024 отсчета при частоте дискретизации 2 кГц.

5. Находится значение АКФ на первом сдвиге по выражениям (5) и (6).

6. Вычисляется значение АКФ на втором сдвиге по выражениям (5) и (6).

7. Определяется значение АКФ на третьем сдвиге по выражениям (5) и (6).

8. Вычисляются коэффициенты авторегрессии φ $\genfrac{}{}{0ex}{}{\text{*}}{\text{1}}$ ,φ $\genfrac{}{}{0ex}{}{\text{*}}{\text{2}}$ ,φ $\genfrac{}{}{0ex}{}{\text{*}}{\text{3}}$ для записанной реализации решением системы уравнений Юла - Уокера (7), (8).

9. Производится вычисление совместной плотности распределения вероятности для каждого (i-го) класса объектов обнаружения при условии, что φ $\genfrac{}{}{0ex}{}{\text{*}}{\text{1}}$ ,φ $\genfrac{}{}{0ex}{}{\text{*}}{\text{2}}$ ,φ $\genfrac{}{}{0ex}{}{\text{*}}{\text{3}}$ не коррелированы:

где σ1_i,σ2_i,σ3_i - СКО коэффициентов авторегрессии i-го класса объектов;
φ_1,i,φ_2,i,φ_3,i - "эталонные" значения коэффициентов авторегрессии для i-го класса объектов.

10. Вычисляются условные вероятности принадлежности обнаруженного объекта к i-му классу по формуле (19).

11. Записываются в ОЗУ значения условных вероятностей принадлежности обнаруженного объекта к i-му классу.

12. Завершается мажоритарный цикл.

13. Принимается решение о классе обнаруженного объекта по результатам трехкратной классификации по принципу максимума среднего значения условной вероятности.

Предлагаемое устройство позволяет повысить вероятность правильной классификации сейсмических сигналов от различных источников.

Источники информации
1. Патент RU 2175772, РФ 7 G 01 V 1/16. Сейсмическое устройство обнаружения объектов.

2. Патент RU 2040807, РФ 6 G 08 В 13/00. Сейсмическое устройство обнаружения и классификации объектов.

3. Марпл С.Л. - мл. Цифровой спектральный анализ и его приложения. - М.: Мир, 1990, 584 с.

4. Бокс Д., Жденкинс Г. Анализ временных рядов. Прогноз и управление. - М.: Мир, 1974, 408 с.

5. Рабинер Л.Р., Шафер Р.В. Цифровая обработка сигналов. - М.: Радио и связь, 1981, 496 с.

6. Гмурман В.Е. Теория вероятностей и математическая статистика. - М.: ВШ, 1999, 479 с., ил.

7. Горелик А.Л., Скрипкин В.А. Методы распознавания. - М.: Высшая школа, 1989, 232 с.

8. Теория информации. Опознание образов. Харкевич А.А. Избранные труды в трех томах. Т. III. - М.: Наука, 1973, 524 с.

Claims (1)

1. Сейсмическое устройство обнаружения и классификации сейсмических сигналов, состоящее из последовательно соединенных сейсмопреобразователя с предварительным усилителем, автоматического регулятора усиления, блока выделения и обработки импульсных сигналов, блока классификации, содержащего решающую схему, отличающееся тем, что блок классификации содержит аналого-цифровой преобразователь, оперативное запоминающее устройство, схему вычисления коэффициентов авторегрессии, банк усредненных параметрических моделей сейсмических сигналов, каналы классификации в количестве, соответствующем числу классов классифицируемых сигналов, решающую схему, каждый канал классификации состоит из вычислителей ошибок 1-го, 2-го, 3-го коэффициентов авторегрессии и анализатора, вход аналого-цифрового преобразователя является входом блока классификации, выход аналого-цифрового преобразователя соединен с входом оперативного запоминающего устройства, выход которого соединен с входом схемы вычисления коэффициентов авторегрессии, выходы которой соединены с 1-м, 2-м и 3-м входами каналов классификации, выходы банка усредненных параметрических моделей сейсмических сигналов соединены с 4-м, 5-м и 6-м входами каналов классификации, в канале классификации выходы вычислителей ошибок 1-го, 2-го и 3-го коэффициентов авторегрессии соединены с входами анализатора, выходы анализатора являются выходами каналов классификации и соединены с входами решающей схемы, выход блока выделения и обработки импульсных сигналов соединен со входом решающей схемы.

Images