亚洲成年人黄色一级片,日本香港三级亚洲三级,黄色成人小视频,国产青草视频,国产一区二区久久精品,91在线免费公开视频,成年轻人网站色直接看

基于多尺度排列熵的低信噪比微震事件辨識(shí)方法

文檔序號(hào):10594537閱讀:291來(lái)源:國(guó)知局
基于多尺度排列熵的低信噪比微震事件辨識(shí)方法
【專(zhuān)利摘要】本發(fā)明公開(kāi)了一種基于多尺度排列熵的低信噪比微震事件辨識(shí)方法,它是在計(jì)算機(jī)上實(shí)現(xiàn)的,首先將采集的微震數(shù)據(jù)進(jìn)行處理轉(zhuǎn)換為時(shí)間序列數(shù)據(jù),然后粗?;瘯r(shí)間序列得到多尺度時(shí)間序列,計(jì)算多尺度時(shí)間序列排列熵;基于多尺度排列熵訓(xùn)練最小二乘支持向量機(jī),最后利用訓(xùn)練好的LS?SVM對(duì)待判別信號(hào)進(jìn)行辨識(shí)。本發(fā)明將多尺度和排列熵結(jié)合應(yīng)用于微震信號(hào)可以更加有效地分析信號(hào)特征,準(zhǔn)確表達(dá)微震信號(hào)多個(gè)維度的波形特征,有利于區(qū)分微震事件及噪聲事件。應(yīng)用多尺度排列熵分別提取微震信號(hào)及噪聲信號(hào)的特征數(shù)據(jù),使用LS?SVM對(duì)特征數(shù)據(jù)進(jìn)行訓(xùn)練,得到LS?SVM向量機(jī),實(shí)現(xiàn)了對(duì)低信噪比微震事件及噪聲事件的準(zhǔn)確分類(lèi)。
【專(zhuān)利說(shuō)明】
基于多尺度排列滴的低信噪比微震事件辨識(shí)方法
技術(shù)領(lǐng)域
[0001] 本發(fā)明設(shè)及一種低信噪比微震事件辨識(shí)方法,具體的說(shuō),是一種使用多尺度排列 賭表示微震波形特點(diǎn),進(jìn)而通過(guò)支持向量機(jī)判別該波形是否屬于微震事件的方法,屬于信 息處理技術(shù)領(lǐng)域。
【背景技術(shù)】
[0002] 在煤炭開(kāi)采過(guò)程中,煤巖體受壓破裂產(chǎn)生微地震信號(hào),一次破裂產(chǎn)生的微地震信 號(hào)稱為一個(gè)微震事件,收集盡可能多的微震事件并對(duì)其進(jìn)行定位及能量計(jì)算,可W直觀反 映圍巖采動(dòng)應(yīng)力分布情況,進(jìn)而掲示出應(yīng)力場(chǎng)的時(shí)空演化規(guī)律,對(duì)沖擊地壓等煤巖動(dòng)力災(zāi) 害進(jìn)行災(zāi)變預(yù)警具有重要意義。一般而言,微震事件持續(xù)時(shí)間很短,單個(gè)微震事件僅有幾十 毫秒,通常情況下數(shù)據(jù)采集現(xiàn)場(chǎng)的外部噪聲干擾比較嚴(yán)重,有時(shí)甚至把微震事件淹沒(méi)在噪 聲中,因此如何在連續(xù)的信號(hào)采集過(guò)程中準(zhǔn)確辨識(shí)出微震事件成為微震技術(shù)應(yīng)用的關(guān)鍵環(huán) -H- T。
[0003] STA/LTA(Sho;rt Time Average/Long Time Average)法是最為常用的微震事件識(shí) 別方法,該方法基于時(shí)間域信號(hào)能量變化構(gòu)建特征函數(shù),利用STA與LTA的比值識(shí)別震相初 至,該方法實(shí)現(xiàn)簡(jiǎn)單,運(yùn)算速度快,但會(huì)把干擾信號(hào)誤判為微震事件,算法抗噪性能較差; AIC(Akaike Information化ite;rion,AIC)法是另外一種常用的微震事件辨識(shí)方法,該法 依據(jù)微震波到達(dá)前后的波形數(shù)據(jù)統(tǒng)計(jì)差別,給出了判別震相初至的AIC準(zhǔn)則,AIC函數(shù)在震 相初至到來(lái)時(shí)局部最小值峰值尖銳,準(zhǔn)確度較高,但AIC函數(shù)受時(shí)窗影響較大,不同的時(shí)窗 下其最小值出現(xiàn)的位置也不一樣,因此僅適用于已知震相初至的大致位置情形下;目前,微 震事件辨識(shí)主要是在上述算法軟件的輔助下進(jìn)行人工判斷,處理數(shù)據(jù)的效率低,且辨識(shí)標(biāo) 準(zhǔn)不統(tǒng)一,極易出現(xiàn)誤判。

【發(fā)明內(nèi)容】

[0004] 針對(duì)前述方法的局限性,本發(fā)明將排列賭引入微震事件辨識(shí)領(lǐng)域,根據(jù)信號(hào)的特 點(diǎn)研究了尺度因子對(duì)排列賭的影響,給出了多尺度排列賭(Multi-scale Permutation 化化opy,MPE)的概念,提出了基于M陽(yáng)的微震信號(hào)特征提取方法,并與最小二乘支持向量機(jī) (Xeast Squares Support Vector Machine,LS-SVM)理論相結(jié)合,建立了低信噪比微震事 件辨識(shí)模型及方法。
[0005] 排列賭是衡量一維時(shí)間序列空間復(fù)雜度的平均賭參數(shù),具有計(jì)算簡(jiǎn)單快捷、抗噪 聲能力強(qiáng)等特點(diǎn),是一種新的動(dòng)力學(xué)突變檢測(cè)方法,能夠很好的反映一維信號(hào)時(shí)間序列的 微小變化,已在醫(yī)學(xué)研究、故障診斷、信號(hào)處理等領(lǐng)域廣泛應(yīng)用,并已取得顯著的應(yīng)用效果。 為便于敘述,先給出排列賭的定義如下:
[0006] 對(duì)于單一時(shí)間序列{xi,i = l,2,…,n},對(duì)其中的任意一個(gè)元素進(jìn)行相空間重構(gòu), 得:
[0007] X(i) = [x(i) ,x(i+x) ,???,x(i+(m-l)x)], (I)
[0008] 式中m和T分別為嵌入維數(shù)和延遲時(shí)間。將X(i)的m個(gè)重構(gòu)分量按照升序進(jìn)行排列, 得:
[0009] x(i+( j廣l)T)《x(i+( j2-l)T)《...《x(i+( . (2)
[0010]如果存在《(1 + (相-1)1)=《(1 +化2-1)1),此時(shí)就按^'值大小來(lái)排序,即當(dāng)相<相 時(shí),有:
[0011] X(i + (ji 廣 l)T)《X(i + (ji2-l)T), (3)
[0012] 所W,任意一個(gè)向量X(i)都可W得到一組符號(hào)序列
[0013] P(l) = [ji, Jm]. (4)
[0014]式中1 = 1義…,q,且q《m!,m個(gè)不同的符號(hào)序列[ji, j2,'。,jm]共有m!種排列,符 號(hào)序列P(1)是其中的一種。如果每一種符號(hào)序列的出現(xiàn)的概率為Pi,P2,…,Pq,按照Shannon 信息賭的形式,時(shí)間序列x(i)的q種不同符號(hào)序列的排列賭可定義為:
[0015]
. (5)
[0016] 當(dāng)Pj = l/m!時(shí),Hp(m)達(dá)到最大值ln(m!),將Hp(m)進(jìn)行歸一化處理,得
[0017] 0《Hp = Hp(m)/ln(m!)《l. (6)
[0018] 基于上述解釋?zhuān)景l(fā)明采用的技術(shù)方案如下:
[0019] -種基于多尺度排列賭的低信噪比微震事件辨識(shí)方法,其特征在于,它是在計(jì)算 機(jī)上實(shí)現(xiàn)的,具體包括W下步驟:
[0020] 步驟1:采集微震數(shù)據(jù)
[0021 ]在回采巷道布設(shè)拾震器,拾震器之間距離d = 50-200米,設(shè)置拾震器采集頻率為 Ik化,使用光纖把各拾震器采集的微震信號(hào)傳輸?shù)綌?shù)據(jù)集中器后,數(shù)據(jù)集中器再把微震信 號(hào)發(fā)送給計(jì)算機(jī)進(jìn)行處理;
[0022] 步驟2:計(jì)算機(jī)讀取微震數(shù)據(jù)
[0023] 當(dāng)微震產(chǎn)生時(shí),觸發(fā)拾震器記錄微震信號(hào),并將微震信號(hào)通過(guò)數(shù)據(jù)集中器傳輸給 計(jì)算機(jī),計(jì)算機(jī)接收后轉(zhuǎn)換為時(shí)間序列數(shù)據(jù),記為時(shí)序序列Xn= {X1,X2,…,Xn },取n介于 [2500,4500]之間,然后進(jìn)入步驟3;
[0024] 步驟3:粗?;瘯r(shí)間序列Xn
[0025] 分別取尺度因子q = l,2,…,10,按照式(7)粗?;瘯r(shí)序序列Xn,則有:
[0026]
(7)
[0027] 式中,q為尺度因子,^為多尺度時(shí)間序列;
[0028] 步驟4:計(jì)算時(shí)序序列Xn的多尺度排列賭
[0029] 分別計(jì)算:e;'的=1,2,…,10)的排列賭,計(jì)算排列賭時(shí)取嵌入維數(shù)為4,延遲時(shí)間為 1,當(dāng)尺度因子為q時(shí)微震信號(hào)Xn的排列賭可表示為:
[0030]
(8)
[0031] 則信號(hào)Xn的多尺度排列賭可記為:
[0032]
(9)
[0033] Hmpe是一個(gè)10維的向量,用來(lái)表達(dá)微震信號(hào)的特征;
[0034] 步驟5:基于多尺度排列賭訓(xùn)練最小二乘支持向量機(jī)
[0035] 選擇100組微震信號(hào)及100組噪聲信號(hào),重復(fù)步驟2-4,分別計(jì)算運(yùn)200組信號(hào)的多 尺度排列賭,分別標(biāo)記100組微震信號(hào)的多尺度排列賭對(duì)應(yīng)的判別結(jié)果為1,分別標(biāo)記100組 噪聲信號(hào)的多尺度排列賭對(duì)應(yīng)的判別結(jié)果為0,構(gòu)成樣本數(shù)據(jù)集S,使用LS-SVM算法對(duì)樣本 數(shù)據(jù)集S進(jìn)行訓(xùn)練,訓(xùn)練LS-SVM時(shí)使用10-折交叉驗(yàn)證法確定正規(guī)化參數(shù)及核函數(shù)參數(shù),得 到一個(gè)能夠區(qū)分微震事件與噪聲事件的支持向量機(jī)Sv;
[0036] 步驟6:利用訓(xùn)練好的LS-SVM對(duì)待判別信號(hào)進(jìn)行辨識(shí)
[0037] 重復(fù)步驟2-4,計(jì)算待判別信號(hào)Yn= {yi,y2,…,yn}的多尺度排列賭,取n介于 [2500,4500]之間,得到一個(gè)10維的向量Hmpe,將Hmpe輸入到支持向量機(jī)Sv中,得到支持向量 機(jī)輸出值;
[0038] 當(dāng)支持向量機(jī)輸出值為0時(shí),表示待判別信號(hào)Ym不是微震事件;
[0039] 當(dāng)支持向量機(jī)輸出值為1時(shí),表示待判別信號(hào)Ym是微震事件。
[0040] 本發(fā)明的積極效果是:排列賭是衡量信號(hào)復(fù)雜度的平均賭參數(shù),具有計(jì)算簡(jiǎn)單、抗 噪聲能力強(qiáng)等特點(diǎn),將多尺度和排列賭結(jié)合應(yīng)用于微震信號(hào)可W更加有效地分析信號(hào)特 征,準(zhǔn)確表達(dá)微震信號(hào)多個(gè)維度的波形特征,有利于區(qū)分微震事件及噪聲事件。應(yīng)用多尺度 排列賭分別提取微震信號(hào)及噪聲信號(hào)的特征數(shù)據(jù),使用LS-SVM對(duì)特征數(shù)據(jù)進(jìn)行訓(xùn)練,得到 LS-SVM向量機(jī),實(shí)現(xiàn)了對(duì)低信噪比微震事件及噪聲事件的準(zhǔn)確分類(lèi)。
【附圖說(shuō)明】
[0041 ]附圖1為本發(fā)明微震監(jiān)測(cè)系統(tǒng)布置圖;
[0042] 附圖2為本發(fā)明中多尺度排列賭處理過(guò)程圖;
[0043] 附圖3為本發(fā)明中LS-SVM訓(xùn)練與判斷過(guò)程圖;
[0044] 附圖4為本發(fā)明實(shí)施例中微震信號(hào)波形圖;
[0045] 附圖5為本發(fā)明實(shí)施例中待判別的信號(hào)波形圖。
【具體實(shí)施方式】
[0046] 下面結(jié)合附圖和具體實(shí)施例進(jìn)一步說(shuō)明本發(fā)明的技術(shù)方案。
[0047] 實(shí)施例,一種基于多尺度排列賭的低信噪比微震事件辨識(shí)方法,包括W下步驟:
[0048] 步驟1:按圖1所示布置好微震監(jiān)測(cè)系統(tǒng),拾震器之間的距離d=100米,信號(hào)集中器 采集微震數(shù)據(jù)并傳輸給計(jì)算機(jī)。
[0049] 步驟2:計(jì)算機(jī)接收信號(hào)后轉(zhuǎn)換為時(shí)間序列數(shù)據(jù),記為時(shí)序序列,讀取時(shí)序序列Xn = {xi,X2,。,,xn},n = 3000,時(shí)序序列如圖4所示,然后進(jìn)入步驟3。
[0050] 步驟3:分別取q=l,2,…,10,按照式(7)計(jì)算得到10個(gè)時(shí)間序列,分別記為Xi, X2,... ,XlO。
[0051 ]步驟4:按照式(6)分別計(jì)算10個(gè)時(shí)間序列Xi,X2,…,XiQ的排列賭Hi,此,…,HiQ,計(jì)算 時(shí),令嵌入維數(shù)m = 4,延遲時(shí)間為1,排列賭組成一個(gè)向量代表時(shí)序序列Xn的多尺度排列賭, 記為Hmpe= [Hi,此,…,出Q];時(shí)序序列Xn的多尺度排列賭為Hmpe= [0.8966,0.6788,0.4927, 0.3933,0.3309,0.2915,0.2574,0.2276,0.2063,0.1891];
[0化2] 上述步驟2-4的處理過(guò)程見(jiàn)圖2。
[0053] 步驟5:選擇200組信號(hào),其中微震信號(hào)及噪聲信號(hào)各100組,且每組信號(hào)的長(zhǎng)度為 3000個(gè)采樣點(diǎn),按照步驟2-4分別對(duì)200組信號(hào)求取它們的多尺度排列賭,構(gòu)成表1所示的樣 本數(shù)據(jù),應(yīng)用LS-SVM對(duì)表1中數(shù)據(jù)進(jìn)行訓(xùn)練,得到能夠區(qū)分微震事件與噪聲信號(hào)的支持向量 機(jī)Sv;
[0054] 表1樣本數(shù)據(jù)
[00551
[0056] 注:"結(jié)果"欄內(nèi)1表示該信號(hào)是微震事件;0表示該信號(hào)為噪聲。
[0057] 步驟6:對(duì)于待判別信號(hào)Yn= {yi,y2,''',yn},n = 3000,如圖5所示,重復(fù)步驟2-4,計(jì) 算其多尺度排列賭 Hmpe= [0.9854,0.7625,0.5016,0.4102,0.3455,0.2816,0.2655, 0.2318,0.2234,0.179引,將其作為支持向量機(jī)Sv的輸入,支持向量機(jī)Sv輸出判別結(jié)果為0, 運(yùn)表明待判別信號(hào)Yn不是微震事件。
[0化引上述步驟5-6的過(guò)程見(jiàn)圖3.
[0059] W上所述為本發(fā)明最佳實(shí)施方式的舉例,其中未詳細(xì)述及的部分均為本領(lǐng)域普通 技術(shù)人員的公知常識(shí)。本發(fā)明的保護(hù)范圍W權(quán)利要求的內(nèi)容為準(zhǔn),任何基于本發(fā)明的技術(shù) 啟示而進(jìn)行的等效變換,也在本發(fā)明的保護(hù)范圍之內(nèi)。
【主權(quán)項(xiàng)】
1. 一種基于多尺度排列熵的低信噪比微震事件辨識(shí)方法,其特征在于,它是在計(jì)算機(jī) 上實(shí)現(xiàn)的,具體包括以下步驟: 步驟1:采集微震數(shù)據(jù) 在回采巷道布設(shè)拾震器,拾震器之間距離d = 50-200米,設(shè)置拾震器采集頻率為1kHz, 使用光纖把各拾震器采集的微震信號(hào)傳輸?shù)綌?shù)據(jù)集中器后,數(shù)據(jù)集中器再把微震信號(hào)發(fā)送 給計(jì)算機(jī)進(jìn)行處理; 步驟2:計(jì)算機(jī)讀取微震數(shù)據(jù) 當(dāng)微震產(chǎn)生時(shí),觸發(fā)拾震器記錄微震信號(hào),并將微震信號(hào)通過(guò)數(shù)據(jù)集中器傳輸給計(jì)算 機(jī),計(jì)算機(jī)接收后轉(zhuǎn)換為時(shí)間序列數(shù)據(jù),記為時(shí)序序列Χη= {χι,X2,…,Xn},取η介于[2500, 4500]之間,然后進(jìn)入步驟3; 步驟3:粗?;瘯r(shí)間序列Χη 分別取尺度因子q = 1,2,….10,桉照下忒耜敕化時(shí)序序列Χπ, _有:式中,q為尺度因子,#為多尺度時(shí)間序列; 步驟4:計(jì)算時(shí)序序列乂"的多尺度排列熵 分別計(jì)算·^ (分=1,2,…,1 〇)的排列熵,計(jì)算排列熵時(shí)取嵌入維數(shù)為4,延遲時(shí)間為1,當(dāng) 尺度因子為q時(shí)微震信號(hào)Xn的排列熵表不為:貝1J信號(hào)Xn的多尺度排列熵記為:HmPe是一個(gè)10維的向量,用米表達(dá)儆晨信虧的特祉; 步驟5:基于多尺度排列熵訓(xùn)練最小二乘支持向量機(jī) 選擇100組微震信號(hào)及100組噪聲信號(hào),重復(fù)步驟2-4,分別計(jì)算這200組信號(hào)的多尺度 排列熵,分別標(biāo)記100組微震信號(hào)的多尺度排列熵對(duì)應(yīng)的判別結(jié)果為1,分別標(biāo)記100組噪聲 信號(hào)的多尺度排列熵對(duì)應(yīng)的判別結(jié)果為〇,構(gòu)成樣本數(shù)據(jù)集S,使用LS-SVM算法對(duì)樣本數(shù)據(jù) 集S進(jìn)行訓(xùn)練,訓(xùn)練LS-SVM時(shí)使用10-折交叉驗(yàn)證法確定正規(guī)化參數(shù)及核函數(shù)參數(shù),得到一 個(gè)能夠區(qū)分微震事件與噪聲事件的支持向量機(jī)Sv; 步驟6:利用訓(xùn)練好的LS-SVM對(duì)待判別信號(hào)進(jìn)行辨識(shí) 重復(fù)步驟2-4,計(jì)算待判別信號(hào)Yn = {yi,y2,…,yn}的多尺度排列熵,取η介于[2500, 4500]之間,得到一個(gè)10維的向量Hmpe3,將Η_4俞入到支持向量機(jī)Sv中,得到支持向量機(jī)輸出 值; 當(dāng)支持向量機(jī)輸出值為〇時(shí),表示待判別信號(hào)1不是微震事件; 當(dāng)支持向量機(jī)輸出值為1時(shí),表示待判別信號(hào)Ym是微震事件。
【文檔編號(hào)】G01V1/28GK105956526SQ201610257713
【公開(kāi)日】2016年9月21日
【申請(qǐng)日】2016年4月22日
【發(fā)明人】賈瑞生, 孫紅梅, 梁永全, 彭延軍, 盧新明
【申請(qǐng)人】山東科技大學(xué)
網(wǎng)友詢問(wèn)留言 已有0條留言
  • 還沒(méi)有人留言評(píng)論。精彩留言會(huì)獲得點(diǎn)贊!
1